QuFeX: Quantum feature extraction module for hybrid quantum-classical deep neural networks

Resumen Técnico: QuFeX y Qu-Net

Planteamiento del Problema
Las Redes Neuronales Convolucionales (CNN) clásicas han logrado un éxito significativo en el aprendizaje automático, pero enfrentan requisitos de recursos crecientes para el entrenamiento de modelos grandes en datos complejos. Si bien el Aprendizaje Automático Cuántico (QML) ofrece ganancias potenciales de eficiencia, las arquitecturas cuánticas existentes enfrentan limitaciones distintivas. Las Redes Neuronales Convolucionales Cuánticas (QCNN) imitan la invarianza de traslación de las CNN, pero a menudo sufren del "problema de la entrada", donde el procesamiento secuencial hace que el manejo de entradas grandes sea ineficiente. Por el contrario, las Redes Neuronales Quanvolucionales (QuanNN) abordan el manejo de la entrada procesando parches locales de forma independiente, pero requieren un número de experimentos cuánticos que escala como $O(kN)$ (donde $k$ es el número de filtros y $N$ es el tamaño de la entrada), lo que conduce a altos costos computacionales y una falta de eficiencia en comparación con sus contrapartes clásicas. Además, la integración de capas cuánticas en redes clásicas profundas requiere un enfoque sistemático de colocación y diseño que equilibre las ventajas cuánticas con las restricciones de los dispositivos cuánticos de corto plazo.

Metodología
Los autores introducen QuFeX (Extracción de Características Cuánticas), un novedoso módulo híbrido cuántico-clásico diseñado para superar las limitaciones tanto de QCNN como de QuanNN.

• Diseño de la Arquitectura: QuFeX combina la estructura de análisis de datos jerárquicos de QCNN con la canalización de datos de QuanNN. A diferencia de QCNN, que descarta los cúbits de control durante el pooling (reduciendo la dimensionalidad y potencialmente perdiendo información), QuFeX retiene los cúbits de control, tratando su salida como parte del mapa de características. A diferencia de QuanNN, que procesa parches secuencialmente, QuFeX mezcla mapas de características de entrada de diferentes canales en paralelo antes de la incrustación cuántica.
• Mecanismo de Eficiencia: Al procesar $k$ mapas de características de entrada utilizando una única ejecución de circuito cuántico (o un número constante de ejecuciones) en lugar de $O(kN)$, QuFeX reduce significativamente el número de evaluaciones paralelas requeridas. El módulo actúa como un filtro cuántico entrenable que extrae características en un espacio de dimensionalidad reducida.
• Integración Híbrida (Qu-Net): Como prueba de concepto, los autores proponen Qu-Net, una arquitectura híbrida que integra QuFeX en el cuello de botella (bottleneck) de una U-Net clásica. La U-Net es una arquitectura estándar de codificador-decodificador utilizada para la segmentación de imágenes. En Qu-Net, la capa de cuello de botella clásica es reemplazada por el módulo QuFeX. Para mitigar la posible pérdida de información y estabilizar el entrenamiento, los autores incorporan conexiones residuales (inspiradas en ResNet) que evitan la capa cuántica, permitiendo que el modelo aprenda una ruta óptima a través del procesamiento tanto clásico como cuántico.
• Detalles de Implementación: Los circuitos cuánticos utilizan transformaciones unitarias parametrizadas ($U_j$) y operaciones unitarias fijas ($V_j$) condicionadas a los resultados de la medición. Las entradas clásicas se codifican como ángulos de rotación (por ejemplo, compuertas $R_Y$ o $R_Z$). La salida se deriva de los valores de expectativa de los observables de Pauli-Z.

Contribuciones Clave

1. Nuevo Módulo (QuFeX): Una nueva capa de extracción de características cuánticas que permite la extracción de características en un espacio de dimensionalidad reducida manteniendo una profundidad de circuito superficial. Evita la pérdida de información asociada con el descarte de cúbits en las QCNN y el alto costo computacional de la evaluación por parches en las QuanNN.
2. Arquitectura Híbrida (Qu-Net): Una implementación específica de QuFeX dentro de un marco de U-Net, demostrando una colocación estratégica de las capas cuánticas en el cuello de botella de la red para crear un espacio de incrustación híbrido.
3. Integración Residual: La inclusión de conexiones residuales sobre la capa cuántica para preservar la propagación de características y estabilizar el entrenamiento en configuraciones híbridas.
4. Validación Empírica: Pruebas numéricas extensas en tres conjuntos de datos distintos de segmentación de imágenes: FruitSeg30 (segmentación de frutas), PH2 (segmentación de lesiones cutáneas dermoscópicas) e ISBI-2012 EM (segmentación de membranas celulares por microscopía electrónica).

Resultos
Los autores realizaron simulaciones numéricas utilizando PennyLane en hardware clásico para evaluar Qu-Net frente a una línea base de U-Net totalmente clásica.

• Conjunto de Datos FruitSeg30: A través de tres escalas de modelo (diminuto, pequeño, mediano), las variantes de Qu-Net generalmente superaron a la línea base clásica a medida que aumentaba el número de parámetros entrenables. Específicamente, en los modelos de escala media (~40,000 parámetros), Qu-Net logró puntuaciones de Intersección sobre Unión (IoU) más altas y una menor variabilidad a través de las diferentes particiones del conjunto de datos en comparación con la U-Net.
• Conjunto de Datos PH2: En este conjunto de datos de imágenes médicas, configuraciones específicas de Qu-Net (por ejemplo, Qu-Net 6-1-2 y Qu-Net 12-1-1) lograron un IoU medio de aproximadamente 0.68, lo que representa una mejora de ~10% sobre la U-Net base (0.58). Estos modelos también demostraron una desviación estándar reducida y mayor estabilidad a través de las particiones de validación cruzada.
• Conjunto de Datos ISBI-2012 EM: Los modelos Qu-Net lograron un rendimiento superior con significativamente menos parámetros. La variante con mejor desempeño, Qu-Net 12-2-1, alcanzó un IoU de 0.8257 utilizando solo ~250,000 parámetros, comparado con el IoU de 0.7545 de la U-Net base que requería más de 1.5 millones de parámetros. El análisis cualitativo mostró que los modelos Qu-Net produjeron delineaciones de membrana más continuas y anatómicamente coherentes, particularmente en regiones con límites ambiguos.
• Dinámica de Entrenamiento: Los modelos mejorados por la cuántica generalmente exhibieron una convergencia más rápida y trayectorias de pérdida de Entropía Cruzada Binaria (BCE) más bajas en comparación con la línea base clásica.

Significancia y Reivindicaciones
El artículo afirma que QuFeX proporciona una vía factible para mejorar las redes neuronales profundas bajo las restricciones tecnológicas cuánticas actuales. La significancia radica en demostrar que:

• Eficiencia: Los modelos híbridos pueden lograr un rendimiento de segmentación superior con significativamente menos parámetros entrenables que los modelos puramente clásicos.
• Escalabilidad: El diseño de QuFeX desacopla la capacidad del modelo de las limitaciones del hardware al mantener el número de parámetros entrenables independiente del número de cúbits, lo que permite un escalamiento favorable.
• Robustez: La integración de capas cuánticas en el cuello de botella, combinada con conexiones residuales, crea un marco robusto para aplicaciones del mundo real que requieren una extracción de características precisa.
• Prueba de Concepto: El trabajo sirve como una de las primeras aplicaciones de redes neuronales profundas mejoradas por la cuántica a tareas de segmentación de imágenes del mundo real, validando el potencial de los paradigmas computacionales híbridos.

Los autores se mantienen modestos respecto al estado actual de la tecnología, reconociendo que sus resultados se basan en simulaciones cuánticas ideales. Señalan que el ruido en los dispositivos de corto plazo podría degradar el rendimiento e identifican las técnicas de mitigación de ruido (como la Extrapolación de Cero Ruido y el Desacoplamiento Dinámico) como áreas necesarias para el trabajo futuro antes de la implementación en hardware cuántico real.