Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation

Questo studio empirico rigoroso, validato su hardware quantistico, dimostra che, nonostante alcune curve di apprendimento più ripide, i metodi di macchine a vettori di supporto con kernel quantistici non superano significativamente i baselines classici su dati tabellari a causa di uno spettro degli autovalori non ottimale, con l'eccezione di un singolo caso competitivo ottenuto tramite addestramento del kernel che comporta però un costo computazionale proibitivo.

L'essenziale

🌌 Il Sogno Quantistico vs. La Realtà dei Dati: Una Grande Sfida

Immagina di voler costruire la macchina da corsa più veloce del mondo (l'Intelligenza Artificiale Quantistica) per vincere una gara contro le auto tradizionali (l'Intelligenza Artificiale Classica).

Gli scienziati di questo studio hanno preso nove diverse piste da corsa (i dataset, ovvero collezioni di dati reali su cose come diagnosi mediche, rilevamento di spam o autenticazione di banconote) e hanno fatto correre le due macchine. L'obiettivo? Capire se la macchina quantistica è davvero più veloce o se è solo un sogno futuristico.

Ecco cosa hanno scoperto, punto per punto, usando delle metafore semplici.

1. La Gara: Chi vince? 🏁

Risultato: Nella stragrande maggioranza delle gare (8 su 9), le auto classiche hanno vinto.
La macchina quantistica, nonostante la sua tecnologia avanzata, non è riuscita a battere i metodi tradizionali su dati "normali" (come tabelle Excel con numeri e categorie).

• L'unica eccezione: C'è stata una pista molto piccola e difficile (il dataset Haberman, relativo alla sopravvivenza dei pazienti) dove la macchina quantistica ha vinto di poco. Ma è un caso raro.

2. Il Problema della "Lente" (Feature Maps) 🔍

Perché la macchina quantistica perde? Il problema non è il motore, ma le lenti attraverso cui guarda i dati.
Immagina che i dati siano un paesaggio.

• La lente classica (RBF): È come un occhiale da sole perfetto. Regola la luce in modo equilibrato: vede bene i dettagli senza abbagliarsi.
• Le lenti quantistiche attuali: Sono due tipi estremi:
  1. Lente "Tutto Bianco": Alcune lenti quantistiche vedono tutto così piatto e uniforme che non riescono a distinguere un albero da una montagna (i dati sembrano tutti uguali).
  2. Lente "Tutto Nero": Altre lenti sono così focalizzate su un solo punto che perdono tutto il resto del panorama (i dati collassano in un unico punto).
• La lezione: Per funzionare bene, una lente deve essere "Goldilocks" (né troppo chiara, né troppo scura, ma giusta). Le lenti quantistiche attuali non sono ancora state sintonizzate su questo punto ideale.

3. Il Test della "Realtà" (Hardware) 🏭

C'è chi dice: "Ma le simulazioni al computer non sono vere! Proviamo sulla macchina vera!"
Gli scienziati hanno portato la gara su un vero computer quantistico (IBM ibm fez).

• Risultato: La macchina vera si comportava quasi esattamente come la simulazione. Le "lenti" quantistiche reali erano fedeli a quelle simulate.
• Conclusione: Non è un problema di "rumore" o di macchina difettosa. Il problema è strutturale: anche su un computer perfetto, con questi dati specifici, la macchina quantistica non supera quella classica.

4. Il Trucco Costoso (Quantum Kernel Training) 💰

C'è stato un tentativo di aggiustare la macchina quantistica mentre correva, cambiando i parametri in tempo reale (chiamato Quantum Kernel Training).

• Risultato: Su una pista (il dataset sul cancro al seno), questa tecnica ha permesso alla macchina quantistica di quasi pareggiare con la classica.
• Il prezzo: Per ottenere questo risultato, la macchina quantistica ha consumato 2.000 volte più energia e tempo rispetto alla classica. È come se avessi vinto una gara di 100 metri usando un razzo invece di una scarpa da ginnastica: hai vinto, ma hai speso una fortuna in carburante. Non è un vantaggio pratico.

5. La Lezione Principale: Non è la Macchina, è il Terreno 🌍

Lo studio ha scoperto una cosa fondamentale: il tipo di pista (il dataset) conta molto più del tipo di auto.
Se cambi la pista, i risultati cambiano completamente. Questo significa che non possiamo dire "l'IA quantistica è meglio" in generale. Dobbiamo dire "l'IA quantistica è meglio solo su certi tipi di problemi specifici".

📝 In Sintesi: Cosa ci dice questo studio?

1. Niente miracoli oggi: Su dati tabellari normali (come quelli che usiamo ogni giorno in azienda o in medicina), l'IA quantistica non è ancora migliore di quella classica.
2. Il problema è la "forma" dei dati: Le macchine quantistiche attuali creano mappe dei dati che sono troppo piatte o troppo concentrate. Hanno bisogno di lenti migliori.
3. Attenzione ai costi: Anche quando funziona, costa troppo tempo e risorse per essere utile oggi.
4. La strada da percorrere: Invece di cercare di applicare la tecnologia quantistica a tutto, dovremmo cercare i problemi specifici (come certi tipi di fisica o chimica) dove la "forma" dei dati si adatta naturalmente alle lenti quantistiche.

Il messaggio finale: La tecnologia quantistica è promettente e affascinante, ma per i dati di tutti i giorni, per ora, le vecchie e affidabili macchine classiche fanno ancora il lavoro meglio, più velocemente e a costo zero.

Sommario tecnico

1. Il Problema

Nonostante il potenziale teorico dei metodi di kernel quantistici (QK) per l'apprendimento supervisionato su computer quantistici near-term (NISQ), mancano studi empirici rigorosi che confrontino questi metodi con basi di riferimento (baseline) classiche forti su dati reali. Le ricerche precedenti soffrono spesso di limitazioni metodologiche, tra cui:

• Confronti contro baseline classiche deboli (es. solo SVM lineari).
• Validazione tramite semplice split hold-out invece che cross-validazione annidata (nested CV), rischiando bias ottimistici.
• Assenza di test di significatività statistica.
• Mancanza di validazione su hardware reale, basandosi esclusivamente su simulazioni.

L'obiettivo di questo studio è colmare queste lacune fornendo una valutazione empirica su larga scala, statisticamente solida e validata su hardware reale, per determinare se i kernel quantistici offrono un vantaggio reale sui dati tabulari standard.

2. Metodologia

Lo studio presenta un benchmark completo basato su 970 esperimenti eseguiti con una rigorosa cross-validazione annidata (nested cross-validation).

• Dataset: 9 dataset di classificazione binaria provenienti da UCI e OpenML, che coprono diverse dimensioni (N da 208 a 4601), dimensionalità delle feature (d da 3 a 60) e bilanciamento delle classi.
• Metodi Quantistici:
  • 4 Mappature di Feature (Feature Maps): Rot2DoF (stato prodotto, nessun entanglement), Belis (entanglement a scala CNOT), Sakhnenko10 (entanglement ad anello), ZZFeatureMap (interazioni ZZ).
  • Kernel Training: Inclusione di Quantum Kernel Training (QKT) tramite allineamento kernel-target (KTA) con parametri ottimizzabili.
  • Backend: Simulazione ideale (vettore di stato), simulazione rumorosa (matrice densità con rumore depolarizzante) e hardware reale su IBM ibm_fez (processore Heron r2, 156 qubit).
• Baseline Classiche: Confronto contro tre kernel classici: Lineare, RBF (Radial Basis Function) e Polinomiale (grado 3).
• Protocollo di Valutazione:
  • Cross-validazione annidata rigorosa (5 fold esterne x 3 o 5 fold interne).
  • Metrica primaria: Balanced Accuracy (BA) per gestire lo sbilanciamento delle classi.
  • Test statistici: Test di Wilcoxon signed-rank (coppie), Friedman (omnibus), Kruskal-Wallis (analisi fattoriale) e analisi di sensibilità ai semi casuali (16 semi diversi).
  • Analisi spettrale: Studio degli autovalori delle matrici di kernel per comprendere la struttura geometrica.

3. Contributi Chiave

1. Validazione su Hardware Reale: Esecuzione di 6 esperimenti su un processore quantistico IBM reale, dimostrando un'alta fedeltà ($r \ge 0.976$) tra i kernel calcolati su hardware e le simulazioni ideali.
2. Analisi Statistica Rigorosa: Utilizzo di test non parametrici e analisi di sensibilità ai semi per superare i limiti di potenza statistica delle piccole dimensioni dei fold, confermando che i risultati negativi non sono artefatti statistici.
3. Spiegazione Meccanicistica (Ipotesi "Goldilocks"): Identificazione del motivo strutturale del fallimento dei kernel quantistici attuali: le mappature di feature producono spettri di autovalori estremi (troppo piatti o troppo concentrati), mancando del profilo intermedio ottimale fornito dal kernel RBF classico.
4. Costo Computazionale: Quantificazione precisa del sovraccarico computazionale, che raggiunge un fattore di $\sim 2.000\times$ per i kernel quantistici addestrati (QKT) rispetto alle controparti classiche.

4. Risultati Principali

• Nessun Vantaggio Quantistico Statistico: Su 29 confronti diretti (quantistico vs classico) su 9 dataset, nessuno ha raggiunto la significatività statistica a $\alpha = 0.05$. In 8 su 9 dataset, i kernel classici (in particolare RBF) hanno superato i kernel quantistici con un margine di 1,6-12,0 punti percentuali (pp).
• Dominio del Dataset: L'analisi fattoriale di Kruskal-Wallis rivela che la scelta del dataset spiega il 73% della varianza delle prestazioni, mentre il tipo di kernel ne spiega solo il 9%. Ciò suggerisce che le affermazioni di vantaggio quantistico basate su un singolo dataset sono fragili.
• L'Eccezione (Haberman): L'unico dataset in cui i kernel quantistici hanno mostrato un vantaggio robusto è Haberman (analisi di sopravvivenza, piccolo e difficile), con un guadagno di +1,9 pp (BA 0.581 vs 0.549), confermato su 14 su 16 semi casuali.
• Analisi Spettrale:
  • I kernel Belis tendono a essere quasi identità (spettro piatto, rank effettivo alto), offrendo poca struttura discriminativa.
  • I kernel Rot2DoF sono estremamente concentrati (rank quasi 1), collassando l'informazione.
  • Il kernel RBF classico occupa una "zona Goldilocks" (concentrazione intermedia degli autovalori), che si è dimostrata ottimale per la classificazione SVM.
• Validazione Hardware: I kernel calcolati su IBM ibm_fez hanno mostrato una correlazione di Pearson $r \ge 0.976$ con le simulazioni ideali. Il rumore hardware ha agito talvolta come regolarizzatore, migliorando leggermente le prestazioni in 4 su 6 esperimenti, ma non sufficientemente per colmare il divario con i classici.
• Quantum Kernel Training (QKT): L'addestramento dei kernel ha portato al miglior risultato quantistico assoluto (BA 0.968 su Breast Cancer, vicino al limite classico di 0.976), ma con un costo computazionale di $\sim 2.000\times$ e un tasso di convergenza basso (13,6%).
• Curve di Apprendimento: Sebbene i kernel quantistici mostrino pendenze di apprendimento più ripide su 6 su 8 dataset, partono da una baseline così bassa che non riescono a recuperare il vantaggio dei metodi classici anche con più dati.

5. Significato e Implicazioni

Questo studio fornisce linee guida pratiche e critiche per la comunità di Machine Learning Quantistico (QML):

1. Ridefinizione dei Benchmark: Le affermazioni di vantaggio quantistico devono essere supportate da cross-validazione annidata, test di significatività statistica su più dataset e analisi di sensibilità ai semi.
2. Progettazione di Feature Maps: La ricerca futura deve concentrarsi sulla progettazione di mappature di feature che producano profili spettrali intermedi (né troppo piatti né troppo concentrati), piuttosto che affidarsi a architetture generiche.
3. Realismo sui Costi: L'attuale vantaggio computazionale dei computer quantistici per i kernel su dati tabulari è nullo o negativo a causa dell'enorme overhead di simulazione e dell'addestramento iterativo.
4. Validità delle Simulazioni: Le simulazioni di rumore depolarizzante sono proxy affidabili per l'hardware reale a scale di qubit attuali (3-5 qubit), permettendo di trasferire i risultati negativi delle simulazioni alla realtà hardware.

In conclusione, su dati tabulari standard, i metodi classici (in particolare SVM con kernel RBF) rimangono superiori ai metodi quantistici attuali in termini di accuratezza, stabilità e costo computazionale. Il vantaggio quantistico, se esiste, è limitato a casi specifici di dati con geometrie particolari (come dimostrato da Haberman) o richiede un addestramento dei kernel che attualmente non è scalabile.