Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

ハイブリッド量子ニューラルネットワーク (HQNN)

タグ: algorithm machine-learning variational

このチュートリアルでは、古典ニューラルネットワーク層と量子変分回路層を組み合わせたハイブリッド量子ニューラルネットワーク (HQNN) を Fashion-MNIST データセットで構築します。量子層は Qamomile の @qkernel API で定義し、パラメータシフトルールを用いて PyTorch の学習パイプラインに統合します。

アーキテクチャ

CNN 特徴抽出器・量子層・fusion 分類器の全体を、最初から end-to-end で学習します:

入力画像 → CNN → π·σ(·) → 量子層 → [CNN特徴, 量子出力] → 分類器 → 出力

ここで π⋅σ(⋅)\pi \cdot \sigma(\cdot) は要素ごとの sigmoid スケーリングを表します。CNN の出力を sigmoid 関数 σ\sigma に通し π\pi を掛けることで、各特徴量を区間 (0,π)(0, \pi) に写します。これにより量子層に入力する回転角が有界となり、wrap-around による学習の不安定化を防ぎます。

分類器に古典 CNN 特徴と量子期待値の両方を入力する fusion 構造により、CNN と量子層が最初から協調して学習できます。

インポートとセットアップ

量子ビット数: 4, 層数: 2, 学習パラメータ数: 24

qkernel [source] で変分アンザッツを定義

Qamomile の @qkernel デコレータを使ってパラメータ付き量子回路を定義します。回路は以下の構成です:

  1. 角度エンコーディング: 各入力特徴量を対応する量子ビットの RY 回転として埋め込みます。

  2. 変分層: stdlib の層関数を使い、各層で RZ-RY-RZ 回転を適用し、その後 CZ エンタングルメントラダーを実行します。

回路は与えられたオブザーバブルの期待値 ⟨H⟩\langle H \rangle を計算します。

回路構造を可視化してみましょう。inline=False により stdlib の層関数がコンパクトなボックスとして表示されます:

<Figure size 3115.5x336 with 1 Axes>

トランスパイルとリソース推定

各量子ビットのオブザーバブル (⟨Zi⟩\langle Z_i \rangle) を定義し、それぞれに対する executable を作成します。 Qiskit の estimator は回路と同じ量子ビット数のオブザーバブルを要求するため、 Hamiltonian(num_qubits=...) で回路幅に合わせてパディングします。 estimate_resources() を使い、エンジン回路に直接アクセスせずにゲート数を確認できます。

ResourceEstimate(width=WidthResources(input_qubits=0, allocated_qubits=4, clean_ancilla_qubits=0, dirty_ancilla_qubits=0, peak_qubits=4), gates=GateResources(total=34, single_qubit=28, two_qubit=6, multi_qubit=0, clifford=6, rotation=28, t=0, toffoli=0, non_clifford=28), depth=DepthResources(depth=14, clifford_depth=6, rotation_depth=7, t_depth=0, toffoli_depth=0, non_clifford_depth=7, measurement_depth=1, gate_depth=13, reset_depth=0), calls=CallResources(calls_by_name={'expval': 1}, queries_by_name={'expval': 1}), assumptions=(ResourceAssumption(message='sequential loop-body depth may over-serialize active iterations whose per-wire completion layers cannot be composed exactly', source='for'), ResourceAssumption(message='expectation-value gate and shot costs depend on observable grouping, basis rotations, and executor sampling policy', source='ExpvalOp'), ResourceAssumption(message='aggregate latency may over-serialize a later wire dependency and therefore overestimate depth', source='dependency scheduler')), trace=None, parameters={'inputs_dim0': inputs_dim0, 'weights_dim0': weights_dim0}, derivation=<EstimateDerivation.MODELED: 'modeled'>, quality=<EstimateQuality.UNKNOWN: 'unknown'>, approximation=<ApproximationStatus.EXACT: 'exact'>, control_decomposition=<ControlDecomposition.CLEAN_ANCILLA_TOFFOLI: 'clean_ancilla_toffoli'>, measurements=MeasurementResources(total=0), resets=ResetResources(total=0))

量子フォワードパス

フォワードパスでは、回路パラメータに具体的な値をバインドし、Qamomile の executor を使って各量子ビットの ⟨Zi⟩\langle Z_i \rangle を評価します。

期待値: [-0.70960489  0.61071606  0.43586927  0.42650987]

パラメータシフトルールによる勾配計算

PyTorch の autograd で量子層を学習するには、すべてのパラメータに関する期待値の勾配が必要です。e−iθG/2e^{-i\theta G/2} 形式のゲートに対して、パラメータシフトルールは厳密な勾配公式を与えます:

∂∂θk⟨Zi⟩=12[⟨Zi⟩∣θk+π/2−⟨Zi⟩∣θk−π/2]\frac{\partial}{\partial \theta_k} \langle Z_i \rangle = \frac{1}{2} \Big[ \langle Z_i \rangle\big|_{\theta_k + \pi/2} - \langle Z_i \rangle\big|_{\theta_k - \pi/2} \Big]

これをカスタム torch.autograd.Function として実装し、PyTorch が量子層を通じて誤差逆伝播できるようにします。メモリ効率のため、パラメータのシフトはインプレースで行います。

量子層を PyTorch モジュールとして定義

autograd 関数を標準的な nn.Module でラップし、他の層と組み合わせられるようにします。

データの準備 (Fashion-MNIST)

Fashion-MNIST データセットから4つの視覚的に異なるクラスのサブセットを使用します。Fashion-MNIST は 28x28 のグレースケール衣類画像で構成されるデータセットです。

計算時間を抑えるため、4クラス(T-shirt、Trouser、Sandal、Bag)を選択し、各クラス60枚の訓練データ、30枚のテストデータを使用します。

訓練データ: torch.Size([240, 1, 28, 28]), テストデータ: torch.Size([120, 1, 28, 28])
クラス: ['T-shirt', 'Trouser', 'Sandal', 'Bag']

End-to-End ハイブリッドモデル

ハイブリッドモデル全体を最初から end-to-end で学習します。CNN 特徴抽出器と量子層が協調学習します。損失関数から分類器、量子層(パラメータシフトルール経由)、CNN へと勾配が流れます。

入力画像 → [CNN 特徴抽出器] → π·σ(·) → [量子層] → [CNN特徴, 量子出力] → [分類器] → 出力
  • Sigmoid スケーリング: π⋅σ(⋅)\pi \cdot \sigma(\cdot) で CNN 出力を (0,π)(0, \pi) に写し、角度の wrap-around を抑える。

  • Fusion 分類器: [CNN特徴, 量子出力] を結合し、古典と量子の両方の表現を分類器に入力。

=== End-to-End 学習 (10 エポック) ===
  エポック 1/10  損失=1.3356  テスト精度=55.83%
  エポック 2/10  損失=0.9415  テスト精度=97.50%
  エポック 3/10  損失=0.6617  テスト精度=97.50%
  エポック 4/10  損失=0.5081  テスト精度=96.67%
  エポック 5/10  損失=0.4143  テスト精度=96.67%
  エポック 6/10  損失=0.3461  テスト精度=96.67%
  エポック 7/10  損失=0.3025  テスト精度=96.67%
  エポック 8/10  損失=0.2675  テスト精度=96.67%
  エポック 9/10  損失=0.2436  テスト精度=96.67%
  エポック 10/10  損失=0.2324  テスト精度=97.50%
feature_extractor first conv grad mean: 0.07927611470222473
quantum weights grad mean: 0.009609604254364967

評価

end-to-end 量子モデルの精度: 97.50%

  T-shirt: 96.67%
  Trouser: 100.00%
  Sandal: 100.00%
  Bag: 93.33%
<Figure size 1500x400 with 3 Axes>