Resumo Técnico: HATTRIQ – Projetando Gradientes Integrados para Atribuição de Características em Aprendizado de Máquina Quântico

1. Declaração do Problema

Algoritmos de Aprendizado de Máquina Quântico (QML) demonstram promessa em diversas plataformas de hardware, mas sofrem com a falta de interpretabilidade devido à opacidade inerente da evolução do estado quântico e à ausência de observabilidade intermediária. Embora métodos clássicos de interpretabilidade, como Gradientes Integrados (IG) e análise de sensibilidade baseada em substitutos, sejam bem estabelecidos, eles não são diretamente compatíveis com circuitos quânticos.

• Colapso de Medição: Tentar registrar ou registrar estados quânticos ocultos após cada camada do circuito colapsa o estado, destruindo o cálculo.
• Complexidade Exponencial: Simular a evolução do estado para modelos grandes requer a manipulação de vetores de amplitude complexos em espaços de Hilbert exponencialmente grandes, tornando a simulação clássica intensiva em recursos.
• Incompatibilidade: Métodos tradicionais de sensibilidade (por exemplo, escores Sobol/Shapley) não podem preservar a unitariedade dos circuitos quânticos, e regras de gradiente padrão (como deslocamento de parâmetro) são difíceis de aplicar quando os dados são codificados via incorporação de amplitude, pois a estrutura do circuito de preparação do estado frequentemente muda com base na entrada.

Consequentemente, existe uma lacuna crítica na compreensão de como as características de entrada influenciam os resultados finais de medição em modelos de QML codificados em amplitude.

2. Metodologia: HATTRIQ

Os autores propõem HATTRIQ (esquema de pontuação de atribuição de entrada baseado em teste de Hadamard para modelos quânticos), um framework projetado para calcular pontuações de atribuição de entrada para modelos de QML baseados em circuitos usando incorporação de amplitude. A metodologia adapta a abordagem clássica de Gradientes Integrados (IG) ao cenário quântico sem exigir acesso a estados quânticos internos.

Componentes Principais

• Incorporação de Amplitude: O framework visa o esquema de codificação amplamente utilizado onde as características dos dados são codificadas como amplitudes do estado de entrada $|x\rangle = \sum x_i |b_i\rangle$. Isso permite codificar exponencialmente muitas características em relação ao número de qubits.
• Derivação do Gradiente (Lema III.1): Os autores derivam uma expressão de forma fechada para o gradiente da saída do modelo $F(x; \theta)$ em relação às componentes reais ($c_k$) e imaginárias ($d_k$) das amplitudes de entrada.
  $$\frac{\partial F}{\partial c_k} = 2 \text{Re}[\langle b_k | U^\dagger(\theta) O U(\theta) | x \rangle]$$
  Esta expressão relaciona o gradiente ao valor esperado de um operador específico atuando no estado de entrada, evitando a necessidade de tomografia de estado explícita.
• Construção do Teste de Hadamard: Para calcular os produtos internos necessários $\langle b_k | \tilde{O} | x \rangle$ diretamente no hardware quântico, o HATTRIQ emprega um circuito de teste de Hadamard.
  • O circuito usa um qubit (ou registro) ancila e operações controladas.
  • Um ramo prepara o estado de base $|b_k\rangle$, e o outro prepara o estado de entrada $|x\rangle$ seguido pela unitária do modelo $U(\theta)$ e observável $O$.
  • A probabilidade de medir o ancila no estado $|0\rangle$ produz a parte real do produto interno, que corresponde à componente do gradiente.
• Paralelização (Teorema IV.3): Para abordar a escala linear das avaliações de circuito com o número de características de entrada, os autores introduzem uma técnica de paralelização multi-ancila. Ao usar $m$ qubits ancila, o framework pode calcular $2^m - 1$ componentes de gradiente simultaneamente em uma única execução de circuito, preservando a eficiência espacial exponencial da incorporação de amplitude.

3. Contribuições Principais

O artigo descreve as seguintes contribuições específicas:

1. Formalismo para IG em QML: Um método formal para calcular gradientes integrados para modelos de QML que utilizam incorporação de amplitude, um esquema anteriormente difícil de diferenciar eficientemente.
2. Construção de Circuito Nativo Quântico: Um design de circuito baseado em teste de Hadamard que calcula gradientes exatos de características diretamente no hardware quântico sem exigir conhecimento do estado quântico interno.
3. Estratégia de Paralelização: Uma técnica multi-ancila que permite o cálculo concorrente de gradientes, escalando exponencialmente com o número de qubits ancila, tornando a abordagem viável para conjuntos de dados maiores em dispositivos com capacidade suficiente.
4. Validação Empírica: Avaliação do HATTRIQ em tarefas de classificação usando Barras e Listras, MNIST, FashionMNIST e um conjunto de dados quântico sintético de Modelo de Ising em Campo Transverso (TFIM).
5. Código Aberto: Liberação do código e dos conjuntos de dados para facilitar a reprodutibilidade.

4. Resultados Experimentais

Os autores avaliaram o HATTRIQ usando simulações (assumindo hardware ideal com correção de erros) e simulações ruidosas representativas da computação quântica tolerante a falhas inicial (EFTQC).

• Conjuntos de Dados e Precisão: O framework foi testado em tarefas de classificação binária em múltiplos conjuntos de dados. Os modelos alcançaram alta precisão (por exemplo, ~95-100% em Barras/Listras e subconjuntos NIST; ~70-99% em subconjuntos FashionMNIST).
• Qualidade da Atribuição:
  • Relevância Semântica: Para conjuntos de dados de imagem (NIST, MNIST, FashionMNIST), os mapas de atribuição gerados destacaram regiões semanticamente significativas. Por exemplo, na classificação de dígitos, as atribuições focaram nos traços dos dígitos, ignorando o ruído de fundo. No FashionMNIST, o modelo identificou corretamente alças em bolsas e excluiu áreas de sandálias.
  • Comparação de Codificação: Embora a codificação angular e a codificação de amplitude tenham alcançado precisões de classificação semelhantes, o HATTRIQ revelou que elas produziram padrões de atribuição marcadamente diferentes, sugerindo estratégias distintas de utilização de características.
  • Validação de Modelo Nulo: Quando aplicado a "modelos nulos" (parâmetros inicializados aleatoriamente), o HATTRIQ produziu mapas de atribuição difusos e não concentrados, confirmando que as atribuições estruturadas em modelos treinados não são artefatos do método, mas refletem características aprendidas.
• Robustez:
  • Ruído de Disparo: Mesmo com baixas contagens de disparos de medição (10–100 disparos), as pontuações de atribuição permaneceram amplamente fiéis às simulações exatas, com desvios aparecendo apenas em atribuições fracas.
  • Ruído de Hardware: Sob um canal de ruído despolarizante ($\gamma = 10^{-4}$), as pontuações de atribuição mantiveram sua distribuição espacial e intensidade relativa, demonstrando adequação para dispositivos tolerantes a falhas iniciais.
• Dados Quânticos (TFIM): No conjunto de dados sintético TFIM, o HATTRIQ identificou corretamente transições de fase. No regime de campo forte ($g > 1$), as atribuições focaram em correlações $\sigma_x$, enquanto no regime de campo fraco ($g < 1$), as atribuições mudaram para componentes $\sigma_y$ e $\sigma_z$, alinhando-se com a intuição física.

5. Significado e Alegações

O artigo posiciona o HATTRIQ como o primeiro método de atribuição de entrada baseado em gradiente especificamente projetado para modelos de QML que suporta codificação de amplitude e opera nativamente em hardware quântico.

• Compatibilidade com Hardware: Diferentemente de métodos anteriores de interpretabilidade que dependem de substitutos clássicos ou perturbação (que quebram a unitariedade ou exigem colapso de estado), o HATTRIQ usa uma construção baseada em circuito que respeita a mecânica quântica.
• Escalabilidade: Ao aproveitar o teste de Hadamard e a paralelização multi-ancila, o método aborda a complexidade exponencial da codificação de amplitude, oferecendo um caminho para interpretabilidade escalável para modelos quânticos maiores.
• Confiança e Depuração: O framework permite a identificação de características altamente influentes e permite que pesquisadores verifiquem se as previsões do modelo se alinham com regiões semanticamente significativas. Também fornece um mecanismo para detectar viés em relação a artefatos de fundo ou comparar diferentes esquemas de codificação que podem ter precisão semelhante, mas lógica interna diferente.

Os autores concluem que o HATTRIQ fornece um framework unificado e agnóstico à implementação para atribuição de entrada com garantias de fidelidade, marcando um passo significativo em direção a tornar os modelos de QML transparentes e confiáveis. Trabalhos futuros são notados como potencialmente estendendo o framework para atribuições de parâmetros e camadas.