Quantum-Enhanced Similarity Measures for Polarimetric Materials Classification

Resumen Técnico: Medidas de Similitud Mejoradas por Computación Cuántica para la Clasificación de Materiales Polarimétricos

Planteamiento del Problema
La clasificación de materiales es una tarea de percepción crítica para la robótica, la teledetección y la inspección industrial. Aunque los métodos de aprendizaje profundo basados en RGB han avanzado, están fundamentalmente limitados por su dependencia del color y la intensidad, los cuales se ven confundidos por las condiciones de iluminación, el punto de vista y la orientación de la superficie. La imagen polarimétrica ofrece una alternativa físicamente fundamentada al capturar la matriz de Mueller, que codifica propiedades de reflectancia (por ejemplo, la constante dieléctrica, la rugosidad) que son mayormente invariantes al color de la iluminación. Los clasificadores polarimétricos existentes, entrenados de manera supervisada y de extremo a extremo, siguen siendo sensibles a los cambios en la distribución (por ejemplo, cambios en el ángulo de azimut o en la configuración del sensor). Este artículo aborda la necesidad de una representación que esté desacoplada de las condiciones de adquisición y sea capaz de realizar una discriminación de conjunto abierto (open-set), replanteando el reconocimiento de materiales no como un problema de clasificación de conjunto cerrado, sino como un problema de emparejamiento de puntos.

Metodología
Los autores proponen un flujo de trabajo híbrido clásico-cuántico que consta de dos fases distintas:

1. Fase de Entrenamiento (Extracción de Características):

   • Representación de Datos: La entrada consiste en "cubos de polarización" derivados de mediciones de la matriz de Mueller. Estos cubos representan variaciones de intensidad a través de 180 ángulos de analizador, dimensiones espaciales ($H \times W$), y son generados mediante la simulación de diversas geometrías de iluminación y longitudes de onda.
   • Arquitectura del Codificador: Un cubo de polarización es procesado por un codificador OctGPT (un modelo basado en transformadores que utiliza la dispersión de octree) para generar incrustaciones (embeddings) jerárquicas. Estas incrustaciones son procesadas posteriormente por un cabezal de Red Neuronal de Grafos (GNN).
   • Objetivo: El modelo completo (OctGPT + GNN + cabezal de clasificación) se entrena de extremo a extremo utilizando una pérdida de entropía cruzada sobre 23 clases de materiales. El objetivo es aprender incrustaciones que sean compactas dentro de una clase y dispersas entre clases.

2. Fase de Inferencia (Emparejamiento de Puntos Cuánticos):

   • Congelación: El cabezal de clasificación y la GNN se descartan; solo se retiene el codificador OctGPT congelado.
   • Generación de Incrustaciones: Para un cubo de consulta, el codificador produce una matriz de incrustación de $64 \times 32$ (64 nodos hoja del octree, cada uno con un vector de 32 dimensiones).
   • Codificación Cuántica: La matriz de incrustación se aplana a un vector de 2048 dimensiones, se normaliza en $\ell_2$ y se codifica como las amplitudes de probabilidad de un estado cuántico de 11 qubits ($|\psi\rangle$).
   • Estimación de Similitud: Se utiliza un circuito de prueba SWAP (SWAP-test) para estimar la fidelidad ($F = |\langle \psi | \phi \rangle|^2$) entre el estado de consulta y una biblioteca de estados "ancla" (que representan materiales conocidos). El circuito utiliza un qubit ancila, puertas Hadamard y puertas de intercambio controlado (controlled-SWAP).
   • Clasificación: La consulta se asigna a la clase de los anclajes que produzcan la mayor fidelidad agregada.

Contribuciones Clave

• Conjunto de Datos: Un conjunto de datos de cubos polarimétricos que comprende 23 clases de materiales (aproximadamente 800 muestras cada una), generados variando ángulos de azimut, longitudes de onda de luz y estados de polarización sobre matrices de Mueller calibradas.
• Flujo Híbrido: Un novedoso flujo de trabajo de extracción de características y generación de incrustaciones que produce una matriz de incrustación rica y de tamaño fijo por cada cubo de material, entrenada de forma discriminativa pero congelada para la inferencia.
• Marco Cuántico: Un marco de emparejamiento de puntos impulsado por computación cuántica que codifica las incrustaciones de los vóxeles como estados de amplitud cuántica y utiliza la prueba SWAP para evaluar las similitudes de los materiales bajo simulación cuántica.
• Análisis Comparativo: Una evaluación extensiva que compara el enfoque cuántico contra líneas base clásicas, incluyendo Transporte Óptimo (emparejamiento suave), distancia de húngaro (emparejamiento duro) y similitud de coseno.

Resultados Experimentales
El enfoque fue evaluado en el conjunto de datos polarimétrico KAIST (aproximadamente 19,555 muestras tras el filtrado).

• Rendimiento Cuántico: Bajo una simulación de estado vectorial ideal y sin ruido, la Prueba SWAP Cuántica logró un 72.7% de precisión Top-1 y un 90.9% de Top-3.
• Líneas Base Clásicas:
  • Transporte Óptimo (Normalizado): 87.9% Top-1 / 98.5% Top-3.
  • Emparejamiento de Húngaro (Normalizado): 86.4% Top-1 / 95.5% Top-3.
  • Similitud de Coseno: 71.2% Top-1 / 93.9% Top-3.
• Análisis: Los resultados indican que la Prueba SWAP Cuántica proporciona una señal de similitud válida, desempeñándose de manera comparable a la similitud de coseno. Sin embargo, los métodos clásicos estructurados (Transporte Óptimo y Húngaro) superaron al enfoque cuántico. Los autores atribuyen esta brecha al hecho de que los métodos clásicos operan directamente sobre la estructura del conjunto de hojas por cada hoja, mientras que la codificación cuántica actual comprime todo el diseño espacial en un único estado de amplitud global.

Significancia y Reivindicaciones
El artículo afirma que este trabajo establece un camino viable hacia el reconocimiento de materiales basado en NISQ (Dispositivos Cuánticos de Escala Intermedia con Ruido). Al replantear el reconocimiento como una recuperación basada en la similitud sobre incrustaciones locales en lugar de una clasificación de conjunto cerrado, el método demuestra potencial para la discriminación de conjunto abierto, distinguiendo con éxito entre materiales conocidos y entradas fuera de la distribución (matrices de Mueller aleatorias) con menor confianza.

Los autores enfatizan que, si bien los puntajes de fidelidad cuántica actuales son competitivos con la simple similitud de coseno, la brecha con los métodos clásicos estructurados resalta un área específica de mejora: pasar de la codificación de amplitud plana al emparejamiento de grafos cuánticos que preserve la topología del octree. El trabajo sirve como una prueba de concepto de que la fidelidad cuántica puede servir como una métrica de similitud significativa para datos polarimétricos, siempre que las iteraciones futuras aborden la compresión de la estructura espacial y la sobrecarga de la preparación del estado en hardware real.