⚛️ quantum physics

Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

Este artículo propone un marco de Red Neuronal Cuantovulcional mejorado que utiliza la cuantización de datos flexible con memoización y una novedosa estrategia de codificación integrada para mejorar el rendimiento y la adaptabilidad, reduciendo al mismo tiempo los requisitos de recursos cuánticos en comparación con los métodos existentes.

Autores originales: Daniele Lizzio Bosco, Beatrice Portelli, Giuseppe Serra

Publicado 2026-08-21

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daniele Lizzio Bosco, Beatrice Portelli, Giuseppe Serra

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

En el mundo de la computación, que evoluciona rápidamente, está surgiendo una nueva frontera donde las leyes de la mecánica cuántica se encuentran con el arte de enseñar a las máquinas a ver. Durante décadas, la inteligencia artificial ha dependido de computadoras clásicas para procesar imágenes, reconociendo patrones en todo, desde escaneos médicos hasta fotografías de galaxias distantes. Estos sistemas, conocidos como redes neuronales, son potentes, pero están empezando a chocar contra un muro de complejidad. Entre en la computación cuántica aplicada al aprendizaje automático (quantum machine learning), un campo que busca aprovechar las propiedades extrañas e contraintuitivas de la física cuántica para resolver problemas que son demasiado difíciles para las supercomputadoras actuales. La aplicación más prometedora en este ámbito es la capacidad de procesar imágenes utilizando circuitos cuánticos, los cuales pueden potencialmente extraer características ocultas de los datos que los métodos clásicos pasan por alto. Sin embargo, persiste un obstáculo significativo: las computadoras cuánticas actuales son frágiles, ruidosas y disponen de muy pocos bloques de construcción, llamados cúbits, a su disposición. Aún no pueden manejar los cálculos masivos y complejos requeridos para procesar imágenes de alta calidad sin perder información o colapsar debido a la interferencia. Esto crea una necesidad urgente de formas más inteligentes de alimentar datos en estas delicadas máquinas, asegurando que los recursos limitados disponibles se utilicen con la máxima eficiencia.

Investigadores de la Universidad de Udine y de la Universidad de Nápoles Federico II han abordado este desafío desarrollando un nuevo método para preparar y procesar datos de imágenes para computadoras cuánticas. Su trabajo se centra en un tipo específico de red neuronal cuántica diseñada para el reconocimiento de imágenes, conocida como red neuronal quanvolucional. A diferencia de los modelos cuánticos tradicionales que intentan aprender y ajustar sus propios ajustes internos, este enfoque utiliza circuitos fijos y no entrenables que actan como filtros sofisticados. El equipo identificó dos cuellos de botella principales en el proceso estándar: la forma en que las imágenes se simplifican antes de entrar en la computadora cuántica, y la forma rígida en que los datos se traducen en estados cuánticos. Propusieron un nuevo flujo de trabajo que combina estos pasos en una única operación flexible, permitiendo que el sistema se adapte a las estrictas limitaciones del hardware actual mientras conserva más detalles de la imagen original.

La primera innovación aborda el problema de la simplificación de datos. Para ejecutarse en una computadora cuántica, una imagen debe convertirse de un rango continuo de colores y tonos a un formato que la máquina pueda entender. El método estándar implica reducir una imagen a solo dos colores, blanco y negro, un proceso llamado cuantización binaria. Si bien esto ahorra potencia de cálculo, se desecha una vasta cantidad de detalle, de forma muy similar a intentar describir una pintura usando solo un puñado de colores primarios. Los investigadores introdujeron un enfoque flexible que permite muchos más niveles de gris, preservando los matices sutiles de la imagen original. Para hacer esto práctico, utilizaron una técnica llamada memoización, que actúa como un banco de memoria inteligente. A medida que el sistema procesa la imagen, registra los resultados de cada patrón único que encuentra. Si el mismo patrón aparece de nuevo, el sistema simplemente recuerda la respuesta en lugar de recalcularla. Esta estrategia les permitió utilizar un número mucho mayor de niveles de gris, manteniendo la imagen rica en detalles, mientras reducían simultáneamente el número de veces que la computadora cuántica tenía que ejecutar sus cálculos en más del 95 por ciento para ciertos conjuntos de datos.

El segundo, y quizás más significativo, avance involucra cómo se introducen realmente los datos en el circuito cuántico. En métodos anteriores, el tamaño del parche de la imagen que se analiza dictaba el número de bloques de construcción cuánticos requeridos. Si un investigador quería analizar un parche de la imagen más grande, necesitaba un número proporcionalmente mayor de cúbits, lo que rápidamente excedía la capacidad de las máquinas disponibles. El nuevo método rompe este vínculo rígido. Al integrar la traducción de datos y los pasos de procesamiento en un solo circuito, los investigadores pueden elegir el número de cúbits independientemente del tamaño del parche de la imagen. Esto significa que pueden usar un número pequeño y manejable de cúbits para procesar parches de imagen mucho más grandes, o escalar a medida que el hardware mejore. El sistema funciona utilizando el brillo de los píxeles directamente para controlar la rotación de las puertas cuánticas, creando un puente directo y eficiente entre la imagen clásica y el procesador cuántico.

Para probar sus ideas, el equipo aplicó este nuevo modelo a dos problemas del mundo real muy diferentes. El primero consistió en clasificar imágenes de galaxias, distinguiendo entre dos tipos específicos de estructuras cósmicas. La segunda tarea fue identificar diferentes tipos de partículas subatómicas basándose en sus firmas de energía en un detector. Compararon su nuevo modelo integrado contra un programa de computadora clásica estándar y el método cuántico tradicional que utiliza codificación rotacional. Los resultados fueron claros: el nuevo modelo integrado superó consistentemente al enfoque cuántico tradicional en todos los tamaños de parche de imagen probados. En la tarea de clasificación de galaxias, alcanzó una precisión de más del 80 por ciento, superando tanto al modelo cuántico estándar como a la computadora clásica. En la tarea de detección de partículas, también venció a la computadora clásica, mientras que el modelo cuántico tradicional se quedó corto.

El estudio también reveló que la función matemática específica utilizada para traducir el brillo de los píxeles en configuraciones cuánticas importaba enormemente. Algunas funciones llevaron a resultados estables y de alto rendimiento, mientras que otras causaron que el sistema se volviera errático e inestable. Esto sugiere que la "personalidad" del circuito cuántico es tan importante como su estructura. Además, los investigadores descubrieron que la capacidad de su nuevo circuito para explorar diferentes posibilidades, una propiedad conocida como expresibilidad, podía ajustarse simplemente añadiendo más pasos al cálculo. Esta flexibilidad permite a los científicos diseñar circuitos que se ajusten perfectamente a las restricciones específicas de su hardware, una ventaja crucial en la era actual de dispositivos cuánticos de escala intermedia y con ruido.

En última instancia, este trabajo demuestra que no necesitamos esperar a computadoras cuánticas perfectas y libres de errores para ver beneficios en el procesamiento de imágenes. Al repensar cómo se preparan los datos y cómo interactúan con el circuito cuántico, es posible construir modelos que sean tanto más precisos como más eficientes en recursos. Los investigadores han puesto su código y métodos a disposición del público, invitando a otros a construir sobre esta base. Sus hallazgos sugieren que, con la ingeniería adecuada, el aprendizaje automático cuántico puede ir más allá de los experimentos teóricos y comenzar a resolver problemas prácticos en la astronomía, la física y más allá, incluso con las máquinas imperfectas que tenemos hoy en día.

Resumen Técnico: Codificación y Cuantización Integradas para Mejorar las Redes Neuronales Cuantoconvolucionales

Planteamiento del Problema
El Aprendizaje Automático Cuántico (QML) aplicado a la visión por computadora enfrenta obstáculos significativos en los dispositivos actuales de Escala Intermedia con Ruido (NISQ). Específicamente, se prefieren las Redes Neuronales Cuantoconvolucionales (QuanvNNs) con parámetros no entrenables para evitar la optimización intensiva en recursos que requieren las reglas de desplazamiento de parámetros (parameter-shift rules). Sin embargo, los procesos de preprocesamiento existentes para las QuanvNNs sufren de dos ineficiencias principales:

Pérdida de Información vs. Eficiencia: La cuantización binaria estándar reduce el número de parches de entrada únicos, lo que disminuye el número de ejecuciones requeridas de los circuitos cuánticos. Sin embargo, esta binarización agresiva a menudo conduce a una pérdida de información significativa, degradando el rendimiento del modelo en tareas que requieren datos de grano fino.
Restricciones de Hardware en la Codificación: Los métodos de codificación tradicionales, como la codificación rotacional, requieren un número de cúbits cuadrático al tamaño del parche de entrada ( $k^2$ cúbits para un núcleo de $k \times k$ ). Esta dependencia rígida limita la escalabilidad del modelo a tamaños de núcleo más grandes en dispositivos con conteos limitados de cúbits y tiempos de coherencia cortos.

Metodología
Los autores proponen un nuevo proceso de preprocesamiento y una nueva estrategia de codificación para abordar estas limitaciones.

Cuantización de Datos Flexible con Memoización:
En lugar de la cuantización binaria ( $N=2$ ), los autores introducen un enfoque de cuantización flexible donde el número de niveles $N$ es un parámetro ajustable. La intensidad del píxel $x \in [0, 1]$ se mapea a $N$ niveles discretos utilizando la fórmula $q(x) = \lfloor x \cdot N \rfloor / (N-1)$ .

Memoización: Se construye una tabla de búsqueda para almacenar la salida del circuito cuántico para cada parche cuantizado único encontrado. Esto asegura que los parches idénticos no se procesen múltiples veces.
Compromiso (Trade-off): Este enfoque permite a los usuarios equilibrar la retención de información (un $N$ más alto) frente a la carga computacional (un $N$ más bajo reduce el número de parches únicos y las ejecuciones de circuitos).

Estrategia de Codificación Integrada:
El artículo introduce un nuevo método de codificación que fusiona los pasos tradicionales de "codificación" y "procesamiento" en un solo circuito cuántico.

Mecanismo: Los datos de píxeles clásicos de un parche de entrada se utilizan directamente como ángulos de rotación para puertas entrelazantes de múltiples cúbits. Específicamente, las puertas se construyen como $G(x_i) = \exp(-i\alpha(x_i) \cdot \sigma_1 \otimes \sigma_2)$ , donde $x_i$ es la intensidad del píxel, $\sigma$ son puertas de Pauli y $\alpha$ es una función de mapeo.
Flexibilidad: A diferencia de la codificación rotacional, que requiere exactamente $k^2$ cúbits para un núcleo de $k \times k$ , el modelo integrado permite que el número de cúbits ( $n$ ) y el número de puertas ( $L$ ) se seleccionen independientemente del tamaño del núcleo. La única restricción es que $L \ge k^2$ para asegurar que todas las características de entrada se codifiquen al menos una vez.
Funciones de Mapeo: Los autores prueban tres funciones de mapeo $\alpha(x)$ : Simple ( $x\pi$ ), Multiplicación Aleatoria ( $2\beta x\pi$ ) y Lineal Aleatoria ( $(\beta x + \sigma)\pi$ ).

Contribuciones Clave

Eficiencia de Recursos: La cuantización propuesta con memoización reduce significativamente las ejecuciones de circuitos cuánticos requeridas para el entrenamiento y la inferencia sin recurrir a una cuantización binaria destructiva.
Desacoplamiento Arquitectónico: La estrategia de codificación integrada desacopla el tamaño del núcleo del requisito de cúbits, permitiendo el uso de núcleos más grandes en hardware con conteos limitados de cúbits.
Control de la Expresividad: El método permite ajustar la expresividad del circuito variando el número de puertas ( $L$ ), proporcionando un mecanismo para ajustar la capacidad del modelo para explorar el espacio de Hilbert.

Resultados Experimentales
El modelo propuesto (QNN-Int) fue evaluado contra una QuanvNN de codificación rotacional estándar (QNN-Rot) y una Red Neuronal Convolucional clásica (CNN) en dos conjuntos de datos:

MiraBest (Clasificación Binaria): Los modelos QNN-Int (específicamente con las funciones de mapeo Simple y RndMul) superaron consistentemente tanto a la CNN clásica como a la QNN-Rot a través de varios tamaños de núcleo ( $k=2, 3, 4$ ). El modelo QNN-Rot mostró una degradación del rendimiento a medida que el tamaño del núcleo aumentaba.
LArTPC (Clasificación Multiclase): Los modelos QNN-Int nuevamente superaron a la CNN clásica y a la QNN-Rot para tamaños de núcleo más grandes ( $k=3, 4, 5$ ). Notablemente, mientras que el rendimiento de QNN-Rot aumentó con el tamaño del núcleo, permaneció por debajo de la línea base clásica. La función de mapeo QNN-Int-RndLin funcionó deficientemente, lo que resalta la sensibilidad del modelo integrado a la elección de la función de mapeo.

Impacto de la Cuantización:
Los experimentos sobre los niveles de cuantización ( $N$ ) demostraron que establecer $N=50$ redujo las ejecuciones de circuitos en más del 95% para los conjuntos de datos MiraBest y LArTPC, manteniendo un Error Cuadrático Medio (MSE) insignificante en comparación con las imágenes originales.

Significancia y Afirmaciones
El artículo afirma que la propuesta de codificación integrada y el proceso de cuantización flexible hacen que las QuanvNN sean más viables para los dispositivos NISQ. La principal significancia radica en lograr un rendimiento comparable o superior al de las CNN clásicas y las QuanvNN tradicionales requiriendo menos recursos cuánticos (menos cúbits y menos ejecuciones de circuitos). Los autores enfatizan que el modelo integrado ofrece una mayor flexibilidad arquitectónica, permitiendo que parámetros como el conteo de cúbits y el tamaño del filtro se ajusten independientemente según las restricciones del hardware. Concluyen que la elección de la función de mapeo es crítica para maximizar la expresividad y la precisión de la clasificación, y sugieren que el trabajo futuro podría explorar la optimización de estos parámetros de mapeo durante el entrenamiento.

Más como este