Resumen Técnico: Perspectivas Prácticas sobre PQCs en CNNs Cuánticas e Híbridas

Planteamiento del Problema

La integración de Circuitos Cuánticos Parametrizados (PQCs) en arquitecturas de aprendizaje automático ofrece un paradigma flexible para el Aprendizaje Automático Cuántico (QML). Sin embargo, la eficacia de estos modelos es altamente sensible a las decisiones de diseño, específicamente a las técnicas de codificación de datos, los ansätze variacionales y las estrategias de medición. Mientras que la literatura existente suele centrarse en el escalado de hiperparámetros o en las implicaciones teóricas del entrelazamiento, existe una falta de análisis empírico sistemático con respecto a la composibilidad estructural de las arquitecturas de QML. Este estudio aborda esta brecha investigando cómo estos elementos centrales de diseño influyen en el comportamiento y la eficacia del modelo en el contexto de la clasificación de imágenes satelitales, sin pretender necesariamente alcanzar el estado del arte o la utilidad cuántica inmediata.

Metodología

Los autores realizaron una evaluación sistemática de aproximadamente 500 configuraciones de modelos distintas utilizando el conjunto de datos EuroSAT (27,000 imágenes RGB de satélite a través de 10 clases de cobertura terrestre). Para asegurar la tractabilidad computacional dentro de la era de la Computación Cuántica de Escala Intermedia con Ruido (NISQ), las imágenes se redujeron de resolución a $32 \times 32$ y $16 \times 16$. Todos los experimentos se realizaron mediante simulación utilizando la plataforma CTIC Quantum Testbed (QUTE), implementando PQCs con PennyLane y capas clásicas con PyTorch.

El estudio evaluó tres paradigmas arquitectónicos:

1. Híbrido "Quantum-First" (HQNN-Parallel): Los PQCs actúan como una capa lineal cuántica siguiendo la extracción de características convolucionales clásicas.
2. Híbrido "Quantum-Later" (HQNN-Quanv): Los PQCs reemplazan la capa convolucional clásica inicial, actuando como un núcleo cuántico de pesos vinculados (quanvolution) sobre parches de imagen.
3. Modelos Puramente Cuánticos: Arquitecturas independientes que incluyen una QCNN (inspirada en las CNN clásicas con pooling), una Red Neuronal Cuántica de Incrustación Conformada (SEQNN) y una línea base de Capa Totalmente Conectada (FC).

Variables Probadas:

• Codificaciones: Ángulo (RX, RY, RZ, variantes de QAOA), Amplitud, Tiempo Polinómico Instantáneo (IQP), Anillo (Ring) y Cascada (Waterfall).
• Ansätze Variacionales: Sin entrelazamiento, Entrelazamiento Total (StronglyEntanglingLayers), Anillo (Ring), NQ y estructuras QCNN.
• Mediciones: Base Z, Base X, Base Y, Histograma (frecuencia de estado) y cadenas de Pauli.

Cada arquitectura híbrida fue comparada contra un "gemelo estructural" clásico (reemplazando las capas cuánticas con capas clásicas equivalentes) para aislar el impacto del rendimiento de los componentes PQC. Los modelos fueron entrenados utilizando el optimizador AdamWScheduleFree con hiperparámetros fijos para asegurar una comparación justa.

Contribuciones Clave y Resultados

1. Jerarquía de Influencia en Arquitecturas Híbridas

El estudio revela una clara jerarquía de influencia en el rendimiento del modelo para modelos híbridos:

• La Codificación de Datos es Dominante: La elección de la estrategia de codificación es el determinante primario del rendimiento. La precisión de validación varió en más de un 30% dependiendo de la incrustación. Por ejemplo, en HQNN-Parallel, la codificación IQP combinada con un ansatz no entrelazado logró una precisión del 75.1%, superando la línea base clásica (67.1%). Por el contrario, la codificación de ángulo basada en RZ falló consistentemente (10% de precisión) debido a la adición de fases globales irrelevantes.
• El Ansatz y la Medición son Marginales: En contraste con la codificación, la selección de ansätze variacionales y las bases de medición tuvieron un efecto comparativamente menor, con variaciones en la precisión de validación por debajo del 5%. Para HQNN-Parallel, todos los ansätze probados arrojaron un rendimiento similar, lo que sugiere que para este problema específico, la estructura de entrelazamiento específica no es un factor crítico.

2. Hallazgos Específicos de la Arquitectura

• HQNN-Parallel: Funcionó ligeramente mejor que su contraparte clásica cuando utilizó codificaciones específicas (por ejemplo, IQP, QAOA Z). El modelo se beneficia del aumento de la asignación de qubits por circuito para acceder a correlaciones de largo alcance.
• HQNN-Quanv: Ninguna de las configuraciones cuánticas superó la línea base clásica. Sin embargo, se encontró que el entrelazamiento es necesario para el máximo rendimiento en esta arquitectura; los circuitos no entrelazados funcionaron peor que los entrelazados. La codificación de amplitud falló en este contexto, probablemente porque la normalización de pequeños parches de píxeles diluye los gradientes esenciales para el aprendizaje en las capas iniciales.
• Modelos Puramente Cuánticos: Restringidos a la codificación de amplitud, estos modelos mostraron la mayor dependencia del protocolo de medición y del mapeo de datos-a-amplitud.
  • Medición: La elección de la estrategia de medición varió la precisión de validación hasta en un 30%. Las mediciones de Pauli Z generalmente funcionaron mejor, mientras que las cadenas de Pauli ofrecieron flexibilidad pero con alta dispersión.
  • Orden de Entrada: El orden de los píxeles en la incrustación de amplitud impactó significamente el rendimiento. Organizar los píxeles vecinos para que fueran actuados por puertas de dos qubits (imitando la proximidad espacial) mejoró los resultados, implementando efectivamente "núcleos conformados".
  • Eficiencia de Parámetros: Los modelos puramente cuánticos lograron puntos de operación comparables con órdenes de magnitud menos parámetros (por ejemplo, QCNN con ~300 parámetros frente a modelos clásicos con ~900,000).

3. Robustez a la Resolución

El tamaño de la imagen ($32 \times 32$ vs. $16 \times 16$) no impactó significativamente la precisión del modelo en los modelos híbridos, lo que sugiere que las imágenes de resolución reducida retienen suficiente información discriminativa para esta tarea.

Significado y Reivindicaciones

Los autores declaran explícitamente que el objetivo principal de este trabajo no es alcanzar el estado del arte o reclamar utilidad cuántica inmediata, sino proporcionar perspectivas prácticas sobre cómo los elementos de diseño central de los PQC influyen en el comportamiento del modelo.

• Guía de Diseño: El estudio ofrece una "clara jerarquía de influencia", guiando a los investigadores para que prioricen las estrategias de codificación de datos sobre la selección de ansatz al diseñar modelos de QML híbridos.
• Eficiencia de Parámetros: Los resultados resaltan que los modelos puramente cuánticos pueden lograr altas relaciones precisión-parámetro, sugiriendo una potencial ventaja de memoria para futuros aceleradores cuánticos, incluso si los tiempos de ejecución de simulación actuales son más lentos.
• Limitaciones: Los autores reconocen que estos hallazgos se basan en simulaciones ideales sin ruido. Advierten que las ventajas teóricas del entrelazamiento pueden verse comprometidas en entornos NISQ del mundo real debido a la decoherencia y los errores de puerta. El estudio no se generaliza a todos los conjuntos de datos o restricciones de hardware; se requiere trabajo futuro para validar estos hallazgos bajo modelos de ruido realistas y explorar la sensibilidad de los hiperparámetros.

En resumen, el artículo establece que, si bien los componentes cuánticos pueden igualar o superar ligeramente las líneas base clásicas en configuraciones híbridas específicas, el éxito de estos modelos depende fuertemente de la selección correcta de la codificación de datos y, para los modelos puramente cuánticos, de la estrategia de medición y el mapeo de entrada.