Quantum-Enhanced Similarity Measures for Polarimetric Materials Classification

Sintesi Tecnica: Misure di Similitudine Potenziate dal Quantum per la Classificazione di Materiali Polarimetrici

Definizione del Problema
La classificazione dei materiali è un compito di percezione critico per la robotica, il telerilevamento e l'ispezione industriale. Sebbene i metodi di deep learning basati su RGB abbiano fatto progressi, essi sono fondamentalmente limitati dalla loro dipendenza da colore e intensità, che sono confondibili con le condizioni di illuminazione, l'orientamento del punto di vista e della superficie. L'imaging polarimetrico offre un'alternativa fisicamente fondata catturando la matrice di Mueller, che codifica le proprietà di riflettanza (ad es. costante dielettrica, rugosità) che sono ampiamente invarianti rispetto al colore dell'illuminazione. Gli esistenti classificatori polarimetrici, addestrati in modo supervisionato ed end-to-end, rimangono tuttavia sensibili ai cambiamenti di distribuzione (ad es. variazioni dell'angolo di azimut o della configurazione del sensore). Questo articolo affronta la necessità di una rappresentazione che sia scissa dalle condizioni di acquisizione e capace di discriminazione open-set, riformulando il riconoscimento dei materiali non come un problema di classificazione closed-set, ma come un problema di point-matching (corrispondenza di punti).

Metodologia
Gli autori propongono una pipeline ibrida classico-quantistica composta da due fasi distinte:

1. Fase di Addestramento (Estrazione delle Caratteristiche):

   • Rappresentazione dei Dati: L'input consiste in "cubi polarimetrici" derivati da misurazioni della matrice di Mueller. Questi cubi rappresentano le variazioni di intensità attraverso 1oli angoli di analizzatore, dimensioni spaziali ($H \times W$), e sono generati simulando varie geometrie di illuminazione e lunghezze d'onda.
   • Architettura dell'Encoder: Un cubo polarimetrico viene elaborato da un encoder OctGPT (un modello basato su transformer che utilizza la sparsità dell'ottree) per generare embedding gerarchici. Questi embedding sono ulteriormente elaborati da una testa di Rete Neurale a Grafo (GNN).
   • Obiettivo: Il modello completo (OctGPT + GNN + testa di classificazione) è addestrato end-to-end utilizzando la loss di cross-entropy su 23 classi di materiali. L'obiettivo è apprendere embedding che siano compatti all'interno di una classe e dispersi tra le classi.

2. Fase di Inferenza (Quantum Point Matching):

   • Freezing: La testa di classificazione e la GNN vengono scartate; viene mantenuto solo l'encoder OctGPT congelato.
   • Generazione dell'Embedding: Per un cubo di query, l'encoder produce una matrice di embedding $64 \times 32$ (64 nodi foglia dall'ottree, ciascuno con un vettore a 32 dimensioni).
   • Codifica Quantistica: La matrice di embedding viene appiattita in un vettore a 2048 dimensioni, $\ell_2$-normalizzato, e codificata come le ampiezze di probabilità di uno stato quantistico a 11 qubit ($|\psi\rangle$).
   • Stima della Similitudine: Viene utilizzata una circuiteria SWAP-test per stimare la fedeltà ($F = |\langle \psi | \phi \rangle|^2$) tra lo stato di query e una libreria di stati "ancora" (che rappresentano materiali noti). Il circuito utilizza un qubit ancilla, porte Hadamard e porte controlled-SWAP.
   • Classificazione: La query viene assegnata alla classe dell'ancora (o delle ancore) che produce la fedeltà aggregata più elevata.

Contributi Chiave

• Dataset: Un dataset di cubi polarimetrici composto da 23 classi di materiali (circa 800 campioni ciascuna), generato variando angoli di azimut, lunghezze d'onda della luce e stati di polarizzazione su matrici di Mueller calibrate.
• Pipeline Ibrida: Una nuova pipeline di estrazione delle caratteristiche e generazione di embedding che produce una ricca matrice di embedding di dimensione fissa per ogni cubo di materiale, addestrata in modo discriminativo ma congelata per l'inferenza.
• Framework Quantistico: Un framework di point-matching guidato dal quantum che codifica gli embedding dei voxel come stati di ampiezza quantistica e utilizza lo SWAP test per valutare le similitudini dei materiali sotto simulazione quantistica.
• Analisi Comparativa: Una valutazione estesa che confronta l'approccio quantistico con i baseline classici, inclusi l'Optimal Transport (soft matching), la distanza di Hungarian (hard matching) e la similarità del Coseno.

Risultati Sperimentali
L'approccio è stato valutato sul dataset polarimetrico KAIST a 23 classi (circa 19.555 campioni dopo il filtraggio).

• Performance Quantistiche: Sotto una simulazione di stato vettoriale ideale e priva di rumore, il Quantum SWAP Test ha raggiunto una precisione Top-1 del 72,7% e Top-3 del 90,9%.
• Baseline Classici:
  • Optimal Transport (Normalizzato): 87,9% Top-1 / 98,5% Top-3.
  • Hungarian Matching (Normalizzato): 86,4% Top-1 / 95,5% Top-3.
  • Similarità del Coseno: 71,2% Top-1 / 93,9% Top-3.
• Analisi: I risultati indicano che il Quantum SWAP Test fornisce un segnale di similitudine valido, con prestazioni comparabili alla similarità del Coseno. Tuttavia, i metodi classici strutturati (Optimal Transport e Hungarian) hanno superato l'approccio quantistico. Gli autori attribuiscono questo divario al fatto che i metodi classici operano direttamente sulla struttura del set di foglie per foglia, mentre l'attuale codifica quantistica comprime l'intero layout spaziale in un singolo stato di ampiezza globale.

Significatività e Rivendicazioni
Il lavoro sostiene che questa ricerca stabilisce una via percorribile verso il riconoscimento di materiali basato su NISQ (Noisy Intermediate-Scale Quantum). Riformulando il riconoscimento come ricerca basata sulla similitudine su embedding locali piuttosto che come classificazione closed-set, il metodo dimostra potenziale per la discriminazione open-set, distinguendo con successo tra materiali noti e input fuori distribuzione (matrici di Mueller casuali) con una confidenza inferiore.

Gli autori sottolineano che, sebbene gli attuali punteggi di fedeltà quantistica siano competitivi con la semplice similarità del coseno, il divario con i metodi classici strutturati evidenzia un'area specifica di miglioramento: il passaggio dalla codifica di ampiezza piatta al quantum graph matching che preservi la topologia dell'ottree. Il lavoro funge da prova di concetto che la fedeltà quantistica può servire come metrica di similitudine significativa per i dati polarimetrici, a patto che le iterazioni future affrontino la compressione della struttura spaziale e l'overhead della preparazione dello stato sull'hardware reale.