Real-Time Cognitive State Decoding from EEG Using a Hybrid Quantum--Classical Neural Framework

Sintesi Tecnica: Decodifica dello Stato Cognitivo in Tempo Reale da EEG mediante un Framework Neurale Ibrido Quantistico-Classico

Problematica
La decodifica accurata degli stati cognitivi dai segnali elettroencefalografici (EEG) è ostacolata da intrinseche sfide del segnale, tra cui l'elevato livello di rumore, la non stazionarietà, i bassi rapporti segnale-rumore e la significativa variabilità inter-soggetto e intra-soggetto. Mentre i metodi tradizionali di apprendimento automatico (ad es. SVM) offrono una bassa latenza, essi faticano a modellare la complessa dinamica non lineare dell'EEG. Al contrario, i modelli di deep learning (ad es. CNN, LSTM) migliorano l'accuratezza, ma spesso richiedono dataset estesi, risorse computazionali sostanziali e comportano latenze di inferenza che superano i vincoli delle applicazioni di Interfaccia Cervello-Computer (BCI) in tempo reale. Inoltre, gli esistenti framework quantistici per l'EEG (come quEEGNet e QEEGNet) si sono concentrati principalmente sulle prestazioni offline o sulla simulazione, mancando di pipeline di inferenza end-to-end con latenza riportata e pronte per il deployment adatte all'operatività in tempo reale.

Metodologia: Il Framework QNeuroGen
Gli autori propongono QNeuroGen, un'architettura di apprendimento ibrida quantistico-classica progettata per la classificazione multi-classe dello stato cognitivo in tempo reale. Il sistema opera come una pipeline modulare, end-to-end trainable, composta da quattro fasi:

1. Pre-elaborazione Classica: I dati EEG dal dataset DEAP (32 soggetti, 14 canali, 128 Hz) subiscono un filtraggio passa-banda (1–40 Hz), rimozione degli artefatti tramite Analisi delle Componenti Indipendenti (ICA) e segmentazione in finestre di 1 secondo con una sovrapposizione del 50%. Le caratteristiche vengono standardizzate con media zero e varianza unitaria.
2. Codifica Quantistica delle Caratteristiche: I vettori di caratteristiche EEG normalizzati vengono mappati in uno spazio di Hilbert quantistico ad alta dimensione utilizzando la codifica di ampiezza (amplitude encoding). Per catturare esplicitamente le caratteristiche oscillatorie nel dominio della frequenza, viene applicata una Trasformata di Fourier Quantistica (QFT) agli stati codificati.
3. Circuito Quantistico Variazionale (VQC): Gli stati codificati sono elaborati da un VQC superficiale e parametrizzato. Questo circuito consiste in gate di rotazione a singolo qubit ($R_x, R_y, R_z$) addestrabili e operazioni di entanglement (CNOT o CZ). Il VQC funge da mappatore di caratteristiche non lineare, trasformando le caratteristiche classiche in una rappresentazione quantistica capace di catturare correlazioni di ordine superiore.
4. Inferenza Neurale Classica: I valori di aspettazione di osservabili predefiniti vengono misurati per generare un vettore di caratteristiche compatto derivato dal sistema quantistico. Questo vettore viene poi alimentato in una rete neurale feedforward classica leggera (tre strati densi con attivazioni ReLU e un output softmax) per la classificazione finale.

Addestramento e Ottimizzazione
Il framework utilizza una strategia di addestramento end-to-end differenziabile. I pesi della rete classica sono ottimizzati tramite backpropagation standard, mentre i parametri del circuito quantistico vengono aggiornati utilizzando la regola dello shift dei parametri (parameter-shift rule) per la stima esatta del gradiente. Il modello è addestrato con l'ottimizzatore Adam con early stopping, impiegando una funzione di perdita cross-entropy regolarizzata.

Contributi Chiave
Il documento delinea sette contributi primari:

1. Architettura Ibrida: Una pipeline end-to-end trainabile e consapevole della latenza che integra l'estrazione di caratteristiche potenziata dal quantum con l'inferenza classica leggera, vincolata ai limiti di esecuzione dell'era NISQ.
2. Codifica Adattiva al Task: Un encoder quantistico parametrizzato che utilizza la codifica di ampiezza e di rotazione per rappresentare complesse dipendenze spettrali-temporali.
3. Design VQC Superficiale: Un modulo di apprendimento della rappresentazione discriminativa tramite rotazioni addestrabili ed entanglement, ottimizzato per dispositivi quantistici a scala intermedia rumorosa (NISQ).
4. Addestramento Differenziabile: Una strategia di ottimizzazione coordinata che combina i gradienti del parameter-shift con la backpropagation.
5. Deployment in Tempo Reale: Un sistema di inferenza containerizzato (Docker) con un'API REST, che raggiunge un'esecuzione a bassa latenza.
6. Valutazione Esaustiva: Benchmarking esteso contro baseline classiche e di deep learning sotto identiche condizioni.
7. Riproducibilità: Una pipeline di ricerca modulare ed estensibile progettata per la futura ricerca neurotecnologica.

Risultati Sperimentali
Gli esperimenti sono stati condotti sul dataset DEAP, prendendo in esame quattro stati cognitivi: Carico di Lavoro (Workload), Attenzione, Rilassamento e Stress.

• Accuratezza della Classificazione: QNeuroGen ha raggiunto un'accuratezza media dell'89,2% (±1,2%), superando la più forte baseline, una Rete Neurale Convoluzionale (CNN), con un margine assoluto del 12,1%. Ha inoltre superato significativamente SVM (68,4%) e LSTM (74,3%).
• Latenza di Inferenza: Il sistema ha raggiunto una latenza di inferenza end-to-end di 48 ms, soddisfacendo la soglia del tempo reale di <50 ms. Questo è notevolmente più veloce delle baseline CNN (72 ms) e LSTM (81 ms), nonostante l'inclusione dei passaggi di simulazione quantistica.
• Studi di Ablazione: La rimozione del VQC o della QFT ha causato una significativa degradazione dell'accuratezza (scendendo rispettivamente all'82,9% e all'84,6%), confermando che i guadagni di prestazione derivano dalla rappresentazione delle caratteristiche potenziata dal quantum piuttosto che da un aumento della complessità del modello classico.
• Efficienza: Il modello ha utilizzato circa $10^5$ parametri addestrabili, un ordine di grandezza inferiore rispetto alle baseline di deep learning ($10^6$), pur operando su una CPU con un backend di simulatore quantistico.

Significato e Rivendicazioni
Il documento afferma che QNeuroGen colma le lacune critiche nella letteratura attuale sulla decodifica dell'EEG, raggiungendo simultaneamente un'elevata accuratezza predittiva e la fattibilità operativa in tempo reale. A differenza degli studi quantistici sull'EEG precedenti che si concentrano sulla valutazione offline, questo lavoro dimostra una pipeline pronta per il deployment. Gli autori sostengono che il framework sfrutta con successo la sovrapposizione e l'entanglement quantistici per creare rappresentazioni di caratteristiche più ricche, capaci di catturare le dinamiche non lineari dell'EEG in modo più efficace rispetto ai metodi classici, senza incorrere nell'overhead computazionale tipico del deep learning. I risultati suggeriscono che i modelli ibridi quantistico-classici offrono una via percorribile per i sistemi neuroadattivi di prossima generazione, bilanciando il compromesso tra accuratezza e latenza.

Limitazioni
Gli autori riconoscono che i componenti quantistici sono stati valutati utilizzando simulatori statevector piuttosto che hardware quantistico fisico, il che significa che le prestazioni su dispositivi NISQ reali con diverse caratteristiche di rumore devono ancora essere verificate. Inoltre, sebbene il modello abbia performato bene sul dataset specifico, la generalizzazione tra soggetti e tra diversi dataset è identificata come un'area per ricerche future.