Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification

Dit artikel presenteert een hybride quantum-klassieke convolutionele neurale netwerk dat amplitude- en hoecoderingsvariabele quantumkringen integreert om quantum- en klassieke kenmerken te fuseren, waarbij statistisch significante verbeteringen in de nauwkeurigheid van de classificatie van borsttumoren op de BreastMNIST-dataset worden aangetoond in vergelijking met een klassieke baseline met dezelfde parameters.

De kern

Stel je voor dat je een enorme stapel foto's probeert te sorteren in twee dozen: "Veilig" (goedaardige tumoren) en "Gevaarlijk" (kwaadaardige tumoren). Dit is een taak die artsen uitvoeren, maar het is zwaar werk. Al geruime tijd gebruiken we krachtige computerprogramma's genaamd Klassieke Neuronale Netwerken om hierbij te helpen. Denk hierbij aan zeer slimme, traditionele detectives die een foto bekijken, deze opbreken in tiny stukjes en leren patronen te herkennen die "gevaar" betekenen.

Maar de auteur van dit artikel, Ece Yurtseven, stelde de volgende vraag: Wat als we deze detectives een superkracht geven?

Die superkracht is Quantum Computing.

Hieronder legt dit artikel het nieuwe "Hybride" systeem uit, met behulp van eenvoudige analogieën:

1. Het Team-up (Het Hybride Model)

In plaats van de traditionele detective te vervangen, bouwde de auteur een team.

• De Klassieke Detective: Dit is het standaardcomputerprogramma (een Convolutional Neural Network) dat al zeer goed is in het bekijken van de foto's.
• De Quantum-Assistenten: De auteur voegde twee speciale "Quantum-schakelingen" toe aan het team. Denk hierbij aan twee verschillende soorten magische lenzen.
  • Lens A (Amplitude-codering): Deze lens bekijkt de foto en probeert alle informatie te persen in het volume of de "luidheid" van een quantumgolf.
  • Lens B (Hoek-codering): Deze lens bekijkt dezelfde foto, maar vertaalt de informatie naar hoeken, zoals het draaien aan een knop op een radio. Het maakt ook gebruik van "cirkelvormige verstrengeling", wat erop neerkomt dat de knoppen aan elkaar worden vastgebonden, zodat het draaien aan één knop direct de anderen beïnvloedt, waardoor er een geheime verbinding tussen hen ontstaat.

2. De Fusie (Het Samenvoegen)

Het artikel beschrijft een proces genaamd Feature Fusion (Kenmerkenfusie).
Stel je voor dat de Klassieke Detective een foto bekijkt en een lang verslag schrijft.

• Lens A neemt dat verslag en schrijft een kort, magisch samenvatting.
• Lens B neemt hetzelfde verslag en schrijft een ander magisch samenvatting, met de focus op andere details.
• Het systeem neemt vervolgens het Klassieke Verslag, Samenvatting A en Samenvatting B en hecht ze allemaal samen in één gigantisch, supergedetailleerd dossier.
• Een finale "Rechter" (een eenvoudige computerschikking) leest dit gigantische dossier en neemt de uiteindelijke beslissing: Veilig of Gevaarlijk?

3. De Eerlijke Test

Om ervoor te zorgen dat de Quantum-Assistenten daadwerkelijk het werk deden en niet gewoon geluk hadden, zette de auteur een strenge race op.

• Renner A (Het Klassieke Team): Gebruikt alleen de traditionele detective.
• Renner B (Het Hybride Team): Gebruikt de traditionele detective plus de twee quantumlenzen.
• De Regel: Beide teams kregen exact dezelfde hoeveelheid "hersencapaciteit" (parameters) en werden getraind op exact dezelfde foto's (het BreastMNIST-dataset) voor exact dezelfde tijd. Dit zorgt ervoor dat als Renner B wint, het is omdat de quantumlenzen hielpen, en niet omdat ze meer middelen hadden.

4. De Resultaten

Na het vijf keer uitvoeren van de race om zeker te zijn, waren de resultaten duidelijk:

• Het Klassieke Team kreeg ongeveer 84,2% van de antwoorden goed.
• Het Hybride Team kreeg ongeveer 86,5% van de antwoorden goed.

Hoewel dat verschil in cijfers (2,3%) misschien klein lijkt, voerde de auteur een speciale statistische test uit (zoals een scheidsrechter die de finishlijn met een microscoop controleert) en bevestigde dat de winst van het Hybride Team statistisch significant was. Het was geen toeval; de quantumlenzen hielpen het systeem echt om de tumoren beter te zien.

5. De Haken en Ogen (Beperkingen)

Het artikel is eerlijk over de huidige beperkingen:

• De Simulatie: Het "Quantum"-deel van dit experiment vond niet plaats op een echte, fysieke quantumcomputer (die momenteel zeer fragiel en luidruchtig zijn). Het vond plaats op een gewone computer die een quantumcomputer simuleerde. Het is alsof je een nieuwe motortest in een windtunnel doet in plaats van op een echte weg.
• De Grootte: Het quantumgedeelte was zeer klein (slechts 4 "qubits", of quantumbits). Het is alsof je een klein, gespecialiseerd gereedschap gebruikt in plaats van een gigantische fabriek.
• De Data: Ze testten dit op een standaard, klein dataset van borst-echografiebeelden. Het artikel beweert niet dat dit systeem klaar is om echte patiënten in een ziekenhuis te diagnosticeren; het bewijst alleen dat het idee in een gecontroleerde test beter werkt dan de oude manier.

In het Kort

Het artikel zegt: "We hebben een nieuw systeem gebouwd dat een standaard computerbrein combineert met twee verschillende soorten quantum-magische lenzen. Toen we ze testten op het sorteren van borsttumorbeelden, deed het team met de quantumlenzen het beter dan de standaardcomputer alleen, en we hebben dit met wiskunde bewezen."

Technische samenvatting

Technische Samenvatting: Parallelle Multi-Circuit Quantum Feature Fusion in Hybride Quantum-Klassieke Convolutionele Neuronale Netwerken voor Classificatie van Borsttumoren

Probleemstelling
Het artikel behandelt de uitdagingen bij het classificeren van borsttumoren met medische beeldvorming, specifiek het onderscheid maken tussen goedaardige en kwaadaardige gevallen. Hoewel klassieke Convolutionele Neuronale Netwerken (CNN's) effectief zijn, kampen ze met schaalbaarheidsproblemen bij hoogdimensionale medische data en architecturale beperkingen. De auteurs stellen voor om Quantum Machine Learning (QML), en specifiek Variational Quantum Circuits (VQCs), in te zetten om de prestaties van feature-extractie en classificatie te verbeteren. De studie richt zich op de BreastMNIST-dataset, een gestandaardiseerde benchmark van 28×28 grijswaarde borst-echografiebeelden, met als doel te bepalen of hybride quantum-klassieke architecturen beter presteren dan puur klassieke tegenhangers wanneer het aantal parameters gelijk is.

Methodologie
De auteurs stellen een Hybrid Quantum-Classical Convolutional Neural Network (QCNN)-architectuur voor die is ontworpen voor binaire classificatie. De methodologie is gestructureerd rond vier kerncomponenten:

1. Klassieke Backbone: Zowel het hybride als het baseline-model delen een identieke klassieke CNN-feature-extractor. Deze backbone bestaat uit zes convolutielagen, georganiseerd in drie blokken (32, 64 en 128 filters), met gebruik van batchnormalisatie, ReLU-activering, max-pooling en dropout. De output is een afgevlakt feature-vector van 2048 dimensies.
2. Parallelle Quantum Feature Extractie: Het hybride model verwerkt de klassieke features via twee distincte, parallelle Variational Quantum Circuits (VQCs), die beide opereren op 4 qubits:
   • Circuit 1 (Amplitude Encoding): Mapt een voorverwerkt feature-vector van 16 dimensies af op de amplitudes van een 4-qubit quantumstaat ($2^4=16$ basisstaten). Het maakt gebruik van trainbare rotaties en verstrengeling, en meet Pauli-Z-verwachtingswaarden om 4 quantum-features te genereren.
   • Circuit 2 (Angle Encoding met Circulaire Verstrengeling): Mapt 4 voorverwerkte features direct om naar rotatiehoeken ($R_Y$) op 4 qubits. Dit circuit employs twee variational lagen met geparametriseerde $R_X$- en $R_Y$-rotaties en een circulaire verstrengelingstopologie (CNOT-poorten die $j \to (j+1) \mod 4$ verbinden). Het meet Pauli-Z voor alle qubits en Pauli-X voor de eerste twee, wat resulteert in 6 quantum-features.
3. Quantum-Klassieke Feature Fusion: De outputs van beide quantumcircuits (respectievelijk 4 en 6 features) worden samengevoegd tot een vector van 10 dimensies. Dit wordt geprojecteerd via een leerbare lineaire laag naar een ruimte van 128 dimensies, gevolgd door layer normalization, ReLU en dropout. Deze gefuseerde quantum-features worden vervolgens samengevoegd met de oorspronkelijke 2048-dimensionale klassieke CNN-features.
4. Classificatie en Training: Het uiteindelijke hybride feature-vector (2176 dimensies) wordt doorgegeven aan een diep volledig verbonden netwerk voor binaire classificatie. Het model wordt getraind met de AdamW-optimizer, binary cross-entropy loss met label smoothing en early stopping. Om een eerlijke vergelijking te waarborgen, vervangt een baseline klassiek CNN de quantumcircuits door klassieke lineaire lagen met identieke input/output-dimensies, waarbij het totale aantal parameters gelijk blijft.

Belangrijkste Bijdragen
Het artikel schetst vier primaire bijdragen:

1. Nieuwe Architectuur: Introductie van een hybride QCNN met twee parallelle quantumcircuits met verschillende encoding-schema's (amplitude- en angle encoding).
2. Feature Fusion Strategie: Implementatie van een specifiek fusion-mechanisme dat quantum-features van beide circuits samenvoegt met klassieke CNN-features om een gezamenlijke feature-ruimte te creëren.
3. Rigoureus Experimenteel Ontwerp: Een setup waarbij het aantal parameters is afgestemd, waarbij hybride en klassieke modellen identieke CNN-backbones delen, waardoor de specifieke bijdrage van de quantumlagen geïsoleerd wordt.
4. Statistische Validatie: Aantonen van prestatieverbeteringen, gevalideerd over vijf onafhankelijke runs met statistische toetsing.

Resultaten
De modellen werden geëvalueerd op de BreastMNIST-dataset (546 trainings-, 78 validatie- en 156 teststeekproeven) over vijf onafhankelijke runs.

• Prestaties: De hybride QCNN behaalde een testnauwkeurigheid van 86,54%, vergeleken met 84,17% voor de klassieke baseline. Het hybride model toonde ook een superieure validatienauwkeurigheid (87,95% versus 85,38%) en een lagere validatieverlies (0,3786 versus 0,3982).
• Maten: Het hybride model presteerde beter dan het klassieke model in trainingsnauwkeurigheid, validatienauwkeurigheid, trainingsverlies, validatieverlies, testnauwkeurigheid, precisie en F1-score. Hoewel het klassieke model marginaal een hogere recall had, toonde het hybride model een betere algehele balans.
• Statistische Significantie: Een eenzijdige Wilcoxon signed-rank test leverde een p-waarde op van 0,03125 ($p < 0.05$), waarbij de nulhypothese wordt verworpen dat het hybride model even goed of slechter presteert dan het klassieke model. Het effectgrootte, berekend via Cohen's $d$, was 2,14, wat wijst op een grote praktische relevantie.

Betekenis en Claims
Het artikel beweert dat hybride QCNN-architecturen kwantummechanische eigenschappen, zoals superpositie en verstrengeling, effectief kunnen benutten om taken voor classificatie van medische beelden te verbeteren. De auteurs stellen dat hun werk een statistisch validatiekader vestigt voor het beoordelen van hybride quantummodellen in biomedische toepassingen.

De studie erkent dat alle experimenten zijn uitgevoerd met gebruik van geïdealiseerde quantumcircuit-simulaties (de default.qubit statevector-simulator van PennyLane) op klassieke hardware, vrij van ruis en decoherentie. Bijgevolg formuleren de auteurs hun bevindingen bescheiden als een proof of concept voor de theoretische voordelen van de architectuur. Zij benadrukken dat hoewel de 4-qubit circuits en eenvoudige gate-operaties geschikte kandidaten zijn voor hardware op korte termijn, toekomstig werk vereist is om deze resultaten te valideren op daadwerkelijke quantumprocessors en de aanpak te schalen naar grotere, diversere klinische datasets. Het artikel claimt geen directe klinische implementatie, maar identificeert eerder een pad voor schaling en implementatie op quantumhardware op korte termijn.