Assessing Projected Quantum Kernels for the Classification of IoT Data

Riassunto Tecnico: Valutazione di Projected Quantum Kernels per la classificazione di dati IoT

1. Il Problema (Problem Statement)

Il campo del Quantum Machine Learning (QML) affronta diverse sfide critiche, principalmente legate alla scarsità di dataset progettati specificamente per l'approvazione quantistica. La maggior parte dei modelli QML attuali utilizza dataset classici (come MNIST) che richiedono pesanti fasi di pre-elaborazione (riduzione della dimensionalità tramite PCA o Autoencoder) per adattarsi al limitato numero di qubit disponibili. Questo processo può distorcere la natura intrinseca dei dati e nascondere i potenziali vantaggi del calcolo quantistico. Inoltre, esiste la necessità di comprendere come la profondità dei circuiti e le strategie di codifica influenzino l'efficacia dei modelli in scenari del mondo reale.

2. Metodologia (Methodology)

Il lavoro propone un approccio basato su dati reali provenienti dall'Internet of Things (IoT) per testare la maturità degli algoritmi di kernel quantistico.

• Dataset: È stato utilizzato il dataset COGITO-IoT, composto da 2865 record di sensori ambientali (illuminamento, umidità, CO2, temperatura, ecc.) raccolti in un ufficio. Il vantaggio principale è che il dataset è direttamente compatibile con l'input quantistico, eliminando la necessità di riduzione delle feature.
• Algoritmi di Kernel:
  • Standard Quantum Kernel (QK): Calcola la similarità basandosi sulla sovrapposizione (overlap) degli stati quantistici in uno spazio di Hilbert esponenzialmente grande.
  • Projected Quantum Kernel (PQK): Una variante che proietta gli stati quantistici nuovamente in uno spazio classico attraverso misurazioni di osservabili (Pauli operators), mitigando l'esplosione dimensionale dello spazio di Hilbert.
  • SVM Classico: Utilizzato come benchmark con kernel RBF.
• Strategie di Encoding (Feature Maps): Sono stati testati diversi circuiti:
  • RotX: Rotazioni semplici su singoli qubit.
  • 3D e 3D-CNOT: Circuiti "shallow" (superficiali) che utilizzano rotazioni su tre assi (X, Y, Z) con o senza porte CNOT per l'entanglement.
  • IQP e Trotterized: Circuiti più profondi e complessi.
  • ZZFeatureMap: Un encoding standard ampiamente utilizzato in letteratura.
• Strategie di Proiezione (per PQK): Misurazioni su singoli qubit ($m=1$), coppie di qubit adiacenti ($m=2$) o una combinazione di entrambe.

3. Contributi Chiave (Key Contributions)

1. Utilizzo di dati IoT reali: Dimostrazione di un workflow QML che non richiede pre-elaborazione pesante, permettendo un confronto più equo tra modelli classici e quantistici.
2. Analisi della complessità: Dimostrazione che il PQK ha una complessità computazionale quantistica che scala linearmente con il numero di record $O(N)$, a differenza del QK che scala $O(N^2)$, rendendo il PQK più efficiente.
3. Studio della profondità del circuito: Evidenza che circuiti quantistici "shallow" (poco profondi) possono essere più efficaci di quelli profondi per compiti di apprendimento specifici.
4. Analisi del rumore di campionamento (Shot Noise): Investigazione dell'impatto del numero di "shots" (misurazioni) sulle prestazioni del modello.

4. Risultati (Results)

• Efficacia del PQK: Il PQK ha dimostrato prestazioni comparabili o addirittura superiori al QK quando si utilizzano feature map superficiali (come 3D-CNOT). In particolare, il modello PQK con feature map 3D-CNOT e misurazioni su coppie di qubit ($m=2$) ha superato statisticamente il QK (Trotterized) e ha eguagliato/superato l'SVM classico in termini di F1-score.
• Circuiti Superficiali vs Profondi: Contrariamente all'intuizione comune, i circuiti più complessi (come lo ZZFeatureMap) hanno prodotto risultati inferiori. Questo suggerisce che l'entanglement eccessivo o la profondità elevata non garantiscono un miglioramento della capacità di generalizzazione.
• Modelli più compatti: Il PQK ha prodotto modelli con un numero inferiore di "support vectors" rispetto all'SVM classico (fino al 18% in meno), suggerendo una migliore capacità di generalizzazione con meno dati.
• Effetto del Rumore (Shot Noise): È stato osservato che un moderato livello di rumore di campionamento può effettivamente migliorare le prestazioni, agendo potenzialmente come un regolarizzatore che aiuta il modello a evitare minimi locali o punti di sella.

5. Significato e Conclusioni (Significance)

Lo studio conclude che, sebbene non sia ancora stata dimostrata una "vantaggio quantistico" definitivo (quantum advantage), il Projected Quantum Kernel è un candidato estremamente promettente per applicazioni industriali come l'IoT. Il PQK offre un equilibrio ottimale tra espressività quantistica e gestione della dimensionalità classica. I risultati sottolineano l'importanza cruciale nella progettazione del data encoding e suggeriscono che la ricerca futura dovrebbe concentrarsi su circuiti meno profondi, strategie di misurazione adattive e l'uso consapevole del rumore per migliorare l'apprendimento automatico.