Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification

Sintesi Tecnica: Verso una Valutazione Equa del Transfer Learning Quantistico per la Classificazione Visiva

Enunciato del Problema
Il Transfer Learning Quantistico (QTL) è emerso come una strategia promettente per la classificazione visiva nell'ambito dei vincoli quantistici a breve termine, dove il numero limitato di qubit, le profondità ridotte dei circuiti e le operazioni rumorose impediscono un addestramento quantistico end-to-end. In questo paradigma, backbone classici pre-addestrati estraggono caratteristiche di alto livello, mentre circuiti quantistici compatti fungono da testine di classificazione addestrabili. Tuttavia, il campo manca di una base unificata per il confronto. Gli studi esistenti sul QTL sono difficili da confrontare tra loro perché differiscono significativamente per quanto riguarda dataset, pipeline di pre-elaborazione, architetture dei backbone, budget di qubit, design dei circuiti, iperparametri di ottimizzazione e protocolli di reporting. Di conseguenza, non è chiaro se i miglioramenti delle prestazioni derivino dalla strategia di transfer in sé o da fattori confondenti come backbone classici più potenti, un maggior numero di qubit o circuiti più profondi. Inoltre, la sola accuratezza non riesce a catturare l'utilità pratica di un metodo, poiché modelli con prestazioni predittive simili possono variare drasticamente in termini di numero di parametri, dimensione del circuito e tempo di addestramento.

Metodologia
Per affrontare queste incoerenze, gli autori introducono una metodologia di benchmark controllato che valuta cinque famiglie rappresentative di QTL all'interno di una pipeline di transfer learning unificata. Il benchmark standardizza i seguenti elementi:

• Dataset: Vengono utilizzati due dataset principali: Fashion-MNIST (multiclasse strutturata in scala di grigi) e Hymenoptera Ants vs. Bees (classificazione binaria su immagini naturali con pochi dati). CIFAR-10 è incluso come setting aggiuntivo, più difficile, su immagini naturali per configurazioni selezionate, al fine di fornire evidenze a livello di configurazione.
• Pipeline: Tutti i metodi utilizzano un backbone ResNet18 pre-addestrato e congelato per l'estrazione delle caratteristiche. Le caratteristiche estratte, di 512 dimensioni, vengono proiettate o ridotte a un vettore compatibile con il quantum, codificate in un Circuito Quantistico Parametrizzato (PQC) ed elaborate prima che un livello di lettura classico generi la previsione finale.
• Variabili Controllate: Il benchmark fissa il backbone, la pre-elaborazione degli input (ridimensionamento a 224x224, normalizzazione ImageNet) e le condizioni di addestramento (ottimizzatore Adam, specifici tassi di apprendimento, dimensioni dei batch e limiti di epoche).
• Metodi Valutati: Lo studio confronta:
  1. DQN-QTL: Una baseline che utilizza una testina quantistica "vestita" con codifica angolare RY.
  2. QPIE-QTL: Un metodo che utilizza una codifica multi-assiale (RX, RY, RZ) per qubit.
  3. AE-CQTL: Un approccio di codifica in ampiezza che mappa il vettore di caratteristiche a 512 dimensioni direttamente nelle ampiezze di uno stato a 9 qubit.
  4. PVCQTL: Un approccio post-variazionale che utilizza misurazioni di osservabili strutturati (osservabili di Pauli) invece delle letture standard a singolo qubit.
  5. ED-QTL: Un metodo di distillazione d'insieme in cui uno studente quantistico è guidato da target morbidi provenienti da un insieme di modelli insegnanti classici.
• Metriche: La valutazione va oltre l'accuratezza includendo precisione, richiamo, punteggio F1 e ROC-AUC. Crucialmente, il benchmark riporta metriche di efficienza: numero totale di parametri addestrabili, parametri quantistici, larghezza del circuito (numero di qubit), profondità del circuito e tempo totale di addestramento.

Contributi Chiave

1. Protocollo di Benchmark Unificato: Il documento stabilisce un framework controllato che isola il contributo della testina QTL congelando il backbone classico e standardizzando la pre-elaborazione e le condizioni di addestramento tra metodi diversi.
2. Confronto Completo: Fornisce la prima valutazione lato a lato di cinque distinte famiglie di QTL (Vestita, Multi-assiale, Codificata in ampiezza, Post-variazionale e Basata sulla distillazione) sotto vincoli di risorse identici.
3. Analisi Multidimensionale: Lo studio va oltre l'accuratezza per analizzare i compromessi tra prestazioni predittive, costo computazionale (tempo di addestramento) e complessità architetturale (numero di qubit e profondità del circuito).
4. Sensibilità Architetturale: Gli autori esaminano sistematicamente come la scalatura del numero di qubit (4 vs 6) e della profondità del circuito influenzi le prestazioni, rivelando che circuiti più grandi o più profondi non migliorano universalmente i risultati.

Risultati
Il benchmark rivela che nessuna singola famiglia di QTL domina in tutti i setting; le prestazioni dipendono fortemente dal dataset, dalla strategia di codifica e dal costo computazionale.

• Dipendenza dal Dataset: Su Fashion-MNIST, le varianti QPIE-QTL e PVCQTL hanno raggiunto le massime accuratezze (circa 88,28% e 88,24% rispettivamente). Al contrario, sul dataset Hymenoptera Ants vs. Bees, AE-CQTL ha superato tutti gli altri metodi, raggiungendo un'accuratezza del 94,99%. ED-QTL ha mostrato una competitività dipendente dal dataset, performando meglio su Fashion-MNIST rispetto a Hymenoptera.
• Effetti di Scalatura: L'aumento del numero di qubit da 4 a 6 ha migliorato le prestazioni per DQN-QTL e QPIE-QTL su Fashion-MNIST, ma non ha prodotto guadagni o ha causato lievi diminuzioni su Hymenoptera. Analogamente, l'aumento della profondità del circuito ha migliorato significativamente AE-CQTL su Fashion-MNIST (dal 65,30% al 74,98%), ma ha offerto rendimenti decrescenti su Hymenoptera, dove le caratteristiche pre-addestrate fornivano già una forte separazione delle classi.
• Compromessi Prestazioni-Costo: Lo studio evidenzia che un'alta accuratezza non equivale a efficienza. Ad esempio, le varianti PVCQTL hanno raggiunto un'accuratezza competitiva su Fashion-MNIST ma hanno sostenuto i tempi di addestramento più elevati. Al contrario, ED-QTL ha offerto un'accuratezza moderata con costi di addestramento significativamente inferiori. AE-CQTL ha dimostrato un compromesso favorevole su Hymenoptera, raggiungendo la massima accuratezza con tempi di addestramento relativamente efficienti rispetto ad altri metodi ad alte prestazioni.

Significato e Affermazioni
Il documento afferma che il suo significato principale risiede nel spostare la valutazione del QTL da report isolati di accuratezza a un'analisi multidimensionale consapevole delle risorse. Gli autori sostengono che, per i dispositivi quantistici a breve termine, l'utilità di un metodo QTL è definita non solo dalla sua potenza predittiva, ma dalla sua efficienza e scalabilità sotto vincoli di risorse rigorosi.

I risultati suggeriscono che la selezione di una configurazione QTL richiede di adattare il metodo alle specifiche condizioni target e alle caratteristiche del dataset. Ad esempio, i metodi codificati in ampiezza (AE-CQTL) possono essere preferibili quando la scalatura della profondità è fattibile e il dataset beneficia di una codifica ad alta dimensionalità, mentre le baseline codificate in angolo (DQN-QTL) rimangono opzioni compatte e robuste per budget di qubit limitati. Gli autori concludono che la futura ricerca sul QTL deve dare priorità a confronti controllati che riportino congiuntamente prestazioni, dimensione del circuito, numero di parametri e tempo di addestramento per fornire indicazioni attuabili per la selezione di modelli ibridi quantistico-classici.