SAFE Quantum Machine Learning with Variational Quantum Classifiers

Technische Samenvatting: SAFE Kwantum Machine Learning met Variationale Kwantum Classificators

Probleemstelling
Machine learning-systemen die worden ingezet in risicovolle omgevingen, zoals medische diagnose, vereisen meer dan alleen voorspellende nauwkeurigheid; ze moeten robuustheid vertonen tegen variaties in invoer, stabiliteit onder data-degradatie en interpreteerbaarheid. Traditionele deep learning-modellen, hoewel expressief, lijden vaak onder broosheid bij ruis, verdelingsverschuivingen of het verwijderen van gestructureerde kenmerken. Dit artikel adresseert de spanning tussen modelexpressiviteit en betrouwbaarheid door onderzoek te doen naar Veilige, Accurate, Eerlijke en Verklaarbare (SAFE) machine learning. Specifiek wordt onderzocht of hybride klassiek-kwantum architecturen een gestructureerde hypotheseklasse kunnen induceren die de gevoeligheid voor verstoringen op natuurlijke wijze beperkt, en zo een principiële alternatief biedt voor klassieke modellen die vertrouwen op expliciete regularisatie om stabiliteit af te dwingen.

Methodologie
De auteurs stellen een hybride kwantum-klassiek raamwerk voor voor de classificatie van hersentumoren met behulp van MRI-beelden. De methodologie integreert diepe kenmerkextractie met een Variationale Kwantum Classificator (VQC) die is ontworpen om te opereren binnen beperkte, genormaliseerde en begrenste hypothese ruimten.

1. Architectuur:

   • Kenmerkextractie: Een vooraf getraind ResNet-18-model extrahert een 512-dimensionale embedding-vector uit invoer-MRI-beelden.
   • Klassieke laag voor de VQC: Om vervormingen veroorzaakt door amplitude-encoding te mitigeren, past een trainbare klassieke laag (lineaire transformatie gevolgd door GELU-activering) de kenmerkverdeling aan voordat kwantum-encoding plaatsvindt. Ablatiestudies bevestigen dat deze laag cruciaal is voor trainingsstabiliteit.
   • Amplitude Encoding: De 512-dimensionale kenmerkvector wordt genormaliseerd en ingebed in een 9-qubit kwantumtoestand ($| \psi(x) \rangle = \sum x_i |i\rangle$).
   • Variationale Kwantum Circuit (VQC): De gecodeerde toestand passeert een enkele "Sterk Verstrengelende Laag" bestaande uit geparametriseerde single-qubit rotaties en volledig verbonden CNOT-poorten. Deze unitaire transformatie behoudt de norm van de kwantumtoestand.
   • Uitlezing: De output wordt gegenereerd door de verwachtingswaarden van Pauli-Z-operatoren op elke qubit te meten, wat een begrensd vector in $[-1, 1]$ oplevert, die vervolgens via een laatste klassieke lineaire laag wordt gemapt naar class-logits.
   • Training: Het volledige hybride model wordt end-to-end getraind met cross-entropy-verlies op een ruisvrije kwantumsimulator.

2. Evaluatiekader (SAFE-AI-maatstaven):
   Het artikel evalueert modellen met behulp van een verenigde familie van maatstaven afgeleid van de Cramér–von Mises (CvM) divergentie. Deze maatstaven beoordelen drie dimensies:

   • Nauwkeurigheid ($RGA$): Meet de rangschikkingnauwkeurigheid ten opzichte van de grondwahrheid.
   • Robuustheid ($RGR$): Meet de stabiliteit van voorspellingen wanneer invoer wordt verstoord door Gaussisch ruis, adversariale aanvallen (FGSM) of ruimtelijke transformaties (rotaties/translaties).
   • Verklaarbaarheid ($RGE$): Meet de stabiliteit van voorspellingen wanneer de meest relevante beeldregio's (geïdentificeerd via Grad-CAM) progressief worden afgedekt.
     Het oppervlak onder de curve (AUC) voor deze maatstaven ($AURGA, AURGR, AURGE$) biedt een compacte maatstaf voor prestatiedegradatie onder stress.

Belangrijkste Resultaten
Het voorgestelde Kwantum Machine Learning (QML)-model werd geëvalueerd op een dataset van 6.056 MRI-beelden (glioom, meningioom en tumorclasses) en vergeleken met klassieke baselines: Lineaire Regressie, Support Vector Machine (SVM), Random Forest (RF) en een ondiepe Multilayer Perceptron (MLP).

• Voorspellende Prestaties: Het QML-model behaalde een macro F1-score van 0,978, wat dicht in de buurt komt van de SVM-baseline (0,983) en beter presteert dan Lineaire, RF- en MLP-modellen. Het behield ook een lage Gemiddelde Kwadratische Fout (0,013), wat wijst op stabiele probabilistische voorspellingen.
• Robuustheid tegen Ruis: Het QML-model vertoonde de hoogste robuustheid tegen additieve Gaussische ruis ($AURGR = 0,9409$), en presteerde beter dan alle klassieke baselines. Het behaalde ook de hoogste robuustheid tegen FGSM-adversariale aanvallen onder de geëvalueerde differentieerbare modellen.
• Stabiliteit bij Kenmerkverwijdering: Hoewel Random Forests de hoogste stabiliteit vertoonden bij progressieve beeldafdekking ($AURGE$), bleef het QML-model concurrerend en presteerde het aanzienlijk beter dan de Lineaire baseline.
• Algemeen Profiel: Het QML-model vertoonde een meer gebalanceerd SAFE-betrouwbaarheidsprofiel. Waar de SVM uitblonk in rangschikkingstabiliteit en ruimtelijke robuustheid, en RF in stabiliteit van verklaarbaarheid, bood het QML de sterkste verdediging tegen stochastische en adversariale verstoringen in de kenmerkruimte.

Betekenis en Claims
Het artikel beweert dat variatieve kwantumcircuits een principiële mechanisme bieden voor stabiliteitsgerichte SAFE-learning. De betekenis van het werk ligt in de volgende theoretische en empirische observaties:

1. Implicit Regularisatie via Unitariteit: In tegenstelling tot klassieke neurale netwerken die expliciete spectrale normalisatie of orthogonaliteitsbeperkingen vereisen om gevoeligheid te controleren, voldoet het kwantumcomponent per ontwerp aan unitariteit. Dit legt een intrinsieke 1-Lipschitz-beperking op aan de kwantumkenmerkkaart, waardoor willekeurige versterking van invoerverstoringen en gradiënte-explosies worden voorkomen.
2. Gestructureerde Hypotheseklasse: De combinatie van genormaliseerde amplitude-embeddings, unitaire transformaties en begrenste observabelen creëert een hypotheseklasse die expressief maar beperkt is. Deze structuur fungeert als een impliciete regularisator, beperkt de effectieve capaciteit van het model en ontmoedigt overfitting.
3. Betrouwbaarheid in Risicovolle Omgevingen: De resultaten suggereren dat hybride kwantummodellen niet slechts alternatieven zijn voor het verbeteren van pieknauwkeurigheid, maar waardevolle componenten zijn voor betrouwbaarheidsbewuste systemen. Ze bieden een "veiligheidsgerichte" inductieve bias die ervoor zorgt dat modellen stabiel blijven onder ruis en data-degradatie, een kritieke vereiste voor veiligheidskritieke toepassingen zoals medische beeldvorming.

De auteurs merken expliciet op dat het QML-voordeel het meest uitgesproken is voor verstoringen die direct worden toegepast op de geëxtraheerde kenmerkrepresentatie (Gaussische ruis, FGSM) en niet voor geometrische transformaties op beeldniveau. Ze concluderen dat de waarde van het voorgestelde model ligt in het vermogen om concurrerende voorspellende prestaties te combineren met een intrinsiek geregulariseerde, betrouwbaarheidsgerichte architectuur.