Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images

Questo studio dimostra che approcci ibridi quantistico-classici, che combinano reti neurali convoluzionali per l'estrazione di caratteristiche con kernel quantistici o circuiti variazionali, offrono prestazioni competitive rispetto ai modelli di deep learning tradizionali per la classificazione dei difetti nelle immagini di saldatura TIG in alluminio, evidenziando il loro potenziale per applicazioni industriali di controllo qualità.

L'essenziale

Immagina di essere un ispettore di qualità in una fabbrica di automobili. Il tuo lavoro è guardare migliaia di saldature metalliche e dire: "Questa è perfetta" oppure "Questa ha un difetto e va buttata". Prima, facevamo questo a occhio nudo, ma ora usiamo la tecnologia.

Questo articolo racconta una storia di tre squadre che competono per vedere chi è il migliore nel trovare i difetti nelle saldature:

1. La Squadra Classica (Il Vecchio Saggio): Un'intelligenza artificiale tradizionale (una Rete Neurale Convoluzionale o CNN). È come un ispettore esperto che ha letto milioni di libri e visto milioni di foto. È veloce, potente e molto affidabile.
2. La Squadra Ibrida 1 (Il Matematico Quantistico): Un modello che usa un computer quantistico per fare calcoli matematici complessi (una "Macchina a Vettori di Supporto Quantistica" o QSVM). È come un genio che cerca di risolvere un puzzle guardando tutte le soluzioni possibili contemporaneamente, ma a volte si perde nei dettagli.
3. La Squadra Ibrida 2 (Il Musicista Quantistico): Un altro modello quantistico (VQC) che "suona" i dati attraverso circuiti quantistici per trovare il ritmo giusto tra i difetti. È come un musicista che cerca di accordare uno strumento per sentire la nota sbagliata.

Il Problema: I Computer Quantistici sono ancora "Bambini"

Oggi, i computer quantistici sono come bambini molto intelligenti ma con una memoria molto corta e che si stancano facilmente (rumore e errori). Non possono guardare un'intera foto ad alta risoluzione (che è enorme) direttamente. Sarebbe come chiedere a un bambino di leggere un'enciclopedia intera in un secondo: non ce la fa.

La Soluzione Creativa: Il "Riduttore di Dimensione"
Per risolvere questo problema, gli scienziati hanno usato un trucco intelligente:

• Prima, lasciano che il "Vecchio Saggio" (la rete neurale classica) guardi la foto.
• Il "Vecchio Saggio" non guarda ogni singolo pixel, ma ne estrae l'essenza. Immagina di prendere un quadro di 1000x1000 pixel e ridurlo a una piccola descrizione di 63 parole chiave (es: "bordo liscio", "colore scuro", "linea interrotta").
• Queste 63 parole chiave sono abbastanza poche da essere lette dal "bambino quantistico" (il computer quantistico) senza che si stanchi.

Le Due Strategie Quantistiche

1. La Strategia del "Riflesso" (QSVM con VQLS)
Questa squadra prende le 63 parole chiave e le trasforma in stati quantistici (come se fossero onde di luce). Poi, cerca di trovare un confine matematico perfetto che separi le saldature buone da quelle cattive.

• L'analogia: Immagina di dover separare le mele rosse dalle verdi in un mucchio. Questa squadra cerca di disegnare una linea invisibile nello spazio.
• Il risultato: Funziona bene, ma è lenta. È come se il genio matematico dovesse calcolare ogni singola possibile linea prima di scegliere quella giusta. Nelle prove, ha fatto un buon lavoro, ma ha commesso qualche errore in più rispetto alla squadra classica, specialmente quando i difetti erano simili tra loro.

2. La Strategia del "Suono" (VQC)
Questa squadra prende le stesse 63 parole chiave, le "codifica" in un circuito quantistico (come se le stesse trasformando in note musicali) e fa "suonare" il circuito. Poi ascolta il risultato per decidere se la saldatura è buona o no.

• L'analogia: È come se il musicista quantistico provasse diverse accordature fino a trovare quella che risuona perfettamente con una saldatura "buona" e stonata con una "cattiva".
• Il risultato: È stata la sorpresa! Questo modello è stato quasi perfetto, quasi quanto il "Vecchio Saggio" classico. È stato veloce, efficiente e ha gestito bene i difetti complessi.

Cosa hanno scoperto?

• Il "Vecchio Saggio" (Classico) vince sempre: È il più preciso e veloce. Non c'è dubbio che oggi sia la scelta migliore per le fabbriche.
• Ma i "Bambini Quantistici" (Ibridi) sono pronti: I modelli ibridi (specialmente quello a "Suono" o VQC) hanno dimostrato di poter fare un lavoro quasi uguale a quello classico.
• Il segreto è la collaborazione: Il vero successo non è stato usare il computer quantistico da solo, ma usarlo insieme a quello classico. Il classico fa il lavoro pesante di "leggere" l'immagine, il quantistico fa il lavoro di "decisione" finale.

Conclusione Semplice

Immagina che stiamo costruendo un'auto volante. Oggi, l'auto classica (la rete neurale) è già perfetta e sicura. Ma questo studio ci dice che le auto ibride (che usano un motore quantistico insieme a quello classico) stanno già funzionando molto bene!

Non dobbiamo aspettare che i computer quantistici diventino perfetti e privi di errori per usarli. Possiamo già usarli oggi, in collaborazione con l'intelligenza artificiale che abbiamo già, per controllare la qualità delle saldature nelle nostre auto, aerei e macchine. È un passo avanti verso un futuro dove l'industria sarà ancora più sicura e intelligente.

Sommario tecnico

Titolo: Intelligenza Artificiale Ibrida Quantistica-Classica per la Classificazione dei Difetti nelle Immagini di Saldatura

1. Il Problema

Il controllo qualità automatizzato è fondamentale nell'industria manifatturiera moderna, specialmente in settori critici come l'automotive e l'aerospaziale, dove la saldatura è un processo di giunzione vitale. Gli errori nelle saldature possono compromettere la sicurezza strutturale. Sebbene le Reti Neurali Convoluzionali (CNN) classiche abbiano ottenuto ottimi risultati nella valutazione della qualità delle saldature, richiedono risorse computazionali significative man mano che la dimensionalità dei dati e la complessità del modello aumentano.
Il documento affronta la sfida di applicare l'elaborazione quantistica a questo dominio, tenendo conto delle attuali limitazioni dell'hardware quantistico "Noisy Intermediate-Scale Quantum" (NISQ), che non può ancora gestire direttamente immagini ad alta risoluzione a causa del numero limitato di qubit, della fedeltà delle porte e della profondità dei circuiti.

2. Metodologia

Gli autori hanno proposto e confrontato tre pipeline distinte per la classificazione dei difetti nelle immagini di saldatura TIG (Tungsten Inert Gas) in alluminio:

• Estrazione delle Caratteristiche (Feature Extraction):
  Poiché l'encoding diretto delle immagini su hardware quantistico è attualmente impossibile, è stato utilizzato un approccio ibrido. Una CNN classica (basata sull'architettura "Model-1" di uno studio precedente specifico per le saldature) è stata utilizzata per estrarre vettori di caratteristiche compatti e informativi dallo spazio pixel ad alta dimensionalità. Sono stati testati vettori di diverse dimensioni (7, 15, 31, 63, 127) per trovare il compromesso ottimale tra informazione preservata e complessità del circuito quantistico.

• Approccio 1: QSVM Potenziata da VQLS (Variational Quantum Linear Solver):

  • I vettori di caratteristiche normalizzati sono codificati in stati quantistici utilizzando una mappa di caratteristiche parametrica (porte di rotazione e di entanglement).
  • Viene calcolato un kernel quantistico basato sui prodotti interni degli stati quantistici, mappando i dati in uno spazio di Hilbert a dimensionalità superiore.
  • Il problema di ottimizzazione della Support Vector Machine (SVM) viene formulato come un sistema lineare ($M\alpha = b$) e risolto utilizzando l'algoritmo VQLS su hardware quantistico simulato.
  • Per la classificazione multiclasse, è stato adottato un approccio "One-vs-Rest".

• Approccio 2: Classificatore basato su Circuito Quantistico Variazionale (VQC):

  • I vettori di caratteristiche classici subiscono una riduzione dimensionale lineare per adattarsi al numero di qubit disponibili (es. 4 qubit).
  • I dati ridotti vengono codificati tramite porte di rotazione $R_y$ (angle encoding).
  • Un circuito quantistico parametrico (ansatz hardware-efficiente con porte $R_y$ e porte di entanglement $CX$) elabora lo stato.
  • Le misurazioni nella base Pauli-Z vengono passate a un layer lineare classico seguito da una funzione softmax per la predizione finale.
  • L'addestramento avviene tramite discesa del gradiente classica (ottimizzatore Adam) utilizzando la regola dello spostamento dei parametri (parameter-shift rule).

• Baseline Classica:
  Una CNN classica completa (con layer fully connected finale) è stata utilizzata come punto di riferimento per il benchmarking.

• Dataset:
  È stato utilizzato un subset di un dataset industriale Kaggle contenente immagini di saldature TIG in alluminio. Il subset selezionato includeva 1.100 immagini bilanciate per tre classi: Saldatura Buona (Classe 0), Contaminazione (Classe 2) e Mancanza di Fusione (Classe 3).

3. Contributi Chiave

• Validazione di un approccio ibrido reale: Dimostrazione pratica di come integrare l'estrazione di caratteristiche classica con l'elaborazione quantistica per compiti industriali reali, superando le limitazioni attuali dell'hardware NISQ.
• Confronto sistematico: Analisi comparativa dettagliata tra un modello puramente classico, una QSVM risolta tramite VQLS e un classificatore VQC, valutando sia compiti di classificazione binaria che multiclasse.
• Ottimizzazione degli iperparametri: Utilizzo di Population-Based Training (PBT) per ottimizzare dimensioni delle feature, numero di qubit e dimensioni del batch, identificando la configurazione ottimale (dimensione feature 63, 4 qubit).
• Analisi della stabilità numerica: Indagine sull'influenza del numero di condizione del kernel quantistico sulle prestazioni di classificazione nel metodo VQLS.

4. Risultati

Gli esperimenti sono stati condotti su simulatori (Qiskit Aer e PennyLane) con un set di test di 400 immagini.

• Classificazione Binaria (Buono vs. Difettoso):

  • CNN Classica: Ha raggiunto una precisione del 100% su tutte le dimensioni delle feature.
  • VQC-based Classifier: Ha mostrato prestazioni eccellenti, raggiungendo una precisione del 99,7% con una dimensione delle feature di 63, quasi pari alla CNN classica.
  • VQLS-enhanced QSVM: Ha ottenuto una precisione del 96,8% (con feature size 63). Le prestazioni sono diminuite leggermente con feature size più grandi (127), probabilmente a causa del rumore e dell'overfitting. Il processo di addestramento è risultato significativamente più lento a causa della complessità della risoluzione del sistema lineare quantistico.

• Classificazione Multiclasse (3 classi):

  • CNN Classica: Precisione del 100%.
  • VQC-based Classifier: Precisione del 98,9% (feature size 63), dimostrando una forte capacità di separazione delle classi anche in scenari complessi.
  • VQLS-enhanced QSVM: Precisione del 92,4%. Le prestazioni sono calate più marcatamente rispetto al caso binario a causa dell'aumento della complessità del circuito e delle richieste di valutazione del kernel per distinguere tre classi.

• Osservazioni:
  I difetti come la contaminazione e la mancanza di fusione erano visivamente distinti, facilitando la classificazione. Tuttavia, alcune riflessioni sulla testa di saldatura hanno causato confusione tra "buona saldatura" e "contaminazione" in alcuni casi.

5. Significato e Conclusioni

Il studio conclude che gli approcci ibridi quantistico-classici sono già competitivi per compiti reali di rilevamento dei difetti industriali, sebbene le CNN classiche rimangano lo standard di riferimento per la massima accuratezza e velocità di addestramento.

• Vantaggi del VQC: Il classificatore basato su VQC ha dimostrato il miglior compromesso tra accuratezza e complessità del circuito, risultando particolarmente adatto per i dispositivi NISQ attuali grazie alla sua struttura superficiale e all'efficienza nell'uso delle risorse quantistiche.
• Limitazioni del VQLS: Sebbene promettente, il metodo VQLS soffre di un elevato costo computazionale e di tempi di addestramento prolungati dovuti alla necessità di iterazioni multiple per la minimizzazione della funzione di costo e alla costruzione del kernel.
• Prospettive Future: Man mano che l'hardware quantistico evolverà verso dispositivi a scala maggiore e meno rumorosi, queste architetture ibride potrebbero diventare soluzioni pratiche e scalabili per l'ispezione industriale automatizzata, offrendo potenziali vantaggi in termini di generalizzazione e riduzione dei parametri rispetto ai modelli classici puri.

In sintesi, il lavoro conferma che l'IA quantistica non è più solo teorica ma sta iniziando a mostrare potenziale applicativo tangibile nel settore manifatturiero, specialmente quando integrata strategicamente con tecniche classiche di pre-elaborazione.