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

Technische Samenvatting: QDS-SNN: Energiezuinig Quantum Deeply-Supervised Spiking Neural Network Algoritme voor Verkeersbordherkenning

Probleemstelling
Verkeersbordherkenning (Traffic Sign Recognition, TSR) is een cruciaal onderdeel van intelligente transportsystemen en autonoom rijden, essentieel voor het waarborgen van de verkeersveiligheid en operationele efficiëntie. Hoewel Convolutionele Neurale Netwerken (CNN's) een hoge nauwkeurigheid hebben bereikt in TSR, leunen zij zwaar op grootschalige gelabelde datasets en intensieve computationele middelen. Deze afhankelijkheid resulteert in aanzienlijk energieverbruik en computationele overhead, waardoor traditionele CNN's ongeschikt zijn voor hulpbronnenbeperkte, energiegevoelige toepassingen zoals elektrische voertuigen en het Internet of Vehicles (IoV).

Spiking Neural Networks (SNN's) bieden een biologisch geïnspireerd, energiezuinig alternatief vanwege hun event-gestuurde, spatiotemporele verwerkingscapaciteiten. Diepe SNN's worden echter geconfronteerd met aanzienlijke uitdagingen, waaronder informatieverlies, verdwijnende gradiënten tijdens de training door niet-differentieerbare activatiefuncties, en moeilijkheden bij het modelleren van complexe temporele afhankelijkheden. Bovendien schieten bestaande hybride benaderingen vaak tekort in het balanceren van hoge nauwkeurigheid met de strikte energiebeperkingen die vereist zijn voor edge-implementatie.

Methodologie
Om deze beperkingen aan te pakken, stellen de auteurs het Quantum Deeply-Supervised Spiking Neural Network (QDS-SNN) voor. Dit framework integreert Quantum Neurale Netwerken (QNN's) in een diepe SNN-architectuur om efficiënte, laagvermogen deep supervision te bieden. De methodologie bestaat uit drie kerncomponenten:

1. Temporal-Spatial Adaptive LIF (TSA-LIF) Neuron:
   De auteurs introduceren een gemodificeerd Leaky Integrate-and-Fire (LIF) neuronmodel uitgerust met leerbare temporele ($\beta_n$) en ruimtelijke ($\alpha_n$) vervalfactoren. In tegen tegenstelling tot standaard LIF-neuronen leert de TSA-LIF deze vervalparameters onafhankelijk. De ruimtelijke factor controleert de behoud van kenmerken (feature retention), terwijl de temporele factor het geheugenverval reguleert. Dit ontwerp verbetert het vermogen van het netwerk om spatiotemporele dynamiek te modelleren en verbetert de retentie van kenmerken zonder complexe preprocessing.

2. Quantum-Assisted Classification Module (QACM):
   Om de gradiëntverdwijning te mitigeren en de diepe supervisie te verbeteren, wordt een QACM ingevoegd na elke fase van de SNN (behalve de laatste fase). De QACM bestaat uit:

   • Quantum Coding Layer: Gebruikt amplitude-encodering om klassieke spike-data in quantumtoestanden te mappen.
   • Quantum Convolution en Pooling Layers: Maakt gebruik van geparametriseerde quantum-gates (inclusief Hadamard, rotatie en CNOT gates) om convolutie- en pooling-operaties te simuleren. De architectuur maakt gebruik van zowel 4-qubit als 2-qubit varianten om expressiviteit en resourcegebruik te balanceren.
   • Measurement Layer: Converteert quantumtoestanden naar klassieke waarschijnlijkheidsverdelingen voor hulpclassificatie.
     Dit module maakt gebruik van quantum superpositie en verstrengeling om parallelle berekeningen uit te voeren, wat diepe supervisiesignalen levert die de training van de SNN-backbone sturen.

3. Hybride Trainingsstrategie:
   Het model maakt gebruik van een gezamenlijke optimalisatiebenadering met behulp van een gecombineerde verliesfunctie. De totale loss ($L$) integreert de cross-entropy loss van de QACM hulpclassificaties over de eerste $K-1$ fasen en de uiteindelijke classificatie loss van de $K$-de fase. Een supervisiefactor ($\sigma$) balanceert de bijdrage van deze diepe supervisieverliezen. De training maakt gebruik van Temporal Channel Backpropagation (STBP) voor de SNN en de parameter-shift regel voor het berekenen van gradiënten in de QNN-circuits.

Belangrijkste Bijdragen
Het artikel schetst vier primaire bijdragen:

1. QDS-SNN Algoritme: Een nieuwe architectuur die QACM en TSA-LIF neuronen integreert in een K-fase diepe SNN, wat superieure prestaties en lager energieverbruik demonstreert voor verkeersbordclassificatie.
2. TSA-LIF Neuron Model: Het ontwerp van een neuron met leerbare temporele en ruimtelijke vervalfactoren, wat de temporele modelleringscapaciteiten en de retentie van kenmerken verbetert.
3. Quantum-Assisted Classification Module (QACM): Een laagvermogen quantummodule die diepe supervisie verbetert zonder de overhead van traditionele convolutionele lagen, waardoor gradiëntproblemen effectief worden aangepakt.
4. Hybride Trainingsmethode: Een gezamenlijke optimalisatiestrategie met behulp van een gecombineerde verliesfunctie met een supervisiefactor om convergentie te versnellen en de efficiëntie van de training te verbeteren.

Experimentele Resultaten
De QDS-SNN werd geëvalueerd op het PennyLane quantum simulatieplatform met twee datasets: de German Traffic Sign Recognition Benchmark (GTSRB) en de Chinese Traffic Sign Database (TSRD).

• GTSRB Dataset: Het model behaalde een nauwkeurigheid van 99,72% met slechts 6 tijdstappen. Dit presteerde beter dan de MS-ResNet baseline met 1,32% en verminderde het energieverbruik met 55,77% (2,26 mJ vs. 5,11 mJ). Zelfs bij 2 tijdstappen behaalde het model 98,68% nauwkeurigheid.
• TSRD Dataset: Het model behaalde een nauwkeurigheid van 97,90% bij 6 tijdstappen, waarmee het de MS-ResNet baseline met 0,87% tot 2,10% overtrof, afhankelijk van de specifieke baseline variant, terwijl het energieverbruik werd teruggebracht tot 52,68% van de baseline.
• Ablatieonderzoeken: Experimenten bevestigden dat de TSA-LIF neuron (die beide vervalfactoren combineert) beter presteerde dan de standaard LIF en single-factor varianten. Bovendien bereikte de QACM een nauwkeurigheid die vergelijkbaar is met een klassieke hulpclassificator (CACM), maar met 27,8% minder parameters en 66,4% lager energieverbruik.
• Ruisanalyse: Fidelity-analyse onder verschillende typen quantumruis (Bit Flip, Phase Flip, Amplitude Damping, Depolarizing Noise) toonde de robuustheid van het model aan, waarbij een hoge fidelity behouden bleef, zelfs bij ruis-waarschijnlijkheden van 0,1.

Betekenis en Claims
De auteurs beweren dat QDS-SNN een hoogwaardige, energiezuinige oplossing biedt die specif으로 is afgestemd op intelligente transportsystemen. Door quantum diepe supervisie te integreren met adaptieve spiking neuronen, adresseert de methode succesvol de nauwkeurigheid-energie trade-off die zowel traditionele CNN's als standalone SNN's beperkt. De studie stelt dat QDS-SNN bijzonder geschikt is voor real-time verkeersperceptie op hulpbronnenbeperkte platforms, zoals autonome voertuigen, waar lage latentie en minimaal stroomverbruik cruciaal zijn. Het werk suggereert dat deze hybride quantum-klassieke benadering een praktisch pad biedt voor de implementatie van geavanceerde neurale modellen in het Internet of Vehicles (IoV) zonder de herkenningsnauwkeurigheid in gevaar te brengen.