Assessing Projected Quantum Kernels for the Classification of IoT Data

1. El Problema

El desarrollo de algoritmos de Aprendizaje Automático Cuántico (QML) se enfrenta a dos desafíos principales:

• Escasez de datos adecuados: La mayoría de los conjuntos de datos utilizados en QML son adaptaciones de datasets clásicos (como MNIST) que requieren procesos de reducción de dimensionalidad (PCA o autoencoders). Estos procesos pueden distorsionar la naturaleza del problema y ocultar las ventajas potenciales de la computación cuántica.
• Limitaciones de hardware (Era NISQ): Los dispositivos cuánticos actuales son ruidosos y tienen un número limitado de cúbits, lo que dificulta el uso de circuitos profundos y complejos.

El estudio aborda la necesidad de evaluar algoritmos de QML utilizando datos del mundo real (Internet de las Cosas - IoT) que puedan ser procesados directamente sin preprocesamiento extensivo.

2. Metodología

El estudio se centra en la clasificación binaria (ocupado vs. no ocupado) de una oficina utilizando el dataset COGITO-IoT, que contiene 2,865 registros de sensores ambientales (iluminancia, humedad, CO2, temperatura, etc.).

Enfoques de Kernel evaluados:

• Quantum Kernel (QK) estándar: Calcula la similitud mediante el solapamiento (overlap) de estados cuánticos en un espacio de Hilbert de alta dimensión.
• Projected Quantum Kernel (PQK): Una técnica que proyecta los estados cuánticos de vuelta a un espacio clásico mediante mediciones de observables, mitigando la dimensionalidad exponencial del espacio de Hilbert.
• SVM Clásico (RBF): Utilizado como línea base de comparación.

Estrategias de codificación (Feature Maps):
Se probaron diversas arquitecturas de circuitos para mapear datos clásicos a estados cuánticos:

• Circuitos simples: RotX (rotaciones de un solo cúbit) y el propuesto "3D" (rotaciones en los ejes X, Y, Z) y "3D-CNOT" (incluyendo entrelazamiento).
• Circuitos complejos: IQP (Instantaneous Quantum Polynomial-time) y circuitos Trotterizados.
• ZZFeatureMap: Un estándar común en la literatura.

Estrategias de proyección (para PQK):
Se evaluaron diferentes conjuntos de observables (Pauli X, Y, Z) y diferentes subconjuntos de cúbits ($m=1$ o $m=2$) para realizar las mediciones de proyección.

3. Contribuciones Clave

1. Uso de datos reales de IoT: Demostración de un flujo de trabajo donde los datos de sensores se inyectan directamente en el circuito cuántico, eliminando la necesidad de reducción de dimensionalidad.
2. Propuesta de codificación "3D": Introducción de un circuito de baja profundidad que utiliza rotaciones en tres ejes, diseñado para ser eficiente en la era NISQ.
3. Análisis de complejidad: Demostración de que el PQK reduce la complejidad computacional cuántica de $\mathcal{O}(N^2)$ a $\mathcal{O}(N)$, donde $N$ es el número de registros, debido a que la proyección se realiza de forma individual por cada dato.
4. Estudio del ruido de disparo (shot noise): Investigación de cómo la naturaleza estocástica de las mediciones cuánticas afecta el rendimiento.

4. Resultados Principales

• Rendimiento de PQK vs. QK: El PQK superó significativamente al QK estándar cuando se utilizaron mapas de características poco profundos (shallow). El mejor modelo PQK (usando el mapa 3D-CNOT y mediciones de pares de cúbits $m=2$) mostró una ventaja estadística clara.
• Competitividad con el método clásico: El PQK logró resultados comparables o incluso superiores al SVM clásico con kernel RBF en términos de precisión y puntuación F1.
• La paradoja de la profundidad: Contrario a la intuición, los circuitos más profundos y complejos (como ZZFeatureMap) no garantizaron un mejor rendimiento; de hecho, los circuitos más simples y poco profundos fueron más efectivos para este tipo de datos.
• Efecto positivo del ruido: Se observó que un nivel moderado de ruido de disparo (shot noise) puede mejorar el rendimiento del modelo, ayudando posiblemente a evitar mínimos locales o puntos de silla en el paisaje de optimización.
• Modelos más compactos: El PQK produjo modelos con un menor número de vectores de soporte en comparación con el SVM clásico, lo que sugiere una mejor capacidad de generalización.

5. Significado y Conclusiones

El estudio concluye que el Projected Quantum Kernel (PQK) es una herramienta prometedora y viable para aplicaciones prácticas de aprendizaje automático con datos del mundo real. La investigación subraya que en la era NISQ, la profundidad del circuito no es sinónimo de mejor rendimiento; la elección cuidadosa del diseño del mapa de características y la estrategia de proyección es más crítica que la complejidad del entrelazamiento.

Este trabajo sienta las bases para futuros desarrollos en QML, sugiriendo que la optimización de la codificación de datos y el aprovechamiento estratégico del ruido podrían ser las claves para alcanzar la ventaja cuántica en tareas de clasificación de datos de sensores.