Technische Samenvatting: Evoluerende Hybride Kwantum-Klassieke Architecturen voor Beeldclassificatie

Probleemstelling

Hybride kwantum-klassieke neurale netwerken (HQNN's) integreren geparametriseerde kwantumcircuits (PQC's) met deep learning-architecturen om klassieke data te verwerken. De prestaties van deze modellen zijn echter sterk afhankelijk van de handmatige selectie van de kwantumcircuitarchitectuur (ansatz), inclusioneel de samenstelling van poorten, de diepte van het circuit, qubit-connectiviteit en data-encodering. Bestaande benaderingen vertrouwen doorgaans op vaste of handmatig ontworpen circuits die niet gegarandeerd geschikt zijn voor specifieke taken. Deze beperking is bijzonder acuut bij beeldclassificatie, waarbij kwantumcircuits kenmerken geëxtraheerd door klassieke netwerken moeten transformeren, terwijl ze compact genoeg moeten blijven voor praktische training op nabije hardware (near-term hardware). Generieke, taak-agnostische ansätze falen vaak om aan deze simultane vereisten te voldoen, wat leidt tot problemen zoals barren plateaus (exponentieel verdwijnende gradiënten) en slechte leerbaarheid. Bijgevolg is er een behoefte aan een geautomatiseerde methode om de structuren van kwantumcircuits te ontdekken die zowel effectief zijn voor complexe beelddata als computationeel efficiënt.

Methodologie

De auteurs breiden EXAQC uit, een evolutionair framework dat eerder werd gebruikt voor laagdimensionale benchmarks, naar het domein van beeldclassificatie. De voorgestelde methodologie maakt gebruik van een hybride architectuur bestaande uit drie hoofdcomponenten:

1. Klassieke Encoder ($E_\psi$): Een kenmerkextractor (identiteitsblok, MLP of CNN) die hoogdimensionale ruwe afbeeldingen ($C \times H \times W$) comprimeert naar een compacte representatie ($d_q$) die geschikt is voor kwantumbewerking.
2. Geëvolueerd Geparametriseerd Kwantumcircuit ($Q_{\theta, A}$): Een PQC waarbij de architectuur $A$ (poortensamenstelling, diepte, connectiviteit) wordt ontdekt via een evolutionaire zoektocht, terwijl de continue parameters $\theta$ worden geoptimaliseerd via gradiëntafdaling.
3. Klassieke Decoder ($D_\phi$): Een netwerk dat de uitkomsten van kwantummetingen in kaart brengt naar klassevoorspellingen.

Evolutionair Zoekproces:
EXAQC maakt gebruik van een steady-state evolutionair algoritme om de circuitstructuur te optimaliseren. Elk kandidaat-circuit wordt gerepresenteerd als een variabele-lengte genoom die een geordende collectie van poorten bevat. De zoektocht maakt gebruik van:

• Structurele Mutatie: Het toevoegen, inschakelen, uitschakelen of herordenen van poorten, en het wijzigen van qubit-connectiviteit.
• Crossover: Het combineren van informatie van ouder-circuits met behulp van binaire, exponentiële of n-aire operatoren.
• Lamarckiaanse Erfelijkheid: Het overdragen van geleerde continue parameters van ouders naar nakomelingen om convergentie te versnellen.
• Asynchrone Evaluatie: Kandidaten worden parallel geëvalueerd, waarbij nakomelingen onmiddellijk concurreren voor populatie-insertie op basis van validatie-fitness.

Kwantum-encoderingstrategieën:
De studie onderzoekt vier input-encodermechanismen:

• Amplitude Encoding: Brengt $d_q$ kenmerken in kaart naar $n_q = \lceil \log_2(d_q) \rceil$ qubits.
• Rotatie-encoderingen (RX, RY): Brengt één kenmerk per qubit in kaart ($n_q = d_q$).
• U3 Encoding: Brengt drie kenmerken per qubit in kaart met behulp van de $U3(\theta, \phi, \lambda)$ poort, waardoor $n_q = d_q/3$ mogelijk is.

Het trainingsdoel is het minimaliseren van de cross-entropy loss over de gezamenlijke parameters van de encoder, het kwantumcircuit en de decoder.

Belangrijkste Bijdragen

1. Uitbreiding van EXAQC naar Beeldclassificatie: Het papier schaalt het EXAQC-framework succesvol van laagdimensionale problemen naar complexe beelddatasets (MNIST, Fashion-MNIST, CIFAR-10), waarbij wordt aangetoond dat geëvolueerde circuits nuttige transformaties kunnen vinden in gecomprimeerde beeldkenmerken.
2. Geautomatiseerde Ontdekking van Compacte Kwantummodules: In tegen tegenstelling tot methoden die vertrouwen op vaste ansätze, evolueert de voorgestelde aanpak circuits die op maat zijn gemaakt voor de geleerde kenmerken, wat resulteert in compacte kwantummodules (20–60 poorten) die grotere klassieke componenten vervangen.
3. Nieuw Gebruik van U3 Encoding: Het werk introduceert het gebruik van U3-poorten als een kwantum-encoderingsmechanisme binnen een evolutionair zoekframework, wat het onderscheidt van eerdere werken die deze specifieke encoderingsstrategie niet gebruikten.
4. Parameter-efficiëntie: De studie levert empirisch bewijs dat geëvolueerde hybride modellen een concurrerende nauwkeurigheid kunnen bereiken met aanzienlijk minder leerbare parameters vergeleken met puur klassieke deep learning-baselines.

Experimentele Resultaten

Het framework werd geëvalueerd op drie datasets met variërende complexiteit:

• Voorspellende Prestaties:

  • MNIST: 98,42% nauwkeurigheid.
  • Fashion-MNIST: 90,62% nauwkeurigheid.
  • CIFAR-10: 85,47% nauwkeurigheid.
  • Deze resultaten overtreffen of evenaren eerdere quantum architecture search (QAS) methoden (bijv. EQNAS, AQEA-QAS) op CIFAR-10, terwijl ze minder poorten gebruiken.

• Impact van Encodering:

  • Op MNIST had de keuze van de encodering minimale impact (verschillen < 1%).
  • Op CIFAR-10 presteerden rotatie-gebaseerde encoderingen (RX, RY, U3) significant beter dan amplitude encoding (83,75–86,68% vs. 61,38%). U3 encoding leverde de hoogste nauwkeurigheid op (86,68%), maar vereiste de grootste circuits (60 poorten, 40 parameters).

• Parameter-efficiëntie:

  • CIFAR-10: Het EXAQC hybride model bereikte 85,68% nauwkeurigheid met 100.173 parameters, wat overeenkomt met een 10-laagse CNN (85,50%) die 2.569.962 parameters vereiste (een reductie van 96,1%). Het bleef ook binnen 1,4% van de ResNet18 nauwkeurigheid met 99,1% minder parameters.
  • Fashion-MNIST: Het hybride model overtrof een 1-laagse CNN (91,11% vs. 89,47%) met 54,8% minder parameters.

• Circuitcomplexiteit:

  • Geëvolueerde circuits voor CIFAR-10 waren aanzienlijk groter en meer verstrengeld dan die voor MNIST, met onregelmatige, niet-gelaagde arrangementen van single-qubit rotaties en multi-qubit gecontroleerde poorten, die verschillen van standaard hand-ontworpen templates.

Betekenis en Claims

Het artikel claimt dat automatische circuitontdekking via evolutionaire zoektochten compacte kwantummodules oplevert die grotere klassieke componenten in visie-architecturen kunnen vervangen zonder competitieve nauwkeurigheid op te offeren. De betekenis van dit werk ligt in:

• Schaalbaarheid: Het aantonen dat geëvolueerde PQC's de gecomprimeerde kenmerkrepresentaties van complexe beelddatasets kunnen verwerken, waarmee de kloof tussen de beperkingen van nabije hardware en de eisen van hoogdimensionale data wordt overbrugd.
• Efficiëntie: Het vaststellen dat hybride modellen state-of-the-art prestaties kunnen leveren voor hun klasse met drastisch verminderde parameteraantallen, wat de hulpbronnenbeperkingen van huidige kwantumhardware aanpakt.
• Aanpasbaarheid: Het benadrukken dat de optimale kwantumarchitectuur en encoderingsstrategie niet universeel zijn, maar sterk afhangen van de dataset en de kwaliteit van de klassieke kenmerkextractie.

De auteurs concluderen dat hoewel de resultaten veelbelovend zijn, toekomstig werk de afhankelijkheid van simulatie, de noodzaak voor gestandaardiseerde vergelijkingen met eerdere methoden en de gezamenlijke optimalisatie van encoders en kwantumcircuits moet aanpakken. Ze merken ook op dat de kosten van evolutionaire zoektochten toenemen met de circuitcomplexiteit, wat wijst op een behoefte aan efficiëntere gedistribueerde zoekstrategieën.