核心概念
並列比例融合アプローチにより、スパイキングニューラルネットワークと量子ニューラルネットワークの特徴を統合し、画像分類の性能を向上させる。
要約
本研究では、画像分類タスクのために、スパイキングニューラルネットワーク(SNN)と変分量子回路(VQC)を並列に統合した新しいアーキテクチャ「並列比例融合量子スパイキングニューラルネットワーク(PPF-QSNN)」を提案した。
まず、画像ピクセルをSNNの入力層に入力し、特徴抽出を行う。同時に、画像をVQCにも入力し、量子的特徴も抽出する。その後、SNNとVQCから得られた特徴を比例的に融合し、最終的な分類結果を得る。
実験では、量子比率係数と量子ビット数の最適化を行い、PPF-QSNNがSFNNやSQNNと比べて高い分類精度と頑健性を示すことを確認した。特に、ノイズ環境下でも優れた性能を発揮することが分かった。
この並列融合アプローチは、クラシカルニューラルネットワークと量子ニューラルネットワークの特徴を効果的に組み合わせることで、画像分類の性能を大幅に向上させることができる。今後は、より複雑なタスクへの適用や、最適化手法の改善などに取り組む予定である。
統計
画像分類精度は、PPF-QSNNが97.1%、SFNNが96.5%、SQNNが94.1%であった。
ノイズ環境下でも、PPF-QSNNは他のモデルに比べて高い精度を維持した。
引用
"並列比例融合アプローチにより、スパイキングニューラルネットワークと量子ニューラルネットワークの特徴を統合し、画像分類の性能を向上させる。"
"PPF-QSNNは、ノイズ環境下でも優れた性能を発揮する。"