🤖 AI

Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers

Este artículo propone un modelo de red neuronal cuántica que integra circuitos de re-carga de datos con incrustación de Hamiltoniano cuántico, demostrando un rendimiento superior sobre las redes neuronales convolucionales cuánticas en conjuntos de datos de imágenes y estableciendo seis principios de diseño para el aprendizaje automático cuántico basados en heurísticas del aprendizaje profundo clásico.

Autores originales: Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

Publicado 2026-07-28

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot a reconocer imágenes, como distinguir un gato de un perro. Durante décadas, hemos utilizado computadoras "clásicas" para hacer esto, construyéndolas como fábricas gigantes y complejas donde los datos fluyen a través de muchas capas de procesamiento. Pero ahora, los científicos se preguntan: ¿qué pasaría si utilizáramos las reglas extrañas y mágicas de la física cuántica para construir un robot más inteligente y rápido? Este campo se llama Aprendizaje Automático Cuántico. La gran pregunta ya no es solo sobre la velocidad; se trata de cómo introducir las imágenes en una computadora cuántica. En el mundo clásico, puedes simplemente volcar una foto en la memoria. Pero en el mundo cuántico, tienes que traducir esa foto a un "lenguaje cuántico" especial (llamado incrustación o embedding) sin perder la forma o el significado de la imagen. Si la traduces mal, el robot se confunde. Este artículo aborda ese problema de traducción, preguntándose si simplemente deberíamos copiar y pegar viejos trucos de la computación en el mundo cuántico o inventar una nueva forma que respete la naturaleza única de la física cuántica.

Los autores de este artículo, un equipo de la Universidad de Melbourne y la UNSW de Sídney, decidieron dejar de intentar forzar los trucos de la computación clásica en las máquinas cuánticas. En su lugar, observaron cómo funciona el aprendizaje profundo clásico con éxito e intentaron trasladar esos "presentimientos" (heurísticas) al reino cuántico. Construyeron un nuevo tipo de clasificador cuántico, un modelo diseñado para clasificar imágenes, utilizando dos ingredientes principales: un circuito de "reincorporación de datos" (data reuploading) —que significa introducir la información de la imagen en la computadora cuántica varias veces, como leer un libro dos veces para entenderlo mejor— y una "Incrustación de Hamiltoniano Cuántico". Piensa en la incrustación de Hamiltoniano como una lente especial que convierte toda la imagen en una única y compleja "receta cuántica" (una matriz) en lugar de simplemente convertir cada píxel en un simple ajuste de dial. Esto permite que la computadora cuántica procese la forma de toda la imagen a la vez, en lugar de aplanarla en una línea desordenada de datos.

Cuando probaron su nuevo modelo en conjuntos de datos de imágenes famosos como MNIST (números escritos a mano) y FashionMNIST (artículos de ropa), los resultados fueron sorprendentemente sólidos. En estas simulaciones, su nuevo modelo aplastó al anterior "estándar de oro" de los modelos cuánticos, conocido como Red Neuronal Convolucional Cuántica (QCNN). En el conjunto de prueba MNIST, su modelo logró una precisión de casi el 90%, comparado con el 47% aproximadamente del modelo base, lo que representa una mejora absoluta de más de 40 puntos porcentuales. Incluso en el conjunto de datos más complejo, FashionMNIST, se mantuvo firme, superando significativamente al modelo base. Los autores no se detuvieron solo en los números; utilizaron estos resultados para proponer seis nuevas "reglas de ruta" para diseñar futuros modelos de aprendizaje automático cuántico. Sugieren que no deberíamos obsesionarnos con hacer las cosas más rápidas de inmediato, sino que debemos centrarnos en mantener la forma natural de los datos (como la cuadrícula 2D de una foto), realizar la menor cantidad posible de "pre-cocción" en computadoras clásicas y evitar métodos que accidentalmente engañen al modelo con malos sesgos. Esencialmente, argumentan que para que las computadoras cuánticas sean buenas en la IA, necesitamos dejar de intentar que actúen como computadoras clásicas y empezar a dejar que actúen como computadoras cuánticas, utilizando la matemática única de la física cuántica para realizar el trabajo pesado.

Resumen Técnico: Embebimiento de Hamiltoniano Cuántico de Imágenes para Clasificadores de Recarga de Datos

Planteamiento del Problema
La aplicación de la computación cuántica al aprendizaje automático (QML) se ha centrado tradicionalmente en lograr una ventaja cuántica mediante aceleraciones en el tiempo de ejecución, a menudo mediante la "cuantización" de algoritmos clásicos (por ejemplo, utilizando álgebra lineal cuántica para subrutinas como qPCA). Sin embargo, el discurso reciente cuestiona si la aceleración es el objetivo óptimo para el QML, sugiriendo que las propiedades cuánticas únicas o las heurísticas del aprendizaje profundo clásico deberían guiar el diseño de los modelos. Un desafío específico surge en la clasificación de imágenes: el aprendizaje profundo clásico depende en gran medida de la localidad de la información y la invarianza de traslación (por ejemplo, CNNs, Vision Transformers). Los enfoques de QML existentes para imágenes suelen tener dificultades con datos de alta dimensionalidad, requiriendo frecuentemente preprocesamiento clásico (reducción de dimensionalidad mediante PCA o redes preentrenadas) o utilizando métodos de embebimiento (como el embebimiento de ángulo o de amplitud) que pueden introducir sesgos no deseados o fallar en preservar la estructura bidimensional intrínseca de los datos de imagen.

Metodología
Los autores proponen un clasificador de Redes Neuronales Cuánticas (QNN) que integra la arquitectura de circuito de Recarga de Datos (Data Reuploading) con un método de Embebimiento de Hamiltoniano Cuántico.

Embebimiento de Imagen por Hamiltoniano: En lugar de aplanar las imágenes o codificar los valores de los píxeles como ángulos de rotación (embebimiento de ángulo), el modelo trata la matriz de la imagen en escala de grises $M$ como un operador hermítico. La imagen se "hermitiza" primero ( $H_M = (M + M^T)/2$ ) y luego se codifica en el estado cuántico mediante el operador de evolución temporal unitaria $W(t; M) = e^{-iH_M t/2}$ , donde $t$ es un parámetro entrenable. Este enfoque preserva la estructura 2D de la imagen y aplica una no linealidad de polinomio de matriz a todo el nivel de la imagen, evitando el sesgo asociado con las funciones trigonométricas periódicas del embebimiento de ángulo.
Recarga de Datos: El modelo utiliza un circuito variacional donde la unitaria de codificación de datos ( $W$ ) y una capa parametrizada ( $V$ ) se repiten $L$ veces. El estado se prepara como $|\phi(t, \vec{\omega}; M)\rangle = \prod_{i=1}^L [V(\omega_i)W(t_i; M)] |+\rangle^{\otimes n}$ . Esto imita la reutilización de los datos de entrada en las redes profundas clásicas, permitiendo que el modelo aprenda funciones complejas a través de interacciones repetidas entre los datos y los parámetros entrenables.
Arquitectura: Las capas parametrizadas $V$ consisten en compuertas unitarias $SU(4)$ dispuestas en una configuración de pared de ladrillos (brick-wall layout) (o $SU(N)$ para un mayor número de cúbits). La clasificación se realiza mediante la medición de operadores de proyección correspondientes a las etiquetas de clase, con el entrenamiento optimizado mediante pérdida de entropía cruzada.

Contribuciones Clave

Construcción del Modelo: El artículo construye un nuevo clasificador de QML que combina el embebimiento de Hamiltoniano con el paradigma de recarga de datos.
Evaluación de Rendimiento: Los autores demuestran, mediante experimentos numéricos, que este modelo supera significativamente al modelo base de Red Neuronal Convolucional Cuántica (QCNN) en tareas de clasificación de imágenes.
Principios de Diseño: Basándose en el diseño de su modelo y en sus resultados empíricos, los autores proponen seis principios rectores para el diseño de futuros modelos de QML, desplazando el enfoque de la pura aceleración hacia las heurísticas arquitectónicas y las estructuras intrínsecas de los datos.

Resultados Experimentales
El modelo fue evaluado en cuatro conjuntos de datos: Imágenes Médicas CT de Kaggle, un subconjunto del conjunto de datos Digits de Sklearn, y subconjuntos de MNIST y FashionMNIST.

Ganancias de Rendimiento: El modelo propuesto "HamEmb" superó consistentemente al modelo base QCNN (que utiliza embebimiento de amplitud y entradas aplanadas).
- En el conjunto de prueba de MNIST (8 clases), el modelo HamEmb logró una precisión del 89.72% frente al 47.03% del QCNN, un margen de más del 40%.
- En el conjunto de prueba de FashionMNIST, HamEmb logró un 77.77% de precisión frente al 42.90% del QCNN.
- En el conjunto de datos Sklearn Digits, HamEmb alcanzó un 94.40% de precisión frente al 78.95% del QCNN.
Robustez: El modelo HamEmb mostró un rendimiento consistente a través de 20 (para conjuntos de datos más pequeños) o 5 (para conjuntos de datos más grandes) diferentes inicializaciones de parámetros aleatorios, mientras que el rendimiento del QCNN fue más variable y generalmente inferior.
Observaciones de Escalabilidad: Aunque el modelo funcionó bien, los autores notaron una caída en el rendimiento al pasar de MNIST a la más compleja FashionMNIST. Atribuyen esto al codificación global del modelo (tratar toda la imagen como un solo Hamiltoniano), que puede carecer de las capacidades de extracción de características locales de grano fino de los kernels convolucionales más pequeños o de los enfoques basados en parches.

Significado y Reivindicaciones
El artículo afirma que su principal contribución no es una aceleración de tiempo sobre los métodos clásicos, sino una demostración de que las heurísticas y el conocimiento empírico del aprendizaje profundo clásico pueden integrarse con éxito en el QML para mejorar el rendimiento.

Los autores argumentan que:

La aceleración no es la métrica principal: El diseño de modelos de QML debe priorizar primero las métricas de rendimiento (como la precisión) y la alineación estructural con los datos, en lugar de buscar aceleraciones cuánticas.
La estructura de los datos importa: Preservar la estructura intrínseca de los datos (por ejemplo, la estructura espacial 2D de las imágenes) mediante el embebimiento de Hamiltoniano es superior a los métodos que aplanan los datos o introducen sesgos periódicos.
Minimizar el preprocesamiento clásico: El modelo evita delegar la extracción de características a arquitecturas de soporte clásicas (como ResNet), permitiendo que el circuito cuántico procese directamente los datos crudos (o mínimamente procesados).
Fuentes de No Linealidad: El modelo aprovecha la no linealidad inherente a la evolución temporal de un Hamiltoniano cuántico (a través de la expansión de Taylor del mapa exponencial) en lugar de depender únicamente de la no linealidad inducida por la medición o de las funciones de activación clásicas.
Evitar Sesgos No Deseados: Al evitar el embebimiento de ángulo, el modelo elude el sesgo hacia fronteras de decisión formadas por funciones periódicas.

En última instancia, el artículo postula que estos seis principios —que van desde "Menos Enfoque Inicial en Aceleraciones" hasta "Tener Cuidado con el Sesgo No Deseado"— proporcionan un marco para diseñar redes neuronales cuánticas más efectivas que respeten tanto la naturaleza de los datos como las restricciones del hardware cuántico actual.

Más como este