🤖 AI

Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers

Questo articolo propone un modello di rete neurale quantistica che integra circuiti di ri-caricamento dei dati con l'embedding dell'Hamiltoniana quantistica, dimostrando prestazioni superiori rispetto alle reti neurali convoluzionali quantistiche su dataset di immagini e stabilendo sei principi di progettazione per il machine learning quantistico basati su euristiche del deep learning classico.

Autori originali: Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

Pubblicato 2026-07-28

📖 3 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di insegnare a un robot a riconoscere le immagini, come distinguere un gatto da un cane. Per decenni, abbiamo usato i computer "classici" per farlo, costruendoli come enormi e complesse fabbriche dove i dati scorrono attraverso molti strati di elaborazione. Ma ora, gli scienziati si stanno chiedendo: e se usassimo le regole strane e magiche della fisica quantistica per costruire un robot più intelligente e veloce? Questo campo è chiamato Apprendimento Automatico Quantistico (Quantum Machine Learning). La grande domanda non riguarda più solo la velocità; riguarda il come dare in pasto le immagini a un computer quantistico. Nel mondo classico, puoi semplicemente scaricare una foto nella memoria. Ma nel mondo quantistico, devi tradurre quella foto in un "linguaggio quantistico" speciale (chiamato embedding) senza perdere la forma o il significato dell'immagine. Se la traduci male, il robot si confonde. Questo articolo affronta questo problema di traduzione, chiedendosi se dovremmo limitarci a copiare e incollare i vecchi trucchi del computer nel mondo quantistico o inventare un nuovo modo che rispetti la natura unica della fisica quantistica.

Gli autori di questo articolo, un team dell'Università di Melbourne e della UNSW di Sydney, hanno deciso di smettere di cercare di forzare i trucchi dei computer classici sulle macchine quantistiche. Invece, hanno osservato come funziona il successo del deep learning classico e hanno cercato di portare quei "sentiti dire" (euristiche) nel regno quantistico. Hanno costruito un nuovo tipo di classificatore quantistico, un modello progettato per smistare le immagini, utilizzando due ingredienti principali: un circuito di "ri-caricamento dei dati" (data reuploading, che significa alimentare il computer quantistico con le informazioni dell'immagine più volte, come leggere un libro due volte per capirlo meglio) e un "Embedding Hamiltoniano Quantistico". Pensa all'embedding Hamiltoniano come a una lente speciale che trasforma l'intera immagine in un'unica, complessa "ricetta" quantistica (una matrice) invece di trasformare ogni pixel in una semplice impostazione di un cursore. Questo permette al computer quantistico di elaborare l'intera forma dell'immagine in una volta sola, piuttosto che appiattirla in una linea disordinata di dati.

Quando hanno testato il loro nuovo modello su famosi dataset di immagini come MNIST (numeri scritti a mano) e FashionMNIST (articoli di abbigliamento), i risultati sono stati sorprendentemente forti. In queste simulazioni, il loro nuovo modello ha travolto il precedente "standard di riferimento" dei modelli quantistici, noto come Rete Neurale Convoluzionale Quantistica (QCNN). Sul set di test MNIST, il loro modello ha raggiunto un'accuratezza di quasi il 90%, rispetto al circa 47% del baseline, rappresentando un miglioramento assoluto di oltre 40 punti percentuali. Anche sul dataset più complesso FashionMNIST, ha mantenuto la sua posizione, superando significativamente il baseline. Gli autori non si sono fermati solo ai numeri; hanno usato questi risultati per proporre sei nuove "regole della strada" per progettare futuri modelli di apprendimento automatico quantistico. Suggeriscono che non dovremmo ossessionarci nel rendere le cose più veloci subito, ma dovremmo invece concentrarci sul mantenere la forma naturale dei dati (come la griglia 2D di una foto), fare il meno possibile di "pre-cottura" sui computer classici ed evitare metodi che accidentalmente ingannano il modello con cattivi pregiudizi. In sostanza, sostengono che per rendere i computer quantistici bravi nell'IA, dobbiamo smettere di cercare di farli agire come computer classici e iniziare a lasciarli agire come computer quantistici, usando la matematica unica della fisica quantistica per svolgere il lavoro pesante.

Sintesi Tecnica: Embedding Hamiltoniano Quantistico di Immagini per Classificatori a Reupload di Dati

Problematica
L'applicazione del calcolo quantistico al machine learning (QML) si è tradizionalmente concentrata sul raggiungimento di un vantaggio quantistico attraverso accelerazioni di runtime, spesso "quantizzando" algoritmi classici (ad esempio, utilizzando l'algebra lineare quantistica per subroutine come qPCA). Tuttavia, un recente dibattito mette in discussione se la velocità sia l'obiettivo ottimale per il QML, suggerendo invece che le proprietà uniche quantistiche o gli euristiche derivanti dal deep learning classico dovrebbero guidare la progettazione dei modelli. Una sfida specifica sorge nella classificazione delle immagini: il deep learning classico si basa fortemente sulla località dell'informazione e sull'invarianza per traslazione (ad esempio, CNN, Vision Transformers). Gli approcci QML esistenti per le immagini spesso faticano con dati ad alta dimensionalità, richiedendo frequentemente un pre-processing classico (riduzione della dimensionalità tramite PCA o reti pre-addestrate) o utilizzando metodi di embedding (come l'angle o l'amplitude embedding) che possono introdurre bias indesiderati o fallire nel preservare la struttura intrinseca bidimensionale dei dati d'immagine.

Metodologia
Gli autori propongono un classificatore di Reti Neurali Quantistiche (QNN) che integra l'architettura del circuito di Data Reuploading con un metodo di Embedding Hamiltoniano Quantistico.

Embedding Hamiltoniano dell'Immagine: Invece di appiattire le immagini o codificare i valori dei pixel come angoli di rotazione (angle embedding), il modello tratta la matrice dell'immagine in scala di grigi $M$ come un operatore hermitiano. L'immagine viene prima "ermitizzata" ( $H_M = (M + M^T)/2$ ) e poi codificata nello stato quantistico tramite l'operatore di evoluzione temporale unitaria $W(t; M) = e^{-iH_M t/2}$ , dove $t$ è un parametro addestrabile. Questo approccio preserva la struttura 2D dell'immagine e applica una non-linearità polinomiale di matrice all'intero livello dell'immagine, evitando il bias associato alle funzioni trigonometriche periodiche dell'angle embedding.
Data Reuploading: Il modello utilizza un circuito variazionale in cui l'unitaria di codifica dei dati ( $W$ ) e uno strato unitario parametrizzato ( $V$ ) vengono ripetuti $L$ volte. Lo stato è preparato come $|\phi(t, \vec{\omega}; M)\rangle = \prod_{i=1}^L [V(\omega_i)W(t_i; M)] |+\rangle^{\otimes n}$ . Questo imita il riutilizzo dei dati di input nelle reti deep classiche, consentendo al modello di apprendere funzioni complesse attraverso interazioni ripetute tra i dati e i parametri addestrabili.
Architettura: Gli strati parametrizzati $V$ consistono in gate unitari $SU(4)$ disposti in una configurazione a parete di mattoni (o $SU(N)$ per un numero maggiore di qubit). La classificazione viene eseguita misurando gli operatori di proiezione corrispondenti alle etichette di classe, con l'ottimizzazione dell'addestramento tramite perdita di cross-entropy.

Contributi Chiave

Costruzione del Modello: Il documento costruisce un nuovo classificatore QML che combina l'embedding hamiltoniano con il paradigma del data reuploading.
Benchmarking delle Prestazioni: Gli autori dimostrano, attraverso esperimenti numerici, che questo modello supera significativamente il modello baseline QCNN (Quantum Convolutional Neural Network) nei compiti di classificazione di immagini.
Principi di Progettazione: Sulla base della progettazione del modello e dei risultati empirici, gli autori propongono sei principi guida per la futura progettazione di modelli QML, spostando l'attenzione dalla pura velocità a euristiche architettoniche e strutture intrinseche dei dati.

Risultati Sperimentali
Il modello è stato valutato su quattro dataset: Kaggle CT Medical Images, un sottoinsieme del dataset Sklearn Digits, e sottoinsiemi dei dataset MNIST e FashionMNIST.

Guadagni di Prestazione: Il modello proposto "HamEmb" ha superato costantemente il modello baseline QCNN (che utilizza l'amplitude embedding e input appiattiti).
- Sul set di test MNIST (8 classi), il modello HamEmb ha raggiunto l'89,72% di accuratezza rispetto al 47,03% del QCNN, un margine di oltre 40%.
- Sul set di test FashionMNIST, HamEmb ha raggiunto il 77,77% di accuratezza rispetto al 42,90% del QCNN.
- Sul dataset Sklearn Digits, HamEmb ha raggiunto il 94,40% di accuratezza contro il 78,95% del QCNN.
Robustezza: Il modello HamEmb ha mostrato prestazioni costanti attraverso 20 (per dataset più piccoli) o 5 (per dataset più grandi) diverse inizializzazioni casuali dei parametri, mentre la prestazione del QCNN è stata più variabile e generalmente inferiore.
Osservazioni sulla Scalabilità: Sebbene il modello abbia funzionato bene, gli autori hanno notato un calo delle prestazioni passando da MNIST al più complesso FashionMNIST. Attribuiscono ciò al loro encoding globale (trattare l'intera immagine come un unico Hamiltoniano), che potrebbe mancare delle capacità di estrazione di feature locali a grana fine tipiche dei kernel convolutivi più piccoli o degli approcci basati su patch.

Significatività e Rivendicazioni
Il documento sostiene che il suo contributo primario non sia un'accelerazione del tempo di esecuzione rispetto ai metodi classici, ma piuttosto la dimostrazione che le euristiche e la conoscenza empirica del deep learning classico possono essere integrate con successo nel QML per migliorarne le prestazioni.

Gli autori sostengono che:

La velocità non è la metrica primaria: La progettazione di modelli QML dovrebbe prima di tutto dare priorità alle metriche di prestazione (come l'accuratezza) e all'allineamento strutturale con i dati, piuttosto che cercare accelerazioni quantistiche.
La struttura dei dati è fondamentale: Preservare la struttura intrinseca dei dati (ad esempio, la struttura spaziale 2D delle immagini) tramite l'embedding hamiltoniano è superiore ai metodi che appiattiscono i dati o introducono bias periodici.
Minimizzare il pre-processing classico: Il modello evita di delegare l'estrazione delle feature a backbone classici (come ResNet), permettendo al circuito quantistico di elaborare direttamente i dati grezzi (o minimamente processati).
Fonti di Non-Linearità: Il modello sfrutta la non-linearità inerente all'evoluzione temporale di un Hamiltoniano quantistico (tramite l'espansione di Taylor della mappa esponenziale) piuttosto che fare affidamento esclusivamente sulla non-linearità indotta dalla misura o su funzioni di attivazione classiche.
Evitare Bias Indesiderati: Evitando l'angle embedding, il modello elude il bias verso confini decisionali formati da funzioni periodiche.

In definitiva, il documento pone questi sei principi — che vanno da "Meno Focus Iniziale sulla Velocità" a "Fare Attenzione ai Bias Indesiderati" — fornendo un framework per progettare reti neurali quantistiche più efficaci che rispettino sia la natura dei dati sia i vincoli dell'attuale hardware quantistico.

Articoli simili