量子機械学習2026/8/5arXiv:2608.04379

相関特徴を最適化したCNN-QNNハイブリッドモデルによる画像分類

Image Classification Using CNN-QNN Hybrid Model with Optimized Correlated Features

CNN特徴の相関を量子ニューラルネットワーク(QNN)に適した中間値に調整することで、画像分類精度を向上させるハイブリッドモデルを提案した。

詳しい要約

1. どんなもの？

本論文は、量子ニューラルネットワーク(QNN)の入力として用いるCNN特徴量間の相関を最適化することで、画像分類精度を向上させる手法を提案している。従来の直交分解による前処理とは異なり、QNNの量子もつれ構造と整合するように意図的に相関特徴を導入する。CNN出力に相関正則化項を追加し、特徴相関行列の非対角成分を目標値に近づけることで、相関の強さを調整する。CIFAR-10、Fashion-MNIST、レーダーマイクロドップラー署名の3つの二値分類タスクで評価し、中間的な相関が精度と安定性を向上させることを示している。

2. 先行研究と比べてどこがすごい？

先行研究では、QNNの入力特徴を直交分解により無相関化する前処理が一般的であったが、本手法はこれに反し、QNNの量子もつれを活用するために相関特徴を意図的に導入する点が新しい。量子もつれは相関状態を表現できるため、古典的ニューラルネットワークにはない利点を活かす。また、数学的導出とモンテカルロシミュレーションにより最適な平均相関が0.5であることを理論的に示し、それを実験で検証している点が優れている。

3. 技術・手法の肝は？

手法の核は、CNNの出力特徴量の相関行列の非対角成分を目標定数に近づける相関正則化項を導入することである。これにより、特徴間の平均相関を調整し、QNNのエンタングルメント構造に整合させる。QNNの出力の数学的導出に基づき、平均相関0.5が最適であると仮説を立て、モンテカルロシミュレーションで確認している。量子回路自体は変更せず、CNNの学習時に正則化を加えるだけで実現できる点が簡便である。

4. どうやって有効だと検証した？

CIFAR-10（自動車vsトラック）、Fashion-MNIST（シャツvsコート）、レーダーマイクロドップラー署名（ロボット犬vs非ロボット）の3つの二値分類タスクで評価した。各データセットにおいて、相関を低・高・無調整・中間（目標0.5）の条件で比較し、中間相関が常に精度を向上させ、分類精度の分散も低減することを示した。これにより、量子回路を変更せずに特徴相関の調整が有効であることを実証した。

5. 議論はある？

要旨からは、議論の詳細は不明であるが、提案手法が量子ビット数が増えるにつれてQNNが古典的分類器を凌駕する可能性を示唆している。また、相関の最適値が0.5であることが理論とシミュレーションで示されたが、実データでの普遍性や、他のタスクや量子回路構成への一般化についてはさらなる検討が必要かもしれない。

6. 次に読むべき論文は？

要旨で参照されている先行研究は明示されていないが、関連する手法として、量子機械学習における特徴マッピングや量子カーネル法、CNNとQNNのハイブリッドモデルに関する研究が挙げられる。また、量子もつれを利用した分類タスクの理論的解析や、量子回路の表現力に関する論文が次に読むべき候補である。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Minseo Seong, Youngwook Kim

分類: cs.CV, cs.AI

原文アブストラクト

We propose a method to optimize the correlation among convolutional neural network (CNN) features that are used as inputs to quantum neural network (QNN) to enhance image classification accuracy. Unlike prior approaches that employ orthogonal decomposition as preprocessing, we intentionally introduce correlated features that are more physically compatible with QNN. This design leverages the QNN's inherent ability to exploit quantum entanglement for representing correlated states-an advantage unavailable to classical neural networks. We hypothesize that aligning feature correlations with the entanglement structure of QNN improves binary classification performance. Based on a mathematical derivation of QNN outputs, Monte Carlo simulations indicate that an average correlation between features of 0.5 yields optimal classification accuracy. To validate this finding, we evaluate a quantum-classical hybrid model on three tasks: CIFAR-10 (automobile vs. truck), Fashion-MNIST (shirt vs. coat), and radar micro-Doppler signatures (robotic dogs vs. non-robots). To regulate feature correlations, we introduce a correlation-regularization term on the outputs of the CNN, driving the off-diagonal entries of the feature correlation matrix toward a target constant. Across all datasets, inducing intermediate correlation consistently improved accuracy compared to low, high, or unregulated correlations, while also reducing classification accuracy variance. These results demonstrate that imposing moderate feature correlations-without modifying the quantum circuit-enhances classification accuracy and stability by aligning feature statistics with the QNN's entanglement structure. This study highlights the potential of QNN to surpass the performance of classical classifiers as more qubits become available.

arXivで原文を読む →arXiv概要ページ

← 論文一覧