QDS-SNN: Energy-efficient Quantum Deeply-Supervised Spiking Neural Network Algorithm for Traffic Sign Recognition

Resumen Técnico: QDS-SNN: Algoritmo de Redes Neuronales de Impulsos con Supervisión Profunda Cuántica para el Reconocimiento de Señales de Tráfico Eficiente en Energía

Planteamiento del Problema
El reconocimiento de señales de tráfico (TSR, por sus siglas en inglés) es un componente crítico de los sistemas de transporte inteligentes y la conducción autónoma, esencial para garantizar la seguridad vial y la eficiencia operativa. Si bien las Redes Neuronales Convolucionales (CNN) han establecido una alta precisión en el TSR, dependen en gran medida de conjuntos de datos etiquetados a gran escala y de recursos computacionales intensivos. Esta dependencia resulta en un consumo de energía y una sobrecarga computacional significativos, lo que hace que las CNN tradicionales no sean adecuadas para aplicaciones con restricciones de recursos y sensibilidad energética, como los vehículos eléctricos y el Internet de los Vehículos (IoV).

Las Redes Neuronales de Impulsos (SNN) ofrecen una alternativa inspirada en la biología y eficiente en energía debido a sus capacidades de procesamiento espaciotemporales y basados en eventos. Sin embargo, las SNN profundas enfrentan desafíos signific{}antes, incluyendo la pérdida de información, el desvanecimiento de gradientes durante el entrenamiento debido a funciones de activación no diferenciables y la dificultad para modelar dependencias temporales complejas. Además, los enfoques híbridos existentes a menudo no logran equilibrar la alta precisión con las estrictas restricciones de energía requeridas para el despliegue en el borde (edge deployment).

Metodología
Para abordar estas limitaciones, los autores proponen la Red Neuronal de Impulsos con Supervisión Profunda Cuántica (QDS-SNN). Este marco integra Redes Neuronales Cuánticas (QNN) en una arquitectura SNN profunda para proporcionar una supervisión profunda eficiente y de bajo consumo. La metodología consta de tres componentes principales:

1. Neurona TSA-LIF (Leaky Integrate-and-Fire Adaptativa Temporal-Espacial):
   Los autores introducen un modelo de neurona Leaky Integrate-and-Fire (LIF) modificado, equipado con factores de decaimiento temporal ($\beta_n$) y espacial ($\alpha_n$) aprendibles. A diferencia de las neuronas LIF estándar, la TSA-LIF aprende independientemente estos parámetros de decaimiento. El factor espacial controla la retención de características, mientras que el factor temporal regula el decaimiento de la memoria. Este diseño mejora la capacidad de la red para modelar la dinámica espaciotemporal y mejora la retención de características sin un preprocesamiento complejo.

2. Módulo de Clasificación Asistido por Cuántica (QACM):
   Para mitigar el desvanecimiento del gradiente y mejorar la supervisión profunda, se inserta un QACM después de cada etapa de la SNN (excepto en la etapa final). El QACM consiste en:

   • Capa de Codificación Cuántica: Utiliza la codificación de amplitud para mapear los datos de impulsos clásicos en estados cuánticos.
   • Capas de Convolución y Agrupación Cuántica: Utiliza puertas cuánticas parametrizadas (incluyendo puertas de Hadamard, rotación y CNOT) para simular operaciones de convolución y agrupación (pooling). La arquitectura emplea variantes de 4 y 2 qubits para equilibrar la expresividad y el uso de recursos.
   • Capa de Medición: Convierte los estados cuánticos en distribuciones de probabilidad clásicas para la clasificación auxiliar.
     Este módulo aprovecha la superposición y el entrelazamiento cuántico para realizar computaciones paralelas, proporcionando señales de supervisión profunda que guían el entrenamiento de la columna vertebral (backbone) de la SNN.

3. Estrategia de Entrenamiento Híbrido:
   El modelo emplea un enfoque de optimización conjunta utilizando una función de pérdida combinada. La pérdida total ($L$) integra la pérdida de entropía cruzada de los clasificadores auxiliares QACM a través de las primeras $K-1$ etapas y la pérdida de clasificación final de la $K$-ésima etapa. Un factor de supervisión ($\sigma$) equilibra la contribución de estas pérdidas de supervisión profunda. El entrenamiento utiliza la Retropropagación de Canal Temporal (STBP) para la SNN y la regla de desplazamiento de parámetros (parameter-shift rule) para calcular los gradientes en los circuitos QNN.

Contribuciones Clave
El artículo describe cuatro contribuciones primarias:

1. Algoritmo QDS-SNN: Una arquitectura novedosa que integra el módulo QACM y las neuronas TSA-LIF en una SNN profunda de $K$ etapas, demostrando un rendimiento superior y un menor consumo de energía para la clasificación de señales de tráfico.
2. Modelo de Neurona TSA-LIF: El diseño de una neurona con factores de decaimiento temporal y espacial aprendibles, mejorando las capacidades de modelado temporal y la retención de características.
3. Módulo de Clasificación Asistido por Cuántica (QACM): Un módulo cuántico de bajo consumo que mejora la supervisión profunda sin la sobrecarga de las capas convolucionales tradicionales, abordando eficazmente los problemas de gradiente.
4. Método de Entrenamiento Híbrido: Una estrategia de optimización conjunta que utiliza una función de pérdida combinada con un factor de supervisión para equilibrar la supervisión profunda, acelerando la convergencia y mejorando la eficiencia del entrenamiento.

Resultados Experimentales
El QDS-SNN fue evaluado en la plataforma de simulación cuántica PennyLane utilizando dos conjuntos de datos: el German Traffic Sign Recognition Benchmark (GTSRB) y la base de datos de señales de tráfico china (TSRD).

• Conjunto de datos GTSRB: El modelo alcanzó una precisión del 99.72% con solo 6 pasos de tiempo. Esto superó al baseline MS-ResNet en un 1.32%, reduciendo simultáneamente el consumo de energía en un 55.77% (2.26 mJ frente a 5.11 mJ). Incluso a 2 pasos de tiempo, el modelo logró una precisión del 98.68%.
• Conjunto de datos TSRD: El modelo alcanzó una precisión del 97.90% a 6 pasos de tiempo, superando al baseline MS-ResNet entre un 0.87% y un 2.10% dependiendo de la variante específica del baseline, reduciendo el uso de energía al 52.68% del baseline.
• Estudios de Ablación: Los experimentos confirmaron que la neurona TSA-LIF (que combina ambos factores de decaimiento) superó a las variantes de un solo factor y a la LIF estándar. Además, el QACM logró una precisión comparable a un clasificador auxiliar clásico (CACM) pero con un 27.8% menos de parámetros y un 66.4% menos de consumo de energía.
• Análisis de Ruido: El análisis de fidelidad bajo varios tipos de ruido cuántico (error de inversión de bit, error de inversión de fase, amortiguamiento de amplitud, ruido de depolarización) demostró la robustez del modelo, manteniendo una alta fidelidad incluso con probabilidades de ruido de 0.1.

Significancia y Reivindicaciones
Los autores afirman que el QDS-SNN ofrece una solución de alto rendimiento y eficiencia energética diseñada específicamente para sistemas de transporte inteligentes. Al integrar la supervisión profunda cuántica con neuronas de impulsos adaptativas, el método aborda con éxito la compensación entre precisión y energía que limita tanto a las CNN tradicionales como a las SNN independientes. El estudio sostiene que el QDS-SNN es particularmente adecuado para la percepción de tráfico en tiempo real en plataformas con recursos limitados, como los vehículos autónomos, donde la baja latencia y el mínimo consumo de energía son críticos. El trabajo sugiere que este enfoque híbrido cuántico-clásico proporciona una vía práctica para el despliegue de modelos neuronales avanzados en el Internet de los Vehículos (IoV) sin comprometer la precisión del reconocimiento.