🔬 óptica

Seeing Why: Exact Evidence Maps for Quantum and Optical Image Classifiers

Este artículo introduce los Mapas de Evidencia de Born (BEM, por sus siglas en inglés), un método exacto y libre de aproximaciones para interpretar clasificadores de imágenes cuánticos y totalmente ópticos mediante la descomposición de las probabilidades de clase en contribuciones de amplitud medibles, demostrando su eficacia para identificar características críticas y revelar atajos de datos a través de experimentos tanto simulados como en hardware cuántico real de IBM.

Autor original: Teerawat Tongloy, Rangsan Jomtarak

Publicado 2026-11-03

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autor original: Teerawat Tongloy, Rangsan Jomtarak

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cuando una computadora observa una fotografía y decide qué es lo que ve, el razonamiento detrás de esa elección suele ser un misterio. Incluso los sistemas más avanzados operan como cajas negras: reciben una imagen y emiten una etiqueta, pero el camino entre ambas está oculto dentro de capas de cálculos complejos. Los científicos han desarrollado métodos para adivinar qué partes de una imagen importaron más, pero estas suposiciones suelen ser aproximaciones que no se suman a la decisión final. Esta falta de transparencia es un obstáculo significativo, especialmente a medida que los investigadores comienzan a construir clasificadores utilizando luz o partículas cuánticas en lugar de los tradicionales chips de silicio. Si estas nuevas máquinas han de ser confiables, necesitamos saber exactamente por qué tomaron una decisión, no solo una suposición. El desafío es encontrar una forma de ver el razonamiento dentro de la máquina, de rastrear la decisión hasta los píxeles específicos que la impulsaron, sin perder precisión ni depender de estimaciones aproximadas.

Un equipo de investigadores ha construido ahora un sistema que resuelve este problema tanto para clasificadores de imágenes ópticos como cuánticos. Crearon una máquina que puede mirar una imagen y, al mismo tiempo, producir un mapa que muestre exactamente qué partes de esa imagen contribuyeron a la respuesta. A diferencia de los métodos anteriores que ofrecen solo una estimación, este sistema proporciona una contabilidad exacta. Cada fragmento de evidencia que la máquina reúne se suma perfectamente a la probabilidad final de su decisión. Los investigadores demostraron esto en dos tipos de hardware muy diferentes: un chip de computadora cuántica y un banco óptico simulado hecho de lentes y luz. En ambos casos, pudieron señalar los píxeles específicos que convencieron a la máquina para identificar un bote, un leopardo o un coche, y pudieron probar que estos píxeles eran la verdadera razón de la decisión.

El núcleo de este trabajo es una nueva forma de codificar imágenes para que la máquina trate las características oscuras y brillantes por igual. En muchos sistemas, las áreas brillantes de una foto dominan el análisis, causando que la máquina ignore detalles oscuros pero importantes. Los investigadores resolvieron esto desplazando la imagen de modo que el brillo promedio se convierta en un punto de referencia neutral. Esto permite que una sombra oscura en el casco de un bote tenga tanto peso como una mancha brillante en el cielo. Una vez que la imagen se prepara de esta manera, pasa a través de una serie de filtros. En la versión óptica, la luz viaja a través de una serie de placas de vidrio que doblan y dan forma al haz. En la versión cuántica, la imagen se traduce al estado de unos pocos bits cuánticos, que luego son manipulados por una secuencia específica de operaciones. Ambos caminos conducen a una medición final que determina la clase del objeto.

Lo que hace que este trabajo sea único es la capacidad de realizar ingeniería inversa a la decisión. Los investigadores demostraron que las matemáticas detrás de estos sistemas lineales les permiten desglosar la probabilidad final en contribuciones de cada uno de los píxeles. Ellos llaman a estos "mapas de evidencia de Born". Estos mapas actúan como un mapa de calor, resaltando las partes de la imagen que empujaron a la máquina hacia una respuesta específica y mostrando qué partes la alejaron. Debido a que las matemáticas son exactas, la suma de todas estas contribuciones de los píxeles es igual a la confianza de la máquina en su respuesta. No hay aproximación involucrada; la explicación es tan precisa como la decisión misma. Este es un cambio significativo respecto a otros métodos, que a menudo requieren pasar la imagen por el sistema miles de veces con diferentes partes bloqueadas para adivinar qué importaba. Aquí, la explicación proviene directamente de la única ejecución de la imagen.

Para probar si estos mapas eran realmente útiles, los investigadores realizaron un experimento riguroso. Tomaron un conjunto de imágenes de prueba y eliminaron sistemáticamente los píxeles que el mapa decía que eran más importantes. Cuando eliminaron solo el cinco por ciento de los píxeles con mayor evidencia, la precisión de la máquina cayó drásticamente del setenta y tres por ciento al nueve por ciento. Esto demostró que el mapa estaba identificando correctamente las características críticas. En contraste, cuando eliminaron píxeles basándose en métodos más antiguos y menos precisos, la precisión de la máquina apenas disminuyó. Los mapas también revelaron un fallo oculto en los datos que estaban utilizando. El sistema notó que las fotos de leopardos en su conjunto de entrenamiento a menudo tenían una franja oscura en el borde superior, una peculiaridad de cómo se habían recortado las fotos. La máquina había aprendido a usar esta franja oscura como un atajo para identificar leopardos, en lugar de mirar al animal mismo. Los investigadores utilizaron los mapas para detectar este comportamiento, eliminaron las franjas oscuras de las imágenes y reentrenaron el sistema. El resultado fue una máquina que finalmente aprendió a reconocer el cuerpo y las manchas del leopardo, en lugar del espacio vacío sobre él.

Los investigadores luego llevaron su diseño óptico y lo ejecutaron en una computadora cuántica real, específicamente el chip IBM ibm_kingston. Cargaron trescientas imágenes de prueba en el chip y le pidieron que las clasificara. La máquina logró una precisión del treinta y siete punto siete por ciento, lo cual es casi cuatro veces mejor que el azar. Más importante aún, midieron los mapas de evidencia directamente en el chip para una selección de imágenes. Estas mediciones del mundo real coincidieron con los mapas teóricos exactos con una correlación de cero punto setenta y siete. Esto confirmó que el hardware cuántico no solo estaba tomando decisiones, sino que también estaba produando el mismo razonamiento interno exacto que la teoría predecía. Aunque el chip cuántico estaba limitado por la dificultad de cargar las imágenes en su memoria, la simulación óptica mostró que un banco físico de lentes y espejos podía alcanzar una precisión del setenta y dos punto tres por ciento en el mismo conjunto de fotografías a color.

El estudio también estableció los requisitos físicos para construir tal máquina óptica. Los investigadores simularon los efectos de las imperfecciones del mundo real, como ligeros desalineamientos de las placas de vidrio o fluctuaciones en la potencia del láser. Descubrieron que el sistema es sorprendentemente robusto; puede tolerar pequeños errores de alineación y aun así funcionar bien. Sin embargo, la alineación debe ser precisa dentro de aproximadamente una micra, y la potencia del láser debe permanecer estable durante la medición. Estos hallazgos proporcionan un plano claro para los ingenieros que deseen construir estos dispositivos. El trabajo demuestra que es posible crear clasificadores de imágenes que no solo sean precisos, sino también totalmente transparentes. Al utilizar luz o partículas cuánticas, y al diseñar el sistema para que sea lineal, los investigadores han eliminado el misterio del proceso de toma de decisiones. La máquina ya no solo da una respuesta; muestra su procedimiento, píxel por píxel, demostrando que el camino para comprender cómo piensan estas nuevas tecnologías está ahora abierto.

Resumen Técnico: Ver por qué: Mapas de evidencia exactos para clasificadores de imágenes cuánticos y ópticos

Planteamiento del problema
Las explicaciones actuales para clasificadores de imágenes, como los gradientes, los mapas de activación de clases, los Gradientes Integrados y los valores de Shapley, son típicamente aproximaciones. A menudo no logran sumar exactamente la decisión que explican o requieren estimación numérica mediante integrales de trayectoria o coaliciones de características. Este problema persiste en los clasificadores cuánticos y ópticos, que a menudo dependen de arquitecturas híbridas con redes clásicas preentrenadas o requieren la estimación numérica de las atribuciones. Los autores abordan la necesidad de una arquitectura de clasificador de imágenes donde la contribución de cada amplitud de entrada a cada probabilidad de clase pueda descomponerse exactamente, sin aproximación, y donde estas explicaciones puedan medirse directamente en el hardware que realiza la clasificación.

Metodología
El artículo propone una arquitectura unificada tanto para clasificadores basados en cúbits como para todos los ópticos que opera linealmente sobre imágenes codificadas por amplitud hasta la medición final, sin una red clásica entrenada antes o después de la transformación cuántica/óptica.

Codificación (El plano de la media): Para asegurar que las características oscuras tengan tanta señal como las brillantes, los autores eliminan la media del canal de cada imagen de los planos de color. Estas medias se mueven a un "plano de medias" dedicado (el cuarto plano), escalado para portar el 50% de la energía de la imagen. Esto permite que las desviaciones oscuras se conviertan en grandes amplitudes negativas con igual energía que las positivas.
Máscara en el plano de Fourier: Antes del procesamiento principal, cada plano de color pasa a través de una máscara compleja aprendida en su dominio de frecuencia espacial. En un banco de lentes, esto es un sistema 4f con un modulador de luz espacial; en cúbits, es una Transformada de Fourier Cuántica (QFT) con una máscara de post-selección. Este filtro es equivariante al desplazamiento y actúa como una convolución con un núcleo real.
Procesamiento Principal:
- Cúbits: Un circuito de "pared de ladrillos" (brickwall) de profundidad 11 en 12 cúbits, que consiste en rotaciones de un solo cúbit y CNOTs de vecinos cercanos.
- Óptica: Cuatro placas de fase separadas por 3.2 mm, propagando la luz mediante difracción de Fresnel.
Lectura (Born Headroom): El sistema utiliza una "Lectura de Born Headroom" (BHR). En lugar de un softmax estándar, calcula el "headroom" ( $u_g$ ) para cada clase $g$ , definido como la probabilidad medida ( $P_g$ ) menos la "cuota de no información" de la clase ( $b_g$ , la masa que recibiría una entrada máximamente mixta), normalizada por el espacio restante ( $1-b_g$ ). Estos headrooms se convierten a probabilidades mediante un LeakyReLU fijo y un softmax con un parámetro de escala $\phi$ preestablecido, lo que no requiere parámetros entrenables en la capa de lectura.
Mapas de Evidencia de Born (BEM): La contribución teórica central es la derivación de una descomposición aditiva exacta de la probabilidad de clase por encima de su cuota de no información ( $P_g - b_g$ ). Para un mapa lineal $A$ y una proyección $\Pi_g$ , la evidencia de una amplitud $x$ viene dada por $e_g(x) = a(x) \text{Re}[\langle Mg \rangle(x)] / Z$ , donde $M_g = A^\dagger(\Pi_g - b_g)A$ . Esta descomposición es una identidad algebraica, equivalente a los Gradientes Integrados desde una línea base de cero para la forma cuadrática subyacente, y suma exactamente a $P_g - b_g$ .

Contribuciones Clave

Descomposición Exacta: El artículo proporciona una descomposición de forma cerrada y exacta de las probabilidades de clase para clasificadores de amplitud codificados linealmente. A diferencia de métodos anteriores, estos mapas suman exactamente la probabilidad de clase por encima de su línea base, evitando la aproximación numérica.
Mapas Medibles en Hardware: Los autores demuestran que estos mapas de evidencia pueden estimarse directamente a partir de mediciones de hardware.
- En cúbits, los mapas se derivan de las probabilidades de clase utilizando la identidad de polarización de formas cuadráticas, requiriendo solo pasadas directas y adjuntas (sin pruebas de Hadamard).
- En un banco óptico, los mapas se derivan únicamente de las intensidades de la cámara mediante la medición de la luz para la imagen completa, la imagen con un bloque enmascarado y la imagen con el bloque mantenido.
Codificación del Plano de la Media: Se muestra que la introducción de la codificación del "plano de la media" es la mejora arquitectónica más significativa, desplazando el foco de la explicación del fondo hacia el objeto mismo.
Arquitectura Unificada: Un único diseño (máscara de Fourier + transformación lineal + BHR) sirve tanto para hardware cuántico (pared de ladrillos) como óptico (placas de fase), entrenado en conjuntos de datos que van desde MNIST hasta Caltech-10 en color.
Descubrimiento de Atajos de Datos: Los mapas se utilizaron para identificar y eliminar un atajo de datos (un cuadro oscuro en las imágenes de leopardos en el conjunto de datos sin recortar), demostrando la utilidad de las explicaciones exactas para la depuración de datos.

Resultados

Rendimiento: En Caltech-10 (color, 32x32), el modelo óptico completo (cuatro placas de fase) alcanzó un 72.3% de precisión. El modelo de cúbits (pared de ladrillos de profundidad 11) alcanzó un 54.9% en simulación.
Ejecución en Hardware: En el chip cuántico ibm_kingston de IBM, el modelo de cúbits alcanzó un 37.7% de precisión en 300 imágenes de prueba (3.8 veces el azar), comparado con el 56.3% en la simulación exacta. La caída de precisión se atribuyó principalmente al circuito de carga de estados (fidelidad ~0.77) y no al ruido del chip.
Calidad de la Explicación:
- Pruebas de Deletado: Eliminar el 5% superior de los píxeles por evidencia redujo la precisión de 73% a 9% (óptico) y de 56% a 5% (cúbit), igualando el rendimiento de los métodos de oclusión pero con mucha menos ejecución.
- Correlación: En el chip cuántico, los mapas de evidencia de bloques de 2x2 para 10 imágenes correctamente clasificadas correlacionaron con los mapas exactos a un r = 0.77.
- Foco en el Objeto: Con el plano de la media, la evidencia se concentró en el objeto (1.32–1.37 veces la cuota de área), mientras que la codificación de amplitud simple distribuía la evidencia uniformemente.
Tolerancias: Las simulaciones de un banco óptico físico indican que el sistema es robusto a moduladores de 8 bits, pero requiere una alineación precisa (desplazamientos de placa < 0.8 µm, rotación < 0.25°) y una potencia de láser estable (< 0.1% de deriva por cuadro).

Significancia y Reivindicaciones
El artículo afirma proporcionar el primer clasificador de imágenes óptico cuyas probabilidades de clase se descomponen exactamente en las contribuciones de las amplitudes codificadas, y un clasificador cuántico sin red clásica entrenada cuyas explicaciones fueron medidas en una computadora cuántica real.

Los autores son modestos sobre los resultados, declarando explícitamente:

El modelo totalmente óptico es una red difractiva lineal; no se reclama ventaja cuántica, y la luz clásica es suficiente.
Las precisiones (por ejemplo, 72.3% en Caltech-10) están por debajo de las de las pequeñas redes convolucionales electrónicas (85.4%) o de los grandes conjuntos difractivos.
La descomposición es exacta para las amplitudes codificadas, no para los píxeles brutos, debido a la codificación de resta de la media.
Los resultados de hardware están limitados por el estado actual de la carga de estados cuánticos, no necesariamente por la arquitectura del clasificador en sí.
El "atajo" encontrado en los datos fue identificado usando el conjunto de prueba, lo que significa que los resultados en el conjunto recortado son exploratorios y carecen de un conjunto de validación completamente independiente.

La principal significancia reside en la interpretabilidad del sistema: la capacidad de medir exactamente por qué un clasificador lineal cuántico u óptico tomó una decisión directamente en el hardware, sin aproximación, y de usar estos mapas para validar que el modelo se apoya en el objeto en lugar de en artefactos del fondo.

Más como este