Las redes neuronales híbridas cuántico-clásicas-cuánticas de convolución | JoVE Visualize

Área de la Ciencia:

La computación cuántica
Aprendizaje automático
Reconocimiento de imágenes

Sus antecedentes:

El aprendizaje profundo, particularmente las Redes Neurales Convolucionales (CNN), sobresale en el reconocimiento de patrones de imagen.
Las redes neuronales convolucionales híbridas cuánticas-clásicas (QCCNNs) utilizan propiedades cuánticas para mejorar la precisión de la clasificación.
Las QCCNN existentes a menudo carecen de parámetros cuánticos entrenables, lo que limita su expresividad de aprendizaje.

Objetivo del estudio:

Proponer una nueva arquitectura híbrida de red neuronal cuántica-clásica-convolucional cuántica (QCQ-CNN).
Mejorar la expresividad de los límites de decisión en la clasificación de imágenes mediante la incorporación de parámetros cuánticos entrenables.
Evaluar el rendimiento y la robustez de QCQ-CNN en varios conjuntos de datos de imágenes.

Principales métodos:

Desarrolló un QCQ-CNN que integra un filtro convolucional cuántico, un CNN clásico de poca profundidad y un clasificador cuántico variacional entrenado.
Realizó experimentos con muestras pequeñas en conjuntos de datos de tumores MNIST, F-MNIST y MRI.
Se analizó el impacto de la profundidad ansatz y el ruido cuántico simulado (ruido de despolarización, tomas de muestras finitas).

Principales resultados:

QCQ-CNN demostró una precisión y convergencia competitivas en comparación con las líneas de base clásicas e híbridas.
Los circuitos cuánticos de profundidad moderada mejoraron la estabilidad del aprendizaje sin una complejidad significativa.
La arquitectura mostró un grado de robustez bajo condiciones de ruido cuántico simulado.

Conclusiones:

El QCQ-CNN propuesto mejora la expresividad en la clasificación de imágenes a través de parámetros cuánticos entrenables.
La arquitectura es prometedora para aplicaciones híbridas de aprendizaje cuántico a corto plazo, incluso con ruido.
Se justifica una mayor investigación sobre circuitos cuánticos más grandes y hardware cuántico del mundo real.