SAFE Quantum Machine Learning with Variational Quantum Classifiers

Riepilogo Tecnico: SAFE Quantum Machine Learning con Classificatori Quantistici Variazionali

Enunciato del Problema
I sistemi di apprendimento automatico distribuiti in ambienti ad alto rischio, come la diagnosi medica, richiedono più della sola accuratezza predittiva; devono esibire robustezza rispetto alle variazioni degli input, stabilità sotto degradazione dei dati e interpretabilità. I modelli tradizionali di deep learning, sebbene espressivi, soffrono spesso di fragilità in presenza di rumore, spostamenti distribuzionali o rimozione di caratteristiche strutturate. Questo articolo affronta la tensione tra espressività del modello e affidabilità investigando l'apprendimento automatico Sicuro, Accurato, Equo e Spiegabile (SAFE). Nello specifico, esplora se architetture ibride classico-quantistiche possano indurre una classe di ipotesi strutturata che limiti naturalmente la sensibilità alle perturbazioni, offrendo un'alternativa fondata ai modelli classici che si basano sulla regolarizzazione esplicita per imporre stabilità.

Metodologia
Gli autori propongono un framework ibrido quantistico-classico per la classificazione di tumori cerebrali utilizzando immagini MRI. La metodologia integra l'estrazione di caratteristiche profonde con un Classificatore Quantistico Variazionale (VQC) progettato per operare entro spazi di ipotesi vincolati, normalizzati e limitati.

1. Architettura:

   • Estrazione di Caratteristiche: Un modello ResNet-18 pre-addestrato estrae un vettore di embedding a 512 dimensioni dalle immagini MRI di input.
   • Strato Classico Pre-VQC: Per mitigare le distorsioni introdotte dalla codifica in ampiezza, uno strato classico addestrabile (trasformazione lineare seguita da attivazione GELU) adatta la distribuzione delle caratteristiche prima della codifica quantistica. Studi di ablazione confermano che questo strato è critico per la stabilità dell'addestramento.
   • Codifica in Ampiezza: Il vettore di caratteristiche a 512 dimensioni viene normalizzato e incorporato in uno stato quantistico a 9 qubit ($| \psi(x) \rangle = \sum x_i |i\rangle$).
   • Circuito Quantistico Variazionale (VQC): Lo stato codificato passa attraverso un singolo "Strato Fortemente Entanglante" costituito da rotazioni parametrizzate su singoli qubit e porte CNOT completamente connesse. Questa trasformazione unitaria preserva la norma dello stato quantistico.
   • Lettura: L'output è generato misurando i valori di aspettazione degli operatori di Pauli-Z su ciascun qubit, producendo un vettore limitato in $[-1, 1]$, che viene poi mappato sui logit delle classi tramite uno strato lineare classico finale.
   • Addestramento: L'intero modello ibrido viene addestrato end-to-end utilizzando la perdita di entropia incrociata su un simulatore quantistico privo di rumore.

2. Framework di Valutazione (Metriche SAFE-AI):
   Il documento valuta i modelli utilizzando una famiglia unificata di metriche derivate dalla divergenza di Cramér–von Mises (CvM). Queste metriche valutano tre dimensioni:

   • Accuratezza ($RGA$): Misura l'accuratezza del ranking rispetto alla verità fondamentale.
   • Robustezza ($RGR$): Misura la stabilità delle previsioni quando gli input sono perturbati da rumore gaussiano, attacchi avversari (FGSM) o trasformazioni spaziali (rotazioni/traslazioni).
   • Interpretabilità ($RGE$): Misura la stabilità delle previsioni quando le regioni dell'immagine più rilevanti (identificate tramite Grad-CAM) vengono progressivamente oscurate.
     L'Area Sotto la Curva (AUC) per queste metriche ($AURGA, AURGR, AURGE$) fornisce una misura compatta del degrado delle prestazioni sotto stress.

Risultati Chiave
Il modello proposto di Quantum Machine Learning (QML) è stato valutato su un dataset di 6.056 immagini MRI (classi di glioma, meningioma e tumore) e confrontato con baseline classiche: Regressione Lineare, Support Vector Machine (SVM), Random Forest (RF) e un Multilayer Perceptron (MLP) superficiale.

• Prestazioni Predittive: Il modello QML ha raggiunto un punteggio F1 macro di 0,978, avvicinandosi da vicino alla baseline SVM (0,983) e superando i modelli Lineare, RF e MLP. Ha inoltre mantenuto un basso Errore Quadratico Medio (0,013), indicando previsioni probabilistiche stabili.
• Robustezza al Rumore: Il modello QML ha dimostrato la più alta robustezza al rumore gaussiano additivo ($AURGR = 0,9409$), superando tutte le baseline classiche. Ha inoltre raggiunto la massima robustezza contro gli attacchi avversari FGSM tra i modelli differenziabili valutati.
• Stabilità sotto Rimozione di Caratteristiche: Sebbene i Random Forest abbiano mostrato la massima stabilità sotto oscuramento progressivo dell'immagine ($AURGE$), il modello QML è rimasto competitivo, superando significativamente la baseline Lineare.
• Profilo Complessivo: Il modello QML ha esibito un profilo di affidabilità SAFE più equilibrato. Mentre la SVM eccelleva nella stabilità del ranking e nella robustezza spaziale, e l'RF nella stabilità dell'interpretabilità, il QML ha fornito la difesa più forte contro perturbazioni stocastiche e avversarie nello spazio delle caratteristiche.

Significato e Affermazioni
Il documento afferma che i circuiti quantistici variazionali offrono un meccanismo fondato per l'apprendimento SAFE orientato alla stabilità. Il significato del lavoro risiede nelle seguenti osservazioni teoriche ed empiriche:

1. Regolarizzazione Implicita tramite Unitarietà: A differenza delle reti neurali classiche che richiedono normalizzazione spettrale esplicita o vincoli di ortogonalità per controllare la sensibilità, il componente quantistico soddisfa l'unitarietà per progettazione. Questo impone un vincolo 1-Lipschitz intrinseco sulla mappa delle caratteristiche quantistiche, prevenendo l'amplificazione arbitraria delle perturbazioni in ingresso e delle esplosioni del gradiente.
2. Classe di Ipotesi Strutturata: La combinazione di embedding in ampiezza normalizzati, trasformazioni unitarie e osservabili limitati crea una classe di ipotesi che è espressiva ma vincolata. Questa struttura agisce come un regolarizzatore implicito, limitando la capacità effettiva del modello e scoraggiando l'overfitting.
3. Affidabilità in Ambienti ad Alto Rischio: I risultati suggeriscono che i modelli quantistici ibridi non sono semplici alternative per migliorare l'accuratezza di picco, ma sono componenti preziosi per sistemi consapevoli dell'affidabilità. Forniscono un pregiudizio induttivo "orientato alla sicurezza" che garantisce che i modelli rimangano stabili sotto rumore e degradazione dei dati, un requisito critico per applicazioni safety-critical come l'imaging medico.

Gli autori notano esplicitamente che il vantaggio del QML è più pronunciato per le perturbazioni applicate direttamente alla rappresentazione delle caratteristiche estratte (rumore gaussiano, FGSM) piuttosto che per le trasformazioni geometriche a livello di immagine. Concludono che il valore del modello proposto risiede nella sua capacità di combinare prestazioni predittive competitive con un'architettura intrinsecamente regolarizzata e orientata all'affidabilità.