枯渇した平坦地を越えて: 高忠実度画像分類のためのスケーラブルな量子畳み込みアーキテクチャ

要約: 量子畳み込みニューラルネットワーク（QCNN）は、量子機械学習の理論的パラダイムを提供しますが、その実用的実装はバーン・プラトー――勾配が指数関数的に消失する現象――と古典的な対応モデルと比較して経験的精度が劣ることによって深刻なボトルネックとなっています。本研究では、局所的コスト関数とハードウェア効率の高いテンソルネットワーク初期化戦略を活用した新規のQCNNアーキテクチャを提案し、バーン・プラトーを理論的に緩和できることを証明します。我々はMNISTデータセットでスケーラブルなQCNNを評価し、顕著な性能向上を示しました。勾配消失問題を解決することで、最適化されたQCNNは98.7％の分類精度を達成し、未緩和モデルにおける基準となるQCNNの52.32％の精度と比べて大幅に改善しました。さらに、パラメータ効率性の実証的証拠を提供します。等価な古典CNNと比較して、$O(\,log N\,)$ 少ない訓練可能パラメータで>95％の収束を達成します。本研究は、理論的な量子有用性と実用的応用の橋渡しを行い、ロスランドスケープの集中化に陥ることなく、量子コンピュータビジョンタスクのためのスケーラブルなフレームワークを提供します。