SAFE Quantum Machine Learning with Variational Quantum Classifiers

Resumen Técnico: Aprendizaje Automático Cuántico Seguro con Clasificadores Cuánticos Variacionales

Planteamiento del Problema
Los sistemas de aprendizaje automático desplegados en entornos de alto riesgo, como el diagnóstico médico, requieren más que precisión predictiva; deben exhibir robustez ante variaciones de entrada, estabilidad bajo degradación de datos e interpretabilidad. Los modelos tradicionales de aprendizaje profundo, aunque expresivos, a menudo sufren de fragilidad ante el ruido, cambios distribucionales o la eliminación de características estructuradas. Este artículo aborda la tensión entre la expresividad del modelo y la fiabilidad investigando el aprendizaje automático Seguro, Preciso, Justo y Explicable (SAFE). Específicamente, explora si las arquitecturas híbridas clásico-cuánticas pueden inducir una clase de hipótesis estructurada que limite naturalmente la sensibilidad a las perturbaciones, ofreciendo una alternativa fundamentada a los modelos clásicos que dependen de la regularización explícita para imponer estabilidad.

Metodología
Los autores proponen un marco híbrido cuántico-clásico para la clasificación de tumores cerebrales utilizando imágenes de resonancia magnética (MRI). La metodología integra la extracción de características profundas con un Clasificador Cuántico Variacional (VQC) diseñado para operar dentro de espacios de hipótesis restringidos, normalizados y acotados.

1. Arquitectura:

   • Extracción de Características: Un modelo ResNet-18 preentrenado extrae un vector de incrustación de 512 dimensiones de las imágenes de MRI de entrada.
   • Capa Clásica Pre-VQC: Para mitigar las distorsiones introducidas por la codificación de amplitud, una capa clásica entrenable (transformación lineal seguida de activación GELU) adapta la distribución de características antes de la codificación cuántica. Los estudios de ablación confirman que esta capa es crítica para la estabilidad del entrenamiento.
   • Codificación de Amplitud: El vector de características de 512 dimensiones se normaliza e incrusta en un estado cuántico de 9 qubits ($| \psi(x) \rangle = \sum x_i |i\rangle$).
   • Circuito Cuántico Variacional (VQC): El estado codificado pasa a través de una única "Capa Fuertemente Entrelazada" compuesta por rotaciones de un solo qubit parametrizadas y puertas CNOT completamente conectadas. Esta transformación unitaria preserva la norma del estado cuántico.
   • Lectura: La salida se genera midiendo los valores esperados de los operadores Pauli-Z en cada qubit, produciendo un vector acotado en $[-1, 1]$, que luego se mapea a logits de clase mediante una capa lineal clásica final.
   • Entrenamiento: Todo el modelo híbrido se entrena de extremo a extremo utilizando la pérdida de entropía cruzada en un simulador cuántico sin ruido.

2. Marco de Evaluación (Métricas SAFE-AI):
   El artículo evalúa los modelos utilizando una familia unificada de métricas derivadas de la divergencia de Cramér–von Mises (CvM). Estas métricas evalúan tres dimensiones:

   • Precisión ($RGA$): Mide la precisión de clasificación frente a la verdad fundamental.
   • Robustez ($RGR$): Mide la estabilidad de las predicciones cuando las entradas se perturban con ruido gaussiano, ataques adversarios (FGSM) o transformaciones espaciales (rotaciones/traslaciones).
   • Explicabilidad ($RGE$): Mide la estabilidad de la predicción cuando las regiones más relevantes de la imagen (identificadas mediante Grad-CAM) se ocultan progresivamente.
     El Área bajo la Curva (AUC) para estas métricas ($AURGA, AURGR, AURGE$) proporciona una medida compacta de la degradación del rendimiento bajo estrés.

Resultados Clave
El modelo propuesto de Aprendizaje Automático Cuántico (QML) se evaluó en un conjunto de datos de 6.056 imágenes de MRI (glioma, meningioma y clases de tumores) y se comparó con líneas base clásicas: Regresión Lineal, Máquina de Vectores de Soporte (SVM), Bosque Aleatorio (RF) y un Perceptrón Multicapa (MLP) superficial.

• Rendimiento Predictivo: El modelo QML logró una puntuación F1 macro de 0.978, acercándose estrechamente a la línea base SVM (0.983) y superando a los modelos Lineal, RF y MLP. También mantuvo un Error Cuadrático Medio bajo (0.013), lo que indica predicciones probabilísticas estables.
• Robustez ante el Ruido: El modelo QML demostró la mayor robustez ante ruido gaussiano aditivo ($AURGR = 0.9409$), superando a todas las líneas base clásicas. También logró la mayor robustez frente a ataques adversarios FGSM entre los modelos diferenciables evaluados.
• Estabilidad bajo Eliminación de Características: Mientras que los Bosques Aleatorios mostraron la mayor estabilidad bajo la ocultación progresiva de imágenes ($AURGE$), el modelo QML se mantuvo competitivo, superando significativamente a la línea base Lineal.
• Perfil General: El modelo QML exhibió un perfil de fiabilidad SAFE más equilibrado. Mientras que la SVM destacó en estabilidad de clasificación y robustez espacial, y el RF en estabilidad de explicabilidad, el QML proporcionó la defensa más fuerte contra perturbaciones estocásticas y adversarias en el espacio de características.

Significado y Afirmaciones
El artículo afirma que los circuitos cuánticos variacionales ofrecen un mecanismo fundamentado para el aprendizaje SAFE orientado a la estabilidad. La importancia del trabajo radica en las siguientes observaciones teóricas y empíricas:

1. Regularización Implícita mediante Unitariedad: A diferencia de las redes neuronales clásicas que requieren normalización espectral explícita o restricciones de ortogonalidad para controlar la sensibilidad, el componente cuántico satisface la unitariedad por diseño. Esto impone una restricción 1-Lipschitz intrínseca en el mapa de características cuánticas, evitando la amplificación arbitraria de perturbaciones de entrada y explosiones de gradiente.
2. Clase de Hipótesis Estructurada: La combinación de incrustaciones de amplitud normalizadas, transformaciones unitarias y observables acotados crea una clase de hipótesis que es expresiva pero restringida. Esta estructura actúa como un regularizador implícito, limitando la capacidad efectiva del modelo y desalentando el sobreajuste.
3. Fiabilidad en Entornos de Alto Riesgo: Los resultados sugieren que los modelos cuánticos híbridos no son meras alternativas para mejorar la precisión máxima, sino componentes valiosos para sistemas conscientes de la fiabilidad. Proporcionan un sesgo inductivo "orientado a la seguridad" que garantiza que los modelos permanezcan estables bajo ruido y degradación de datos, un requisito crítico para aplicaciones críticas para la seguridad como la imagen médica.

Los autores notan explícitamente que la ventaja del QML es más pronunciada para perturbaciones aplicadas directamente a la representación de características extraída (ruido gaussiano, FGSM) en lugar de transformaciones geométricas a nivel de imagen. Concluyen que el valor del modelo propuesto es su capacidad para combinar un rendimiento predictivo competitivo con una arquitectura intrínsecamente regularizada y orientada a la fiabilidad.