QDS-SNN: Energy-efficient Quantum Deeply-Supervised Spiking Neural Network Algorithm for Traffic Sign Recognition

Sintesi Tecnica: QDS-SNN: Algoritmo di Rete Neurale Spiking con Supervisione Profonda Quantistica per l'Efficienza Energetica nel Riconoscimento della Segnaletica Stradale

Definizione del Problema
Il riconoscimento della segnaletica stradale (TSR) è una componente critica dei sistemi di trasporto intelligenti e della guida autonoma, essenziale per garantire la sicurezza stradale e l'efficienza operativa. Sebbene le Reti Neurali Convoluzionali (CNN) abbiano stabilito un'elevata precisione nel TSR, esse dipendono fortemente da dataset etichettati su larga scala e da risorse computazionali intensive. Questa dipendenza si traduce in un consumo energetico significativo e in un overhead computazionale, rendendo le tradizionali CNN inadatte ad applicazioni limitate dalle risorse e sensibili all'energia, come i veicoli elettrici e l'Internet of Vehicles (IoV).

Le Reti Neurali Spiking (SNN) offrono un'alternativa biologicamente ispirata ed efficiente dal punto di vista energetico grazie alle loro capacità di elaborazione spazio-temporale ed event-driven. Tuttavia, le SNN profonde affrontano sfide significative, tra cui la perdita di informazioni, il gradiente evanescente durante l'addestramento dovuto a funzioni di attivazione non differenziabili e la difficoltà nel modellare complesse dipendenze temporali. Inoltre, gli approcci ibridi esistenti spesso non riescono a bilanciare l'alta precisione con i rigorosi vincoli energetici richiesti per l'implementazione edge.

Metodologia
Per affrontare queste limitazioni, gli autori propongono la Quantum Deeply-Supervised Spiking Neural Network (QDS-SNN). Questo framework integra le Reti Neurali Quantistiche (QNN) in un'architettura SNN profonda per fornire una supervisione profonda efficiente e a basso consumo. La metodologia comprende tre componenti principali:

1. Neurone TSA-LIF (Temporal-Spatial Adaptive LIF):
   Gli autori introducono un modello di neurone Leaky Integrate-and-Fire (LIF) modificato, dotato di fattori di decadimento temporale ($\beta_n$) e spaziale ($\alpha_n$) apprendibili. A differenza dei neuroni LIF standard, il TSA-LIF apprende indipendentemente questi parametri di decadimento. Il fattore spaziale controlla la ritenzione delle caratteristiche, mentre il fattore temporale regola il decadimento della memoria. Questo design migliora la capacità della rete di modellare la dinamica spazio-temporale e migliora la ritenzione delle caratteristiche senza pre-elaborazioni complesse.

2. Modulo di Classificazione Assistito da Quantum (QACM):
   Per mitigare l'evanescenza del gradiente e potenziare la supervisione profonda, un QACM viene inserito dopo ogni stadio della SNN (eccetto lo stadio finale). Il QACM consiste in:

   • Livello di Codifica Quantistica: Utilizza la codifica di ampiezza per mappare i dati di spike classici in stati quantistici.
   • Livelli di Convoluzione e Pooling Quantistici: Utilizza gate quantistici parametrizzati (inclusi i gate di Hadamard, rotazione e CNOT) per simulare le operazioni di convoluzione e pooling. L'architettura impiega varianti a 4 e 2 qubit per bilanciare espressività e uso delle risorse.
   • Livello di Misurazione: Converte gli stati quantistici in distribuzioni di probabilità classiche per la classificazione ausiliaria.
     Questo modulo sfrutta la sovrapposizione e l'entanglement quantistico per eseguire calcoli paralleli, fornendo segnali di supervisione profonda che guidano l'addestramento della struttura portante (backbone) della SNN.

3. Strategia di Addestramento Ibrida:
   Il modello impiega un approccio di ottimizzazione congiunta utilizzando una funzione di perdita combinata. La perdita totale ($L$) integra la perdita di cross-entropy del QACM per i primi $K-1$ stadi e la perdita di classificazione finale dello stadio $K$. Un fattore di supervisione ($\sigma$) bilancia il contributo di queste perdite di supervisione profonda. L'addestramento utilizza la Temporal Channel Backpropagation (STBP) per la SNN e la regola di parameter-shift per il calcolo dei gradienti nei circuiti QNN.

Contributi Chiave
Il documento delinea quattro contributi primari:

1. Algoritmo QDS-SNN: Una nuova architettura che integra QACM e neuroni TSA-LIF in una SNN profonda a $K$ stadi, dimostrando prestazioni superiori e un minor consumo energetico per la classificazione della segnaletica stradale.
2. Modello di Neurone TSA-LIF: Il design di un neurone con fattori di decadimento temporale e spaziale apprendibili, che migliora le capacità di modellazione temporale e la ritenzione delle caratteristiche.
3. Modulo di Classificazione Assistito da Quantum (QACM): Un modulo quantistico a basso consumo che potenzia la supervisione profonda senza l'overhead dei tradizionali livelli convoluzionali, affrontando efficacemente i problemi del gradiente.
4. Metodo di Addestramento Ibrido: Una strategia di ottimizzazione congiunta che utilizza una funzione di perdita combinata con un fattore di supervisione, accelerando la convergenza e migliorando l'efficienza dell'addestramento.

Risultati Sperimentali
La QDS-SNN è stata valutata sulla piattaforma di simulazione quantistica PennyLane utilizzando due dataset: il German Traffic Sign Recognition Benchmark (GTSRB) e il Chinese Traffic Sign Database (TSRD).

• Dataset GTSRB: Il modello ha raggiunto una precisione del 99,72% con soli 6 step temporali. Ha superato la baseline MS-ResNet dell'1,32% riducendo al contempo il consumo energetico del 55,77% (2,26 mJ vs. 5,11 mJ). Anche a 2 step temporali, il modello ha raggiunto una precisione del 98,68%.
• Dataset TSRD: Il modello ha raggiunto una precisione del 97,90% a 6 step temporali, superando la baseline MS-ResNet dello 0,87% - 2,10% a seconda della specifica variante della baseline, riducendo l'uso energetico al 52,68% rispetto alla baseline.
• Studi di Ablazione: Gli esperimenti hanno confermato che il neurone TSA-LIF (che combina entrambi i fattori di decadimento) ha superato i modelli LIF standard e le varianti a singolo fattore. Inoltre, il QACM ha ottenuto una precisione paragonabile a un classificatore ausiliario classico (CACM) ma con il 27,8% in meno di parametri e il 66,4% in meno di consumo energetico.
• Analisi del Rumore: L'analisi della fedeltà sotto vari tipi di rumore quantistico (Bit Flip, Phase Flip, Amplitude Damping, Depolarizing Noise) ha dimostrato la robustezza del modello, mantenendo un'alta fedeltà anche con probabilità di rumore pari a 0,1.

Significatività e Rivendicazioni
Gli autori affermano che la QDS-SNN offre una soluzione ad alte prestazioni ed efficiente dal punto di vista energetico, specificamente progettata per i sistemi di trasporto intelligenti. Integrando la supervisione profonda quantistica con neuroni spiking adattivi, il metodo affronta con successo il compromesso tra precisione ed energia che limita sia le CNN tradizionali che le SNN indipendenti. Lo studio asserisce che la QDS-SNN è particolarmente adatta per la percezione del traffico in tempo reale su piattaforme con risorse limitate, come i veicoli autonomi, dove la bassa latenza e il minimo consumo di potenza sono critici. Il lavoro suggerisce che questo approccio ibrido quantistico-classico fornisce una via pratica per l'implementazione di modelli avanzati nell'Internet of Vehicles (IoV) senza compromettere l'accuratezza del riconoscimento.