Resumen Técnico: Inteligencia Visual Basada en la Geometría para el Reconocimiento de Gestos

1. Planteamiento del Problema

Los sistemas actuales de IA visual de vanguardia para el reconocimiento de gestos dependen de enfoques de "primero los píxeles" (pixel-first), alimentando redes neuronales convolucionales o de transformadores con fotogramas de video crudos. Aunque son precisos, estos sistemas sufren dos limitaciones críticas:

1. Falta de Interpretabilidad: Las representaciones internas son incrustaciones (embeddings) de píxeles de alta dimensión que son estadísticamente poderosas pero geométricamente carentes de sentido. Carecen de conceptos explícitos como la curvatura, los ángulos o la topología, lo que las hace incompatibles con los sistemas de razonamiento Neuro-Simbólicos (NeSy) que requieren reglas verificables y composibles.
2. Incompatibilidad Cuántica: Las arquitecturas de visión cuántica existentes intentan mapear datos de píxeles brutos a circuitos cuánticos. Esto requiere una codificación forzada y con pérdida que destruye la correspondencia estructural entre los datos visuales y los parámetros de las puertas cuánticas.

El artículo postula que un enfoque de "primero la geometría" —computando propiedades de geometría diferencial explícitas antes del procesamiento neuronal— puede resolver ambos problemas al proporcionar una base simbólica e interpretable que se alinea de forma nativa con la computación cuántica.

2. Metodología

El marco propuesto consta de dos arquitecturas principales: la Red Geométrica Profunda (DGN) y la Red Geométrica Cuántica (QGN).

A. Extracción de Características Geométricas (La Capa Simbólica)

Antes de que ocurra cualquier aprendizaje, el sistema computa 128 valores escalares por fotograma a partir de video bruto utilizando geometría diferencial establecida, no incrustaciones aprendidas. Estas características son:

• Curvatura de Ricci: Mide la agudeza de los giros en la trayectoria de los dedos.
• Parametrización de Bézier: Describe la forma de los arcos de movimiento trazados por las puntas de los dedos.
• Velocidad Angular: Calcula la velocidad de rotación de los segmentos esqueléticos.
• Conectividad Topológica: Define la estructura de grafo ponderado de la mano basada en la proximidad de puntos de referencia (landmarks) en 3D.

Estas 128 dimensiones están nombradas, son interpretables y están definidas matemáticamente (por ejemplo, "la Dimensión 7 es la curvatura de Ricci de la trayectoria de la punta del índice").

B. Red Geométrica Profunda (DGN)

La DGN procesa el vector geométrico de 128 dimensiones a través de un codificador temporal para clasificar gestos. El artículo evalúa tres arquitecturas temporales en secuencias de 36 fotogramas:

• Transformer: Trata todos los fotogramas por igual mediante mecanismos de atención.
• LSTM Bidireccional: Procesa secuencias hacia adelante y hacia atrás.
• Mamba (Modelo de Espacio de Estados Selectivo): Actualiza dinámicamente la memoria basándose en la capacidad de información de la entrada. Los autores argumentan que Mamba es excepcionalmente adecuado para secuencias geométricas, ya que retiene la memoria durante fotogramas redundantes y se actualiza solo durante cambios geométricos decisivos (por ejemplo, un encogimiento de dedo).

C. Red Geométrica Cuántica (QGN)

La QGN extiende la DGN dirigiendo las características geométricas a través de un Circuito Cuántico Variacional (VQC).

• Mapeo Nativo: Los valores escalares geométricos (ángulos, curvaturas) se codifican directamente como parámetros de rotación ($\theta, \phi$) en la esfera de Bloch. Esto no requiere una codificación forzada, preservando el significado semántico de la entrada.
• Arquitectura: El sistema utiliza 8 cúbits (restricción actual de hardware) con 3 capas de transformación.
• Cuello de Botella: Debido al límite de 8 cúbits, la entrada de 128 dimensiones debe comprimirse 16 veces (128 $\to$ 8) antes de entrar al circuito, descartando una cantidad significativa de información.

3. Contribuciones Clave

1. Arquitecturas DGN y QGN: El primer flujo de trabajo completo desde video bruto hasta características geométricas de 128 dimensiones, seguido de clasificación clásica (Mamba/LSTM) o cuántica.
2. Fundamento Neuro-Simbólico: Establece una capa de "percepción simbólica" donde las características se derivan de definiciones matemáticas en lugar de datos, permitiendo el razonamiento lógico posterior.
3. Análisis del Codificador Temporal: Identifica a Mamba como el codificador superior para el movimiento geométrico suave y de estructura local, superando a los Transformers y LSTMs en este dominio específico.
4. Diagnóstico del Cuello de Botella Cuántico: Aísla rigurosamente la brecha de rendimiento entre los modelos clásicos y cuánticos como una restricción de hardware (conteo de cúbits) en lugar de un fallo algorítmico.
5. Ablación de Escalamiento de Cúbits: Un experimento controlado que demuestra que aumentar el conteo de cúbits de 8 a 12 (manteniendo todas las demás variables constantes) recupera +8.0 puntos porcentuales en precisión, probando que el sistema escala con la capacidad del hardware.

4. Resultados Experimentales

El sistema fue evaluado con el conjunto de datos Jester (148,092 videos, 27 clases).

• Rendimiento Estático: Sobre características geométricas de un solo fotograma, una Regresión Logística simple logró un 52.61% de precisión (15$\times$ el azar), y una línea base de Red Neuronal alcanzó el 61.70%. Esto confirma que las características geométricas por sí solas portan una señal discriminativa fuerte.
• Rendimiento Temporal:
  • DGN-Mamba: Logró un 65.77% de precisión, el mejor resultado entre los modelos clásicos. Esto representa una ganancia de +4 puntos sobre los modelos estáticos, resaltando el valor de la dinámica del movimiento.
  • QGN-Mamba: Logró un 59.19% de precisión.
• La Brecha Cuántica: La diferencia de 6.6 puntos entre DGN-Mamba y QGN-Mamba se atribuye enteramente a la compresión de 16$\times$ requerida para ajustar 128 dimensiones en 8 cúbits.
• Evidencia de Escalamiento:
  • 8 Cúbits: 39.90% de precisión (en un subconjunto de 20K).
  • 12 Cúbits: 47.90% de precisión.
  • Resultado: Una ganancia de +8.0 puntos únicamente por aumentar el conteo de cúbits.
  • Proyección: Al alcanzar los 128 cúbits (dentro de la hoja de ruta de IBM), la relación de compresión será de 1:1, lo que teóricamente permitiría que la QGN iguale o supere el rendimiento clásico en un espacio de estados de $2^{128}$.
• Características de Flujo: Añadir deltas de movimiento explícitos (entrada de 192-D) proporcionó una ganancia insignificante (+0.09%) para los modelos clásicos (ya que Mamba aprende la dinámica implícitamente), pero mejoró la QGN en un +1.54%, confirmando que la capa cuántica es sensible a entradas más ricas cuando tiene capacidad suficiente.

5. Significado y Reivindicaciones

El artículo argumenta que la geometría es el lenguaje correcto para la IA visual en el contexto tanto del razonamiento Neuro-Simbólico como de la próxima era cuántica.

• Interpretabilidad: A diferencia de las incrustaciones basadas en píxeles, las características geométricas son proposiciones verificables (por ejemplo, "curvatura > 0.4") que pueden componerse en reglas lógicas o grafos de conocimiento.
• Preparación Cuántica: El artículo afirma que la QGN es la primera arquitectura de visión cuántica con un "mapeo basado en principios y sin parámetros" entre la representación visual y la computación cuántica. Los valores geométricos son naturalmente ángulos de rotación, eliminando la necesidad de una codificación con pérdida.
• Trayectoria del Hardware: La brecha de rendimiento no es un fallo algorítmico, sino una limitación de hardware. Los autores afirman que a medida que los conteos de cúbits alcancen los 64–128 (previstos dentro de la década), la QGN operará en un sustrato computacional ($2^{128} \approx 10^{38}$) inaccesible para los modelos clásicos, sin requerir cambios en el algoritmo subyacente o en la extracción de características.
• Alcance: Los autores declaran explícitamente que no construyeron el reconocedor de gestos más preciso (el SOTA basado en píxeles alcanza ~93–97%). En su lugar, construyeron una base de principios para la próxima generación de IA que es interpretable hoy y está lista para el mañana cuántico.

El trabajo concluye que el flujo de trabajo basado en la geometría es aplicable a cualquier dominio donde el movimiento tenga una estructura interpretable, incluyendo la robótica quirúrgica, la rehabilitación, el lenguaje de señas y la automatización industrial, proporcionando un camino escalable hacia la inteligencia general.