神经网络的量子方法及其在医学图像分类中的应用

由柏拉图重新发布

关注： 0

乔纳斯·兰德曼^1,2, 纳坦什·马图尔^1,3, 云伊冯娜李⁴, 马丁·斯特拉姆⁴, 斯坎德·卡兹达格利¹, 阿努帕姆普拉卡什¹, 和 Iordanis Kerenidis^1,2

¹QC Ware，美国帕洛阿尔托和法国巴黎
²IRIF、CNRS——法国巴黎大学
³印度理工学院 Roorkee，印度
⁴F.霍夫曼拉罗氏股份公司

抽象

量子机器学习技术已被提议作为一种潜在地增强机器学习应用程序性能的方法。
在本文中，我们介绍了两种新的神经网络量子方法。第一个是量子正交神经网络，它基于量子金字塔电路作为实现正交矩阵乘法的构建块。我们提供了一种有效的方法来训练这种正交神经网络；对经典和量子硬件都详细介绍了新颖的算法，这两种算法都被证明比以前已知的训练算法更好地渐近扩展。
第二种方法是量子辅助神经网络，其中使用量子计算机进行内积估计以进行经典神经网络的推理和训练。
然后，我们使用当前最先进的量子硬件展示了应用于医学图像分类任务的广泛实验，我们在真实量子硬件和模拟器上将不同的量子方法与经典方法进行了比较。我们的结果表明，鉴于更好的量子硬件的出现，量子神经网络和经典神经网络产生了相似水平的准确度，支持了量子方法可用于解决视觉任务的承诺。

►BibTeX数据

@文章{Landman2022量子方法， doi = {10.22331/q-2022-12-22-881}，网址 = {https://doi.org/10.22331/q-2022-12-22-881}，标题={N}欧洲{N}网络的{量子{M}方法和{A}应用于{M}医学{I}法师{C}分类}，作者 = {兰德曼、乔纳斯和马图尔、纳坦什和李、云·伊冯娜和斯特拉姆、马丁和卡兹达格利、斯坎德和普拉卡什、阿努潘和凯伦尼迪斯、Iordanis}，期刊 = {{量子}}, issn = {2521-327X}，出版商 = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}，音量 = {6}，页数 = {881}，月 = 十二月，年 = {2022} }

►参考

[1] Aram W Harrow、Avinatan Hassidim 和 Seth Lloyd。 “线性方程组的量子算法”。物理审查信件 103, 150502 (2009)。
https：/ / doi.org/ 10.1103 / PhysRevLett.103.150502

[2] Seth Lloyd、Masoud Mohseni 和 Patrick Rebentrost。 “用于有监督和无监督机器学习的量子算法”（2013 年）。

[3] Seth Lloyd、Masoud Mohseni 和 Patrick Rebentrost。 “量子主成分分析”。自然物理学 10, 631–633 (2014)。
https：/ / doi.org/ 10.1038 / nphys3029

[4] Iordanis Kerenidis 和 Anupam Prakash。 “量子推荐系统”。第八届理论计算机科学会议创新 (ITCS 8) 2017, 67:49–1:49 (21)。网址：doi.org/2017/arXiv.10.48550。
https://doi.org/10.48550/arXiv.1603.08675

[5] Iordanis Kerenidis、Jonas Landman、Alessandro Luongo 和 Anupam Prakash。 “q-means：一种用于无监督机器学习的量子算法”。神经信息处理系统进展 32。第 4136–4146 页。 Curran Associates, Inc.（2019 年）。网址：。
的arXiv：1812.03584

[6] Seth Lloyd、Silvano Garnerone 和 Paolo Zanardi。 “用于数据拓扑和几何分析的量子算法”。自然通讯 7, 1–7 (2016)。网址：doi.org/10.1038/ncomms10138。
https：///doi.org/10.1038/ncomms10138

[7] Edward Farhi 和 Hartmut Neven。 “近期处理器上的量子神经网络分类”（2018 年）。网址：doi.org/10.48550/arXiv.1802.06002。
https://doi.org/10.48550/arXiv.1802.06002

[8] 我是 Kerenidis、J Landman 和 A Prakash。 “深度卷积神经网络的量子算法”。第八届国际学习表示会议 ICLR (2019)。
https://doi.org/10.48550/arXiv.1911.01117

[9] J Allcock、CY Hsieh、I Kerenidis 和 S Zhang。 “前馈神经网络的量子算法”。 ACM 量子计算交易 1 (1), 1-24 (2020)。
https：/ / doi.org/10.1145/ 3411466

[10] Iris Cong、Soonwon Choi 和 Mikhail D. Lukin。 “量子卷积神经网络”。自然物理学 15 (2019)。
https://doi.org/10.1038/s41567-019-0648-8

[11] 赫克托·伊万·加西亚-埃尔南德斯、雷蒙多·托雷斯-鲁伊斯和孙国华。 “通过量子机器学习进行图像分类”（2020 年）。网址：doi.org/10.48550/arXiv.2011.02831。
https://doi.org/10.48550/arXiv.2011.02831

[12] Saurabh Kumar、Siddharth Dangwal 和 Debanjan Bhowmik。 “使用具有“超级压缩编码”的修饰量子网络进行监督学习：算法和基于量子硬件的实现”（2020 年）。网址：doi.org/10.48550/arXiv.2007.10242。
https://doi.org/10.48550/arXiv.2007.10242

[13] 中路康平和山本直树。 “用于增强数据分类的量子半监督生成对抗网络”（2020 年）。网址：doi.org/10.1038/s41598-021-98933-6。
https://doi.org/10.1038/s41598-021-98933-6

[14] 威廉·卡佩莱蒂、丽贝卡·埃尔班尼和华金·凯勒。 “多元量子分类器”（2020 年）。网址：doi.org/10.48550/arXiv.2007.14044。
https://doi.org/10.48550/arXiv.2007.14044

[15] Vojtech Havlicek、Antonio D. Córcoles、Kristan Temme、Aram W. Harrow、Abhinav Kandala、Jerry M. Chow 和 Jay M. Gambetta。 “使用量子增强特征空间进行监督学习”（2018 年）。网址：doi.org/10.1038/s41586-019-0980-2。
https://doi.org/10.1038/s41586-019-0980-2

[16] Edward Grant、Marcello Benedetti、Shuxiang Cao、Andrew Hallam、Joshua Lockhart、Vid Stojevic、Andrew G. Green 和 Simone Severini。 “分层量子分类器”（2018 年）。网址：doi.org/10.1038/s41534-018-0116-9。
https://doi.org/10.1038/s41534-018-0116-9

[17] Bobak Toussi Kiani、Agnes Villanyi 和 Seth Lloyd。 “量子医学成像算法”（2020 年）。网址：doi.org/10.48550/arXiv.2004.02036。
https://doi.org/10.48550/arXiv.2004.02036

[18] Marco Cerezo、Andrew Arrasmith、Ryan Babbush、Simon C Benjamin、Suguru Endo、Keisuke Fujii、Jarrod R McClean、Kosuke Mitarai、Xiao Yuan、Lukasz Cincio 等。 “变分量子算法”（2020 年）。网址：doi.org/10.1038/s42254-021-00348-9。
https://doi.org/10.1038/s42254-021-00348-9

[19] Kishor Bharti、Alba Cervera-Lierta、Thi Ha Kyaw、Tobias Haug、Sumner Alperin-Lea、Abhinav Anand、Matthias Degroote、Hermanni Heimonen、Jakob S Kottmann、Tim Menke 等。 “嘈杂的中级量子算法”。现代物理学评论 94, 015004 (2022)。网址：doi.org/10.1103/RevModPhys.94.015004。
https：/ / doi.org/ 10.1103 / RevModPhys.94.015004

[20] Monique Noirhomme-Fraiture 和 Paula Brito。 “远远超越经典数据模型：符号数据分析”。统计分析和数据挖掘：ASA 数据科学杂志 4, 157–170 (2011)。网址：doi.org/ 10.1002/ sam.10112。
https:// / doi.org/ 10.1002/ sam.10112

[21] Adrián Pérez-Salinas、Alba Cervera-Lierta、Elies Gil-Fuster 和 José I Latorre。 “通用量子分类器的数据重新上传”。量子 4, 226 (2020)。网址：doi.org/10.22331/q-2020-02-06-226。
https://doi.org/10.22331/q-2020-02-06-226

[22] 御手洗康介、根吾郎真琴、北川雅博和藤井启介。 “量子电路学习”。物理评论 A 98, 032309 (2018)。
https：/ / doi.org/ 10.1103 / PhysRevA.98.032309

[23] Maria Schuld、Ville Bergholm、Christian Gogolin、Josh Izaac 和 Nathan Killoran。 “评估量子硬件上的解析梯度”。物理评论 A 99, 032331 (2019)。
https：/ / doi.org/ 10.1103 / PhysRevA.99.032331

[24] 玛丽亚·舒尔德和弗朗切斯科·彼得鲁乔内。 “作为核方法的量子模型”。在使用量子计算机进行机器学习中。第 217-245 页。施普林格 (2021)。

[25] Maria Schuld、Ryan Sweke 和 Johannes Jakob Meyer。 “数据编码对变分量子机器学习模型表达能力的影响”。物理评论 A 103, 032430 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevA.103.032430

[26] Iris Cong、Soonwon Choi 和 Mikhail D Lukin。 “量子卷积神经网络”。自然物理学 15, 1273–1278 (2019)。

[27] Jarrod R McClean、Sergio Boixo、Vadim N Smelyanskiy、Ryan Babbush 和 Hartmut Neven。 “量子神经网络训练景观中的贫瘠高原”。自然通讯 9, 1–6 (2018)。网址：doi.org/10.1038/s41467-018-07090-4。
https://doi.org/10.1038/s41467-018-07090-4

[28] Carlos Ortiz Marrero、Mária Kieferová 和 Nathan Wiebe。 “纠缠引起的贫瘠高原”。 PRX 量子 2, 040316 (2021)。网址：doi.org/10.1103/PRXQuantum.2.040316。
https：/ / doi.org/ 10.1103 / PRXQuantum.2.040316

[29] Marco Cerezo、Akira Sone、Tyler Volkoff、Lukasz Cincio 和 Patrick J Coles。 “浅参数化量子电路中成本函数相关的贫瘠高原”。自然通讯 12, 1–12 (2021)。网址：doi.org/10.1038/s41467-021-21728-w。
https：/ / doi.org/ 10.1038 / s41467-021-21728-w

[30] Kunal Sharma、Marco Cerezo、Lukasz Cincio 和 Patrick J Coles。 “基于耗散感知器的量子神经网络的可训练性”。物理评论快报 128, 180505 (2022)。网址：doi.org/10.1103/PhysRevLett.128.180505。
https：/ / doi.org/ 10.1103 / PhysRevLett.128.180505

[31] S Johri、S Debnath、A Mocherla、A Singh、A Prakash、J Kim 和 I Kerenidis。 “俘获离子量子计算机上的最近质心分类”（2021 年）。

[32] Kui Jia、Shuai Li、Yuxin Wen、Tongliang Liu 和 Dacheng Tao。 “正交深度神经网络”。 IEEE 交易模式分析和机器智能 (2019)。
https：/ / doi.org/ 10.1109 / TPAMI.2019.2948352

[33] Jiayun Wang、Yubei Chen、Rudrasis Chakraborty 和 Stella X Yu。 “正交卷积神经网络”。在 IEEE/ CVF 计算机视觉和模式识别会议记录中。第 11505-11515 页。（2020）。
https://doi.org/10.1109/CVPR42600.2020.01152

[34] Nitin Bansal、Xiaohan Chen 和 Zhangyang Wang。 “我们能否在训练深度网络时从正交正则化中获得更多收益？”。神经信息处理系统的进展 31 (2018)。
https：/ / doi.org/10.5555/ 3327144.3327339

[35] Xiaohua Zhai、Alexander Kolesnikov、Neil Houlsby 和 Lucas Beyer。 “缩放视觉转换器”（2021 年）。

[36] Iordanis Kerenidis 和 Anupam Prakash。 “具有子空间状态的量子机器学习”（2022 年）。网址：doi.org/10.48550/arXiv.2202.00054。
https://doi.org/10.48550/arXiv.2202.00054

[37] Sergi Ramos-Calderer、Adrián Pérez-Salinas、Diego García-Martín、Carlos Bravo-Prieto、Jorge Cortada、Jordi Planagumà 和 José I. Latorre。 “期权定价的量子一元方法”（2019 年）。
https：/ / doi.org/ 10.1103 / PhysRevA.103.032414

[38] Nikodem Grzesiak、Reinhold Blümel、Kenneth Wright、Kristin M. Beck、Neal C. Pisenti、Ming Li、Vandiver Chaplin、Jason M. Amini、Shantanu Debnath、Jwo-Sy Chen 和 Yunseong Nam。 “俘获离子量子计算机上的高效任意同时纠缠门”。 Nat Commun，11 (2020)。
https://doi.org/10.1038/s41467-020-16790-9

[39] Alexander Zlokapa、Hartmut Neven 和 Seth Lloyd。 “一种用于训练广度和深度经典神经网络的量子算法”（2021 年）。网址：doi.org/10.48550/arXiv.2107.09200。
https://doi.org/10.48550/arXiv.2107.09200

[40] Mario Lezcano-Casado 和 David Martınez-Rubio。 “神经网络中的廉价正交约束：正交和酉群的简单参数化”。在机器学习国际会议上。第 3794–3803 页。 PMLR（2019）。网址：doi.org/10.48550/arXiv.1901.08428。
https://doi.org/10.48550/arXiv.1901.08428

[41] Moshe Leshno、Vladimir Ya Lin、Allan Pinkus 和 Shimon Schocken。 “具有非多项式激活函数的多层前馈网络可以逼近任何函数”。神经网络 6, 861–867 (1993)。
https://doi.org/10.1016/S0893-6080(05)80131-5

[42] 罗伯特·赫克特-尼尔森。 “反向传播神经网络理论”。在用于感知的神经网络中。第 65-93 页。爱思唯尔 (1992)。
https:// / doi.org/ 10.1109/ IJCNN.1989.118638

[43] 劳尔·罗哈斯。 “反向传播算法”。在神经网络中。第 149-182 页。施普林格 (1996)。
https://doi.org/10.1007/978-3-642-61068-4_7

[44] 杨建成、施瑞和倪冰冰。 “Medmnist 分类十项全能：医学图像分析的轻量级 automl 基准”（2020 年）。
https://doi.org/10.1109/ISBI48211.2021.9434062

[45] Daniel S. Kermany、Michael Goldbaum 等人。 “通过基于图像的深度学习识别医学诊断和可治疗的疾病”。细胞，卷。 172，没有。 5，第 1122 – 1131.e9 页，（2018 年）。
https:// / doi.org/ 10.1016/ j.cell.2018.02.010

[46] 张平、宾生。 “Deepdr 糖尿病视网膜病变图像数据集（deepdrid），“第二届糖尿病视网膜病变——分级和图像质量评估挑战赛”。 https://isbi.deepdr.org/data.html（2 年）。
https:// / isbi.deepdr.org/ data.html~

[47] Hyeonwoo Noh、Tackgeun You、Jonghwan Mun 和 Bohyung Han。 “通过噪声规范深度神经网络：其解释和优化”。神经网络 (2017)。
https：/ / doi.org/10.5555/ 3295222.3295264

[48] 雪莹。 “过度拟合及其解决方案概述”。在物理学杂志：会议系列。第 1168 卷，第 022022 页。IOP 出版社（2019 年）。
https://doi.org/10.1088/1742-6596/1168/2/022022

[49] El Amine Cherrat、Iordanis Kerenidis、Natansh Mathur、Jonas Landman、Martin Strahm 和 Yun Yvonna Li。 “量子视觉变形金刚”（2022 年）。

[50] 斯科特·阿伦森。 “阅读细则”。自然物理学 11, 291–293 (2015)。
https：/ / doi.org/ 10.1038 / nphys3272

[51] 迈克尔·A·尼尔森。 “神经网络和深度学习”。测定出版社 (2015)。