Quantum Active Learning

Título: Quantum Active Learning (Aprendizado Ativo Quântico)

Autores: Yongcheng Ding, Yue Ban, Mikel Sanz, José D. Martín-Guerrero, Xi Chen.
Data: 29 de maio de 2024.

---

1. O Problema

O Aprendizado de Máquina Quântico (QML) promete eficiência superior ao processar dados codificados em estados quânticos. No entanto, o treinamento de Redes Neurais Quânticas (QNNs) para aprendizado supervisionado geralmente exige grandes conjuntos de dados rotulados. A rotulagem desses dados frequentemente depende de anotadores humanos (especialistas) e experimentos adicionais, o que gera custos financeiros e temporais significativos.

O desafio central é: Como treinar modelos de QML eficazes com um número muito reduzido de amostras rotuladas (aprendizado de poucos exemplos ou few-shot learning)? O objetivo é reduzir o custo experimental mantendo o desempenho do modelo comparável ao obtido com conjuntos de dados totalmente rotulados.

2. Metodologia

Os autores propõem o Aprendizado Ativo Quântico (QAL), uma extensão do Aprendizado Ativo (AL) clássico para o domínio quântico, combinado com Aprendizado de Máquina Quântico Geométrico (GQML).

A. Estrutura do QAL

O fluxo de trabalho envolve:

1. Pool de Dados: Um conjunto grande de dados não rotulados (quânticos ou clássicos codificados em quânticos).
2. Estimativa de Incerteza: O modelo QML estima a incerteza de cada amostra no pool.
3. Estratégias de Amostragem: O modelo seleciona as amostras mais "informativas" para serem rotuladas por um anotador. As estratégias utilizadas incluem:
   • Least Confidence (Menor Confiança).
   • Margin Sampling (Amostragem de Margem).
   • Entropy Sampling (Amostragem por Entropia).
   • Density-weighted Sampling (Amostragem Ponderada por Densidade) para evitar viés em regiões esparsas.
4. Iteração: As amostras selecionadas são rotuladas, adicionadas ao conjunto de treinamento e o modelo é atualizado.

B. Integração com GQML (Redes Neurais Equivariantes)

Para lidar com a escassez de dados, os autores utilizam QNNs Equivariantes.

• Princípio: Incorporam priors geométricos (simetrias) na arquitetura da rede. Se os dados possuem uma simetria (ex: rotação, reflexão) que preserva o rótulo, a rede é projetada para ser equivariante a essas transformações.
• Vantagem: Isso reduz o espaço de busca do modelo, mitigando o problema de "platôs estéreis" (barren plateaus) e permitindo que o modelo generalize a partir de muito poucos exemplos, ao contrário de QNNs genéricos (como Hardware-Efficient Ansätze - HEA) que não possuem essas restrições.

C. Casos de Estudo (Experimentos Numéricos)

Os autores testaram o framework em dois problemas distintos:

1. Corte de Rosquinha (Slicing-a-Donut):
   • Dados: Distribuição contínua em um espaço de parâmetros com simetria $Z_2$ (invariância sob rotação de 180° ou inversão).
   • Tarefa: Classificação binária.
   • Modelo: EQNN-Z (Rede Equivariante) vs. HEA (Baseline sem simetria).
2. Jogo da Velha (Tic-Tac-Toe):
   • Dados: Configurações discretas de tabuleiro com simetria do grupo diedral $D_4$ (rotações e reflexões).
   • Tarefa: Classificação multinomial (3 classes: X ganha, O ganha, Empate).
   • Modelo: QNN com simetria $D_4$ incorporada via codificação e portas quânticas específicas.

3. Principais Contribuições

1. Introdução do QAL: Definição e implementação do framework de Aprendizado Ativo Quântico no paradigma de computação quântica baseada em portas.
2. Desenvolvimento de QNNs Equivariantes: Criação de arquiteturas de redes neurais quânticas que exploram simetrias intrínsecas dos dados (clássicos ou quânticos) para melhorar a eficiência em cenários de poucos dados.
3. Análise de Viabilidade e Limitações: Demonstração empírica de que o QAL pode ser altamente eficaz em certos contextos, mas também pode falhar se as estratégias de amostragem não forem adequadas à distribuição dos dados ou à natureza do problema (especialmente em classificação multinomial complexa).

4. Resultados

Cenário Positivo (Corte de Rosquinha - $Z_2$)

• Desempenho: O modelo EQNN-Z combinado com QAL (usando amostragem por incerteza - USAMP) alcançou desempenho comparável ao treinamento com dados totalmente rotulados.
• Eficiência: Foi necessário rotular menos de 7% das amostras do pool para atingir alta precisão.
• Comparação: O QAL superou consistentemente a amostragem aleatória e modelos sem simetria (HEA), provando que a combinação de GQML e QAL é eficaz para problemas com simetrias contínuas e bem definidas.

Cenário Negativo (Jogo da Velha - $D_4$)

• Desempenho: O QAL falhou em superar a linha de base de amostragem aleatória neste cenário.
• Causa do Fracasso:
  • Viés de Amostragem: Em tarefas de classificação multinomial com espaços de entrada de alta dimensão, as estratégias de incerteza padrão tenderam a focar excessivamente em duas classes (X e O), negligenciando a classe "Empate".
  • Distribuição Desconectada: As observações associadas a certas classes estavam distribuídas em subespaços desconectados, fazendo com que a amostragem baseada apenas na incerteza do modelo ignorasse regiões importantes do espaço de dados.
  • Correção: Quando o problema foi simplificado para classificação binária (removendo a classe "Empate") ou quando se usou um conjunto inicial de dados balanceado (oráculos), o QAL voltou a funcionar bem, confirmando que o problema residia na estratégia de amostragem e não no conceito de QAL em si.

5. Significado e Conclusão

O trabalho estabelece as bases para aplicações reais de QML, abordando o custo experimental realista.

• Conclusão Principal: O QAL é uma ferramenta poderosa para reduzir custos de rotulagem, mas sua eficácia depende criticamente da adequação da estratégia de amostragem à estrutura dos dados e do problema.
• Insight sobre Simetria: A incorporação de simetrias via GQML é crucial para o sucesso do few-shot learning quântico, permitindo que modelos aprendam com poucos dados.
• Futuro: O artigo sugere que para problemas complexos (multinomiais), é necessário desenvolver estratégias de amostragem híbridas (combinando incerteza do modelo e densidade dos dados) e explorar outras arquiteturas de QML (como SVMs quânticos ou redes convolucionais) para mitigar viéses de amostragem.

Em suma, o artigo demonstra que, embora o QAL não seja uma "bala de prata" para todos os problemas, quando combinado com o design inteligente de redes neurais quânticas (GQML), ele oferece um caminho viável para a análise eficiente de dados experimentais quânticos.