基于 D-Wave 2X 量子推理的图像分类

我们使用量子退火 D-Wave 2X 计算机来求解 NP 难稀疏编码问题。为将稀疏编码问题的维度降低以适配量子 D-Wave 2X 硬件，我们将下采样后的 MNIST 图像通过一个瓶颈自编码器。为在该降维数据集上建立分类性能的基准，我们使用了在 TensorFlow 中实现的类 AlexNet 架构，获得了 $94.54 \pm 0.7 \%$ 的分类分数。作为对照，我们展示了相同的类 AlexNet 架构在原始 MNIST 图像上取得了接近最先进的分类性能 $(\sim 99\%)$。为获得一组用于推断降维 MNIST 数据集稀疏表示的优化特征，我们在 $47$ 个图像块随机集上进行了 imprinting，随后使用随机梯度下降的离线无监督学习算法来优化稀疏编码。我们的单层稀疏编码与类 AlexNet 深度神经网络的第一卷积层的步长和块大小相匹配，并包含 $47$ 个全连接特征，$47$ 是可嵌入 D-Wave $2$X 硬件的字典元素的最大数量。近期工作表明，最优稀疏度水平对应于与假想二阶相变相关的权衡参数的临界值，这一观察得到了 D-Wave 能量态自由能分析的支持。当由 D-Wave $2$X 推断的稀疏表示被传递给线性支持向量机时，我们获得了 $95.68\%$ 的分类分数。因此，在该问题上，我们发现单层量子推理能够优于标准深度神经网络架构。