利用量子神经网络对考古文物进行图像分类

《Digital Applications in Archaeology and Cultural Heritage》:Image classification of archaeological artifacts using quantum neural networks

【字体: 大 中 小 】 时间:2026年05月12日 来源:Digital Applications in Archaeology and Cultural Heritage CS4.1

编辑推荐:

  布鲁诺·克莱门特·金戈(Bruno Clemente Guingo)|莱安德罗·卡洛斯·德索萨(Leandro Carlos de Souza)|爱德华多·克伦普瑟·达席尔瓦(Eduardo Krempser da Silva)|丹妮拉·西斯内罗斯(Daniela Cisneir

  
布鲁诺·克莱门特·金戈(Bruno Clemente Guingo)|莱安德罗·卡洛斯·德索萨(Leandro Carlos de Souza)|爱德华多·克伦普瑟·达席尔瓦(Eduardo Krempser da Silva)|丹妮拉·西斯内罗斯(Daniela Cisneiros)|雷纳托·葡萄牙(Renato Portugal)
巴西里约热内卢州佩特罗波利斯市国家科学计算实验室,邮编25651-075

摘要

考古文物文档的分类是保护和理解文化遗产的关键任务。传统的神经网络,尤其是卷积神经网络(CNN),通过捕捉图像中的空间和上下文信息,在图像分类任务中表现出色。然而,量子机器学习的最新进展为探索量子计算在这一领域的潜在优势提供了机会。在这项工作中,我们使用量子神经网络对Fumdham收藏的考古文物图像进行分类(1918张图像,分为四类:玻璃、陶器、细陶和石器)。我们使用了两种模型:一种是用于二分类的单量子比特模型,另一种是用于多分类的双量子比特模型,两者都采用了参数化的神经元,并针对近期可用的量子计算机和浅层电路进行了优化。与CNN相比,两种方法都取得了良好的准确率,但CNN略具优势。不过,量子网络的训练速度更快,且所需的参数更少。

引言

考古文物的记录和分类对于保护和理解文化遗产至关重要。从事考古研究的机构通常管理着大量的图像收藏,包括绘图、影片和照片记录。基于这些文物的形态和材料特征进行手动组织和类型学分类是一个耗时的过程,需要自动化来提高效率和一致性(Ling等人,2024年)。
传统的神经网络,尤其是卷积神经网络(CNN),通过从原始数据中自动学习层次特征,在图像分类任务中证明了其有效性(Krizhevsky等人,2017年;Gu等人,2018年)。CNN已成功应用于考古领域,通过分析图案、纹理和形状来协助文物识别和编目(Chetouani等人,2018年;Resler等人,2021年;Kuntitan和Chaowalit,2022a年)。尽管取得了成功,但这些模型通常需要大量的计算资源和大量的参数,这可能限制了它们在资源有限环境中的应用。
量子机器学习(QML)通过利用量子力学原理(如叠加和纠缠)来处理信息,成为一种有前景的替代方案(Jacob等人,2017年;Liu等人,2024年)。QML算法旨在提高高维数据分析和复杂优化的性能,为图像识别和模式分类等任务提供新的方法(Peral-García等人,2024年;Wang和Liu,2024年)。虽然当前的量子计算机仍处于噪声中等规模量子(NISQ)时代,并面临显著的硬件限制,但本研究侧重于使用模拟器和针对这一环境优化的算法(浅层电路、少量量子比特)的概念验证。随着硬件的成熟和普及,量子算法在特定任务上的固有并行性和效率可能会带来变革。本研究在一个实际领域探讨了这种潜力,尽管大规模、便携式的量子计算仍是一个未来的前景。
在这项研究中,我们探讨了QNN在考古文物图像分类中的应用。我们使用了一个精心策划的数据集,其中包含来自Funda??o Museu do Homem Americano(Fumdham)收藏的1918张数字照片,这些照片是在圣弗朗西斯科河与东北部水文盆地整合项目(PISF)相关的预防性考古计划期间拍摄的。这个巴西水利基础设施项目从圣弗朗西斯科河取水,并将其输送到塞阿拉州、帕拉伊巴州、伯南布哥州和北里奥格兰德州等半干旱地区。该数据集提供了根据材料组成分为四类的文物标记示例:玻璃、陶瓷、细陶和石器。
我们使用了两种QNN模型:一种是参考文献(Souza等人,2024年)中提出的单量子比特模型,用于二分类;另一种是新的双量子比特模型,能够进行四分类,并有潜力扩展到多分类任务。这两种模型都针对近期可用的量子计算机进行了优化,使用了浅层电路和参数化的神经元。我们将它们的性能与传统的CNN进行了比较。尽管CNN的准确率略高,但QNN的训练速度更快,所需的参数也少得多。
本文的其余部分组织如下:第2节提供了关于传统和量子图像分类方法的背景和相关工作。第3节介绍了基于单量子比特的量子神经网络模型,并介绍了使用两个量子比特的第二个模型。第4节描述了数据集、预处理流程、实验方法和用于QNN和CNN模型的评估设置。第5节评估了单量子比特QNN在二分类方面的性能,第6节讨论了使用双量子比特模型的四分类。第7节报告了所提出的QNN模型与传统CNN之间的比较。最后,第8节讨论了结果并概述了未来的研究方向。

章节片段

背景和相关工作

本节将本工作置于更广泛的关于传统和量子图像分类方法的讨论背景下,特别是在考古学领域。

量子神经网络模型

量子神经网络仍然是一个相对较新的概念。本节采用了一个基于单量子比特的特定模型(参考文献:Souza等人,2024年),并介绍了使用两个量子比特的第二个模型。该方法旨在可扩展,允许通过增加量子比特数量来处理多分类任务。选择第一个模型是因为它在各种标准数据集(包括图像分类)中的二分类任务中表现出稳健的性能。

方法论

本节描述了用于QNN和CNN模型的数据集、预处理流程、实验方法和评估设置。

使用单量子比特QNN进行二分类

本节展示了SQQNN模型在岩画图像数据集上的应用结果,强调了其在分类方面的有效性和多功能性。为了评估模型的性能,使用了多种指标,包括准确率、精确度、敏感性、特异性和F1分数。此外,还进行了10折交叉验证,以确保对模型泛化能力的稳健评估。
结果是在K = 1、K = 2和K = 3的情况下获得的,其中K代表

使用双量子比特QNN进行四分类

在使用双量子神经网络模型的研究中,使用了相同的图像集,该网络现在处于多分类模式,即对四个图像类别进行分类。表19展示了使用K = 1进行四分类的结果。
分析表19的数据时,可以观察到随着向量大小的增加,评估指标(准确率、精确度、敏感性、特异性和F1分数)呈现出一致的增长

与CNN的比较

本节提供了所提出的QNN模型与传统CNN之间的全面比较。主要比较基于四分类任务,因为这是本研究的主要目标。

最终观察

本研究探讨了量子神经网络(QNN)在考古文物图像分类中的应用,并将其性能与传统的卷积神经网络(CNN)进行了比较。结果显示,虽然CNN的准确率略高(89%),但量子模型在训练速度上具有显著优势,只需几秒钟即可完成任务,而CNN则需要大约2小时。此外,QNN所需的参数也少得多

CRediT作者贡献声明

布鲁诺·克莱门特·金戈(Bruno Clemente Guingo):撰写——审阅与编辑,撰写——初稿,验证,概念化。莱安德罗·卡洛斯·德索萨(Leandro Carlos de Souza):撰写——审阅与编辑。爱德华多·克伦普瑟·达席尔瓦(Eduardo Krempser da Silva):验证。丹妮拉·西斯内罗斯(Daniela Cisneiros):方法论。雷纳托·葡萄牙(Renato Portugal):撰写——审阅与编辑,撰写——初稿,监督,概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

我们感谢Fumdham提供岩画图像数据集。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号