Resumen Técnico: Evolución de Arquitecturas Híbridas Cuántico-Clásicas para la Clasificación de Imágenes

Planteamiento del Problema

Las redes neuronales híbridas cuántico-clásicas (HQNN, por sus siglas en inglés) integran circuitos cuánticos parametrizados (PQC) con arquitecturas de aprendizaje profundo para procesar datos clásicos. Sin embargo, el rendimiento de estos modelos depende fuertmente de la selección manual de la arquitectura del circuito cuántico (ansatz), incluyendo la composición de puertas, la profundidad del circuito, la conectividad de los cúbits y la codificación de datos. Los enfoques existentes suelen depender de circuitos fijos o diseñados a mano que no garantizan adecuarse a tareas específicas. Esta limitación es particularmente aguda en la clasificación de imágenes, donde los circuitos cuánticos deben transformar las características extraídas por redes clásicas permaneciendo lo suficientemente compactos para un entrenamiento práctico en hardware de corto plazo. Los ansätze genéricos y ajenos a la tarea suelen fallar en cumplir estos requisitos simultáneos, lo que provoca problemas como los llanos estériles (barren plateaus o desvanecimiento exponencial de gradientes) y una mala capacidad de entrenamiento. En consecuencia, existe la necesidad de un método automatizado para descubrir estructuras de circuitos cuánticos que sean tanto efectivas para datos de imágenes complejos como computacionalmente eficientes.

Metodología

Los autores extienden EXAQC, un marco evolutivo utilizado previamente para benchmarks de baja dimensión, al dominio de la clasificación de imágenes. La metodología propuesta emplea una arquitectura híbrida que consta de tres componentes principales:

1. Codificador Clásico ($E_\psi$): Un extractor de características (bloque identidad, MLP o CNN) que comprime imágenes brutas de alta dimensión ($C \times H \times W$) en una representación compacta ($d_q$) adecuada para el procesamiento cuántico.
2. Circuito Cuántico Parametrizado Evolucionado ($Q_{\theta, A}$): Un PQC donde la arquitectura $A$ (composición de puertas, profundidad, conectividad) se descubre mediante búsqueda evolutiva, mientras que los parámetros continuos $\theta$ se optimizan mediante descenso de gradiente.
3. Decodificador Clásico ($D_\phi$): Una red que mapea los resultados de las mediciones cuánticas a predicciones de clase.

Proceso de Búsqueda Evolutiva:
EXAQC utiliza un algoritmo evolutivo de estado estacionario para optimizar la estructura del circuito. Cada circuito candidato se representa como un genoma de longitud variable que contiene una colección ordenada de puertas. La búsqueda emplea:

• Mutación Estructural: Añadir, habilitar, deshabilitar o reordenar puertas, y modificar la conectividad de los cúbits.
• Cruce (Crossover): Combinar información de los circuitos padres utilizando operadores binarios, exponenciales o n-arios.
• Herencia Lamarckiana: Transferir los parámetros continuos aprendidos de los padres a los descendientes para acelerar la convergencia.
• Evaluación Asíncrona: Los candidatos se evalúan en paralelo, y los descendientes compiten inmediatamente por la inserción en la población basándose en la aptitud (fitness) de validación.

Estrategias de Codificación Cuántica:
El estudio investiga cuatro mecanismos de codificación de entrada:

• Codificación de Amplitud (Amplitude Encoding): Mapea $d_q$ características a $n_q = \lceil \log_2(d_q) \rceil$ cúbits.
• Codificaciones de Rotación (RX, RY): Mapea una característica por cúbit ($n_q = d_q$).
• Codificación U3: Mapea tres características por cúbit usando la puerta $U3(\theta, \phi, \lambda)$, permitiendo $n_q = d_q/3$.

El objetivo de entrenamiento minimiza la pérdida de entropía cruzada a través de los parámetros conjuntos del codificador, el circuito cuántico y el decodificador.

Contribuciones Clave

1. Extensión de EXAQC a la Clasificación de Imágenes: El artículo escala con éxito el marco EXAQC desde problemas de baja dimensión hacia conjuntos de datos de imágenes complejos (MNIST, Fashion-MNIST, CIFAR-10), demostrando que los circuitos evolucionados pueden encontrar transformaciones útiles en las características comprimidas de las imágenes.
2. Descubrimiento Automatizado de Módulos Cuánticos Compactos: A diferencia de los métodos que dependen de ansätze fijos, el enfoque propuesto evoluciona circuitos adaptados a las características aprendidas, resultando en módulos cuánticos compactos (20–60 puertas) que reemplazan componentes clásicos más grandes.
3. Uso Novedoso de la Codificación U3: El trabajo introduce el uso de puertas U3 como un mecanismo de codificación cuántica dentro de un marco de búsqueda evolutiva, distinguiéndose de trabajos previos que no empleaban esta estrategia de codificación específica.
4. Eficiencia de Parámetros: El estudio proporciona evidencia empírica de que los modelos híbridos evolucionados pueden lograr una precisión competitiva con significativamente menos parámetros en comparación con las líneas base de aprendizaje profundo puramente clásicas.

Resultados Experimentales

El marco fue evaluado en tres conjuntos de datos con diferentes niveles de complejidad:

• Rendimiento Predictivo:

  • MNIST: 98.42% de precisión.
  • Fashion-MNIST: 90.62% de precisión.
  • CIFAR-10: 85.47% de precisión.
  • Estos resultados superan o igualan a métodos previos de búsqueda de arquitectura cuántica (QAS) (ej. EQNAS, AQEA-QAS) en CIFAR-10 utilizando menos puertas.

• Impacto de la Codificación:

  • En MNIST, la elección de la codificación tuvo un impacto mínimo (diferencias < 1%).
  • En CIFAR-10, las codificaciones basadas en rotación (RX, RY, U3) superaron significativamente a la codificación de amplitud (83.75–86.68% frente a 61.38%). La codificación U3 produjo la mayor precisión (86.68%) pero requirió los circuitos más grandes (60 puertas, 40 parámetros).

• Eficiencia de Parámetros:

  • CIFAR-10: El modelo híbrido EXAQC logró un 85.68% de precisión con 100,173 parámetros, igualando a una CNN de 10 capas (85.50%) que requería 2,569,962 parámetros (una reducción del 96.1%). También se mantuvo dentro del 1.4% de la precisión de ResNet18 con un 99.1% menos de parámetros.
  • Fashion-MNIST: El modelo híbrido superó a una CNN de 1 capa (91.11% vs. 89.47%) con un 54.8% menos de parámetros.

• Complejidad del Circuito:

  • Los circuitos evolucionados para CIFAR-10 fueron sustancialmente más grandes y más entrelazados que los de MNIST, presentando arreglos irregulares y no estratificados de rotaciones de un solo cúbit y puertas controladas de múltiples cúbits, diferenciándose de las plantillas estándar diseñadas a mano.

Significación y Reivindicaciones

El artículo afirma que el descubrimiento automatizado de circuitos mediante búsqueda evolutiva produce módulos cuánticos compactos capaces de reemplazar componentes clásicos más grandes en arquitecturas de visión sin sacrificar una precisión competitiva. La significación de este trabajo radica en:

• Escalabilidad: Demostrar que los PQC evolucionados pueden manejar las representaciones de características comprimidas de conjuntos de datos de imágenes complejos, cerrando la brecha entre las limitaciones del hardware de corto plazo y los requisitos de datos de alta dimensión.
• Eficiencia: Establecer que los modelos híbridos pueden lograr un rendimiento de vanguardia para su clase con recuentos de parámetros drásticamente reducidos, abordando las restricciones de recursos del hardware cuántico actual.
• Adaptabilidad: Destacar que la arquitectura cuántica y la estrategia de codificación óptimas no son universales, sino que dependen fuertemente del conjunto de datos y de la calidad de la extracción de características clásicas.

Los autores concluyen que, si bien los resultados son prometedores, el trabajo futuro debe abordar la dependencia de la simulación, la necesidad de comparaciones estandarizadas con el estado del arte y la optimización conjunta de los codificadores y los circuitos cuánticos. También señalan que el costo de la búsqueda evolutiva aumenta con la complejidad del circuito, lo que sugiere la necesidad de estrategias de búsqueda distribuida más eficientes.