Quantum-Enhanced Similarity Measures for Polarimetric Materials Classification

Technische Samenvatting: Kwantumverbeterde Gelijkenismaten voor Classificatie van Polarimetrische Materialen

Probleemstelling
Materiaalklassificatie is een cruciale perceptie-taak voor robotica, remote sensing en industriële inspectie. Hoewel RGB-gebaseerde deep learning-methoden geavanceerd zijn, worden ze fundamenteel beperkt door hun afhankelijkheid van kleur en intensiteit, die verward worden door verlichtingsomstandigheden, gezichtspunt en oppervlakteoriëntatie. Polarimetrische beeldvorming biedt een fysisch onderbouwde alternatief door de Mueller-matrix vast te leggen, die reflectie-eigenschappen (bijv. diëlektrische constante, ruwheid) codeert die grotendeels invariant zijn voor de kleur van de verlichting. Bestaande polarimetrische classificatiesystemen, getraind op een gesuperviseerde, end-to-end wijze, blijven echter gevoelig voor distributieverschuivingen (bijv. veranderingen in azimuthoek of sensorconfiguratie). Dit artikel adresseert de behoefte aan een representatie die ontkoppeld is van acquisitiecondities en in staat is tot open-set discriminatie, waarbij materiaalherkenning wordt geherformuleerd van een closed-set classificatieprobleem naar een punt-matching probleem.

Methodologie
De auteurs stellen een kwantum-klassieke hybride pijplijn voor bestaande uit twee afzonderlijke fasen:

1. Trainingsfase (Kenmerkextractie):

   • Datarepresentatie: De input bestaat uit "polarisatie-kubussen" afgeleid van Mueller-matrix metingen. Deze kubussen representeren intensiteitsvariaties over 180 analyzer-hoeken, ruimtelijke dimensies ($H \times W$), en worden gegenereerd door diverse illuminatiegeometrieën en golflengten te simuleren.
   • Encoder Architectuur: Een polarisatiekubus wordt verwerkt door een OctGPT encoder (een transformer-gebaseerd model dat gebruikmaakt van octree-schaarsheid) om hiërarchische embeddings te genereren. Deze embeddings worden verder verwerkt door een Graph Neural Network (GNN) head.
   • Doelstelling: Het volledige model (OctGPT + GNN + classificatiekop) wordt end-to-end getraind met cross-entropy loss op 23 materiaalklassen. Het doel is om embeddings te leren die compact zijn binnen een klasse en verspreid over klassen.

2. Inferentiefase (Kwantum Punt-Matching):

   • Bevriezen: De classificatiekop en de GNN worden weggegooid; alleen de bevroren OctGPT encoder wordt behouden.
   • Embedding Generatie: De encoder produceert voor een query-kubus een $64 \times 32$ embedding matrix (64 bladknopen van de octree, elk met een 32-dimensionale vector).
   • Kwantum Codering: De embedding matrix wordt platgeslagen tot een 2048-dimensionale vector, $\ell_2$-genormaliseerd, en gecodeerd als de waarschijnlijkheidsamplituden van een 11-qubit kwantumtoestand ($|\psi\rangle$).
   • Gelijkenis Schatting: Een SWAP-test circuit wordt gebruikt om de fideliteit ($F = |\langle \psi | \phi \rangle|^2$) te schatten tussen de query-toestand en een bibliotheek van "anker"-toestanden (die bekende materialen representeren). Het circuit gebruikt één ancilla-qubit, Hadamard-poorten en controlled-SWAP poorten.
   • Classificatie: De query wordt toegewezen aan de klasse van de anker(s) die de hoogste geaggregeerde fideliteit oplevert.

Belangrijkste Bijdragen

• Dataset: Een polarimetrische kubus-dataset bestaande uit 23 materiaalklassen (ongeveer 800 monsters elk), gegenereerd door azimuthoeken, lichtgolflengten en polarisatietoestanden te variëren over gekalibreerde Mueller-matrices.
• Hybride Pijplijn: Een nieuwe pijplijn voor kenmerkextractie en embedding-generatie die een rijke, vaste embedding-matrix per materiaalkubus produceert, die discriminatief getraind maar bevroren is voor inferentie.
• Kwantum Framework: Een kwantumgestuurd punt-matching framework dat voxel-embeddings codeert als kwantumamplitude-toestanden en de SWAP-test gebruikt om materiaalsimilariteiten te evalueren onder kwantumsimulatie.
• Vergelijkende Analyse: Een uitgebreide evaluatie waarbij de kwantumbenadering wordt vergeleken met klassieke baselines, inclusief Optimal Transport (soft matching), Hungarian distance (hard matching) en Cosine similarity.

Experimentele Resultaten
De benadering werd geëvalueerd op de 23-klasse KAIST polarimetrische dataset (ongeveer 19.555 monsters na filtering).

• Kwantum Prestaties: Onder ideale, ruisvrije statevector-simulatie bereikte de Quantum SWAP Test een 72,7% Top-1 en 90,9% Top-3 nauwkeurigheid.
• Klassieke Baselines:
  • Optimal Transport (Genormaliseerd): 87,9% Top-1 / 98,5% Top-3.
  • Hungarian Matching (Genormaliseerd): 86,4% Top-1 / 95,5% Top-3.
  • Cosine Similarity: 71,2% Top-1 / 93,9% Top-3.
• Analyse: De resultaten geven aan dat de Quantum SWAP Test een valide gelijkenissignaal levert en presteert in de buurt van Cosine similarity. Echter, gestructureerde klassieke methoden (Optimal Transport en Hungarian) presteerden beter dan de kwantumbenadering. De auteurs schrijven dit gat toe aan het feit dat klassieke methoden direct opereren op de per-leaf set structuur, terwijl de huidige kwantumcodering de gehele ruimtelijke lay-out comprimeert tot een enkele globale amplitude-toestand.

Betekenis en Claims
Het artikel claimt dat dit werk een levensvatbaar pad legt naar NISQ-gebaseerde (Noisy Intermediate-Scale Quantum) materiaalherkenning. Door herkenning te herformuleren als gelijkenis-gebaseerde retrieval over lokale embeddings in plaats van closed-set classificatie, demonstreert de methode potentieel voor open-set discriminatie, waarbij het succesvol onderscheid maakt tussen bekende materialen en out-of-distribution inputs (willekeurige Mueller-matrices) met een lagere betrouwbaarheid.

De auteurs benadrukken dat hoewel de huidige kwantum-fideliteitsscores concurrerend zijn met eenvoudige cosine similarity, het gat met gestructureerde klassieke methoden een specifiek gebied voor verbetering aanwijst: de overstap van platte amplitude-codering naar kwantum grafen-matching die de octree-topologie behoudt. Het werk dient als een proof-of-concept dat kwantum-fideliteit een betekenisvolle gelijkenis-metriek kan dienen voor polarimetrische data, mits toekomstige iteraties de compressie van ruimtelijke structuur en de overhead van state-preparatie op echte hardware aanpakken.