Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images

Resumen Técnico: Clasificación de Defectos Industriales en Imágenes de Soldadura mediante IA Híbrida Cuántico-Clásica

1. Planteamiento del Problema

El control de calidad automatizado es fundamental en la manufactura industrial, especialmente en procesos críticos como la soldadura (ej. industria automotriz y aeroespacial). La detección temprana de defectos en soldaduras de aluminio (TIG) es vital para la seguridad estructural.

• Desafío: Los modelos de aprendizaje profundo clásicos (como las Redes Neuronales Convolucionales o CNN) han demostrado éxito, pero requieren recursos computacionales significativos a medida que aumenta la dimensionalidad de los datos y la complejidad del modelo.
• Oportunidad: La computación cuántica, específicamente en la era de los dispositivos cuánticos de escala intermedia ruidosos (NISQ), ofrece un paradigma alternativo. Sin embargo, procesar imágenes de alta resolución directamente en hardware cuántico es inviable actualmente debido a la limitación de qubits y la fidelidad de las puertas.
• Objetivo: Investigar la viabilidad de enfoques híbridos (cuántico-clásicos) para la clasificación de defectos en soldaduras, comparando su rendimiento con modelos clásicos de referencia.

2. Metodología

Los autores proponen un flujo de trabajo híbrido donde una CNN clásica actúa como extractor de características, reduciendo la dimensionalidad de las imágenes para que sean procesables por circuitos cuánticos. Se evaluaron tres pipelines principales:

• Extracción de Características (Clásica):

  • Se utiliza una arquitectura CNN (basada en el "Model-1" de estudios previos) para transformar imágenes de soldadura de alta resolución (800x974 píxeles) en vectores de características compactos.
  • Se probaron tamaños de vectores de características de 7, 15, 31, 63 y 127 dimensiones para encontrar el equilibrio óptimo entre información preservada y viabilidad cuántica.

• Enfoque 1: QSVM Mejorado con VQLS (Quantum Support Vector Machine):

  • Codificación: Los vectores de características se normalizan y se codifican en estados cuánticos mediante un mapa de características parametrizado (rotaciones y puertas de entrelazamiento).
  • Kernel Cuántico: Se construye una matriz de kernel cuántico basada en los productos internos de los estados.
  • Resolución: El problema de optimización del SVM se formula como un sistema lineal ($M\alpha = b$) y se resuelve utilizando el Variational Quantum Linear Solver (VQLS).
  • Entrenamiento: Se utiliza un ansatz eficiente en hardware y un optimizador clásico (COBYLA) para minimizar una función de costo basada en pruebas de Hadamard.

• Enfoque 2: Clasificador basado en Circuito Cuántico Variacional (VQC):

  • Codificación: Los vectores de características se reducen linealmente y se codifican mediante rotaciones de ángulo ($R_y$) en qubits.
  • Procesamiento: Se aplica un circuito cuántico variacional (ansatz) con capas de rotación y entrelazamiento (CX).
  • Medición y Post-procesamiento: Se miden las expectativas de Pauli-Z y los resultados se pasan a una capa lineal clásica con función softmax para la clasificación.
  • Entrenamiento: Se utiliza descenso de gradiente con la regla de desplazamiento de parámetros (parameter-shift rule) y el optimizador Adam.

• Dataset:

  • Se utilizó un subconjunto de un dataset industrial de soldadura TIG (Kaggle) con 1,100 imágenes (700 entrenamiento/validación, 400 prueba).
  • Tareas de clasificación: Binaria (Buena vs. Defectuosa) y Multiclase (Buena, Contaminación, Falta de fusión).

3. Contribuciones Clave

• Arquitectura Híbrida Eficiente: Demostración de un pipeline robusto que integra CNNs clásicas para la extracción de características y modelos cuánticos para la clasificación, superando las limitaciones actuales de hardware NISQ.
• Comparativa Sistemática: Evaluación exhaustiva de dos enfoques cuánticos distintos (basado en Kernel/VQLS y basado en VQC) frente a un modelo CNN clásico en tareas binarias y multiclase.
• Análisis de Hiperparámetros: Optimización detallada de tamaños de características, número de qubits y profundidad de circuitos, identificando que un tamaño de característica de 63 y 4 qubits ofrecen el mejor equilibrio entre complejidad y rendimiento.
• Estudio de Caso Industrial Real: Aplicación exitosa en un escenario de inspección no destructiva (NDT) con datos reales de soldadura, no solo datos sintéticos.

4. Resultados

Los experimentos se realizaron en simuladores (Qiskit Aer y PennyLane) y se compararon los modelos en términos de precisión y pérdida (loss).

• CNN Clásica:

  • Logró un rendimiento perfecto (100% de precisión) en todas las configuraciones de tamaño de características para ambas tareas (binaria y multiclase), sirviendo como línea base sólida.

• VQLS-Enhanced QSVM:

  • Rendimiento: Competitivo en clasificación binaria (máxima precisión del 96.8% con 63 características), pero con un rendimiento inferior en multiclase (92.4%).
  • Limitaciones: El proceso de entrenamiento fue significativamente más lento debido a la complejidad de resolver el sistema lineal variacionalmente y la necesidad de múltiples evaluaciones de circuitos para construir la matriz de kernel. El rendimiento disminuyó al aumentar la complejidad (multiclase).

• Clasificador VQC:

  • Rendimiento: Alcanzó un rendimiento excepcional, con una precisión del 99.7% en clasificación binaria y 98.9% en multiclase (con 63 características), acercándose casi a la perfección del modelo clásico.
  • Ventaja: Ofreció un mejor equilibrio entre uso de recursos cuánticos y rendimiento, siendo más eficiente en entrenamiento que el enfoque VQLS.

• Análisis de Errores:

  • Las confusiones principales ocurrieron en casos donde los reflejos de la cabeza de soldadura se asemejaban visualmente a la contaminación, o en la distinción sutil entre tipos de defectos. Sin embargo, los defectos de "falta de fusión" (línea oscura central) fueron bien detectados por todos los modelos.

5. Significado e Impacto

• Viabilidad en el Mundo Real: El estudio demuestra que los enfoques híbridos cuántico-clásicos ya son competitivos para tareas industriales reales de detección de defectos, a pesar de las limitaciones actuales del hardware cuántico.
• Potencial de Escalabilidad: A medida que el hardware cuántico evolucione (mayor número de qubits y menor ruido), estos modelos híbridos podrían ofrecer ventajas en generalización o eficiencia de parámetros en comparación con los modelos clásicos puros.
• Aplicación Industrial: La capacidad de integrar estos sistemas en flujos de trabajo de control de calidad automatizado (NDT) sugiere un futuro prometedor para la inspección industrial asistida por IA cuántica, especialmente en sectores donde la precisión es crítica (aeroespacial, automotriz).

En conclusión, el artículo valida que, aunque las CNN clásicas siguen siendo superiores en rendimiento absoluto actual, los modelos híbridos (especialmente el VQC) ofrecen una alternativa viable y prometedora, abriendo la puerta a la implementación de algoritmos cuánticos en aplicaciones de visión por computadora industrial en el corto plazo.