Analysis of Quantum Image Representations for Supervised Classification

Sintesi Tecnica: Analisi delle Rappresentazioni di Immagini Quantistiche per la Classificazione Supervisionata

Definizione del Problema
Nel contesto dei big data e dell'intelligenza artificiale, esiste una necessità critica di migliorare l'efficienza della memorizzazione, dell'elaborazione e dell'analisi dei dati. L'Elaborazione di Immagini Quantistiche (QIP) offre una potenziale soluzione sfruttando le proprietà della meccanica quantistica, come la sovrapposizione e l'entanglement, per memorizzare e manipolare le informazioni visive in modo più efficiente rispetto ai computer classici. Mentre le immagini classiche $N \times N$ richiedono $N$ bit per la memorizzazione, le rappresentazioni quantistiche possono teoricamente codificare la stessa informazione utilizzando $O(\log N)$ qubit, offrendo una riduzione esponenziale delle risorse di memoria. Tuttavia, è necessaria una comparazione esaustiva tra diverse Rappresentazioni di Immagini Quantistiche (QImR) riguardo alle loro proprietà di compressione e alla loro efficacia nei compiti di apprendimento supervisionato. Nello specifico, il documento affronta il compromesso tra accuratezza della classificazione e requisiti di memoria quando si utilizzano varie QImR come kernel in Support Vector Machines (SVM).

Metodologia
Gli autori conducono un'analisi comparativa di quattro distinte QImR per la codifica di immagini in scala di grigi:

1. Rappresentazione a Rete Tensoriale (TNR): Utilizza i Matrix Product States (MPS) per codificare i valori dei pixel come ampiezze reali in uno stato quantistico strutturato, utilizzando un indirizzamento a struttura a blocchi per riflettere le relazioni spaziali.
2. Rappresentazione Flessibile di Immagini Quantistiche (FRQI): Codifica le posizioni dei pixel in $2n$ qubit e l'intensità di scala di grigi nelle ampiezze di probabilità di un singolo qubit di colore tramite angoli di rotazione.
3. Nuova Rappresentazione Quantistica Potenziata (NEQR): Codifica le posizioni dei pixel in $2n$ qubit e l'intensità di scala di grigi in $q$ qubit utilizzando stati base, permettendo un recupero deterministico.
4. Codifica di Immagini a Probabilità Quantistica (QPIE): Codifica le posizioni dei pixel in $2n$ qubit e l'intensità di scala di grigi direttamente nelle ampiezze di probabilità dello stato.

Lo studio utilizza i dataset MNIST e Fashion-MNIST, pre-elaborando le immagini a una risoluzione di scala di grigi di $16 \times 16$. Gli autori implementano compiti di classificazione binaria (classe 0 contro classi 1–9) utilizzando Support Vector Machines (SVM). I kernel quantistici sono costruiti calcolando la sovrapposizione (fedeltà) tra stati quantistici che codificano immagini differenti. Questi kernel quantistici sono confrontati con un kernel lineare classico. Le simulazioni sono eseguite utilizzando Pennylane per l'implementazione dei circuiti quantistici e Scikit-Learn per il classificatore SVM.

Contributi Chiave e Risultati

• Analisi della Compressione: Gli autori analizzano le capacità di compressione delle quattro rappresentazioni esaminando le matrici di Gram di 100 immagini di addestramento. Gli elementi fuori diagonale di queste matrici rappresentano la sovrapposizione tra diversi stati immagine.
  • FRQI e QPIE dimostrano la massima compressione, con gli elementi fuori diagonale che cadono ampiamente nell'intervallo $[0.8, 1]$, indicando che gli stati quantistici codificati sono molto vicini tra loro.
  • NEQR mostra la minore compressione, con gli elementi fuori diagonale nell'intervallo $[0, 0.4]$, indicando stati più distinti.
  • TNR presenta un livello di compressione intermedio ($[0.4, 0.7]$).
• Prestazioni di Classificazione: Lo studio valuta l'accuratezza delle SVM utilizzando questi kernel quantistici. I risultati indicano che i kernel quantistici raggiungono accuratezze di classificazione medie comparabili al kernel lineare classico su entrambi i dataset (ad esempio, $\approx 99\%$ su MNIST e $\approx 94-96\%$ su Fashion-MNIST).
• Efficienza delle Risorse: Sebbene l'accuratezza sia comparabile, i requisiti di memorizzazione differiscono significativamente. Il kernel lineare classico richiede 2.048 bit per un'immagine $16 \times 16$. Al contrario, le rappresentazioni quantistiche richiedono risorse esponenzialmente inferiori:
  • TNR: 9 qubit
  • FRQI: 9 qubit
  • NEQR: 16 qubit
  • QPIE: 8 qubit
• Dimensione di Legame (Bond Dimension) in TNR: Per la TNR, gli autori investigano l'effetto della dimensione di legame sull'accuratezza. Riscontrano che l'accuratezza migliora con l'aumentare della dimensione di legamento, convergendo a una dimensione di 4 per MNIST e 6 per Fashion-MNIST, suggerendo che dimensioni di legame moderate siano sufficienti per catturare le correlazioni essenziali dell'immagine.

Significatività e Rivendicazioni
Il documento sostiene che i kernel quantistici basati su QImR forniscono un'alternativa valida ai kernel classici per la classificazione di immagini supervisionata, offrendo un'accuratezza comparabile pur richiedendo esponenzialmente meno risorse per la memorizzazione delle immagini. Gli autori sottolineano che la non-ortogonalità degli stati di embedding quantistici, derivante dalla memorizzazione dei pixel tramite sovrapposizione, è centrale per questo potenziamento della memoria.

Tuttavia, gli autori mantengono una posizione modesta riguardo al vantaggio pratico immediato. Essi osservano esplicitamente che gli attuali migliori protocolli noti per caricare dati classici esatti in uno stato di $n$ qubit richiedono un numero di porte quantistiche che scala come $O(2^n)$. Questo costo di preparazione dello stato attualmente predomina la complessità degli algoritmi quantistici e sfida la realizzazione di un vantaggio quantistico. Il documento conclude che, sebbene i benefici teorici di memorizzazione siano chiari, il caricamento efficiente dei dati rimane una questione aperta e i lavori futuri dovrebbero esplorare le immagini RGB e l'impatto del rumore sulle implementazioni hardware quantistiche.