Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation

Este estudo empírico rigoroso, validado em hardware, demonstra que, apesar de algumas vantagens teóricas em curvas de aprendizado, os métodos de máquinas de vetores de suporte com kernel quântico não superam significativamente os baselines clássicos em dados tabulares devido a limitações espectrais e alto custo computacional, exceto em um caso específico com treinamento de kernel.

O essencial

Imagine que você é um chef de cozinha tentando criar o prato perfeito. Você tem uma receita clássica, testada e aprovada há décadas (os Métodos Clássicos). Mas, recentemente, surgiu uma nova tecnologia de cozinha: um "Forno Quântico" (os Métodos Quânticos). A promessa é que esse forno pode cozinhar coisas que o forno comum nunca conseguiria, criando sabores impossíveis.

Este artigo é como um grande teste cego feito por chefs rigorosos para ver se o "Forno Quântico" realmente vale a pena ou se é apenas uma moda passageira.

Aqui está o resumo da história, traduzido para uma linguagem simples:

1. O Grande Desafio: O Teste Cego

Os pesquisadores pegaram 9 receitas diferentes (conjuntos de dados do mundo real, como diagnósticos médicos e detecção de spam) e tentaram cozinhar cada uma delas de duas formas:

• Forma Clássica: Usando métodos tradicionais de Inteligência Artificial (como o SVM com kernel RBF, que é o "padrão ouro" atual).
• Forma Quântica: Usando computadores quânticos reais e simuladores para criar "kernels quânticos" (uma maneira de ver os dados através de lentes quânticas).

Eles fizeram isso com extrema precisão, rodando o teste 970 vezes para garantir que não fosse apenas sorte.

2. O Resultado Principal: O Forno Quântico Ainda Não Ganhou

A notícia principal é um pouco decepcionante para os entusiastas da tecnologia, mas muito honesta para a ciência: Nas receitas de todos os dias (dados tabulares comuns), o Forno Quântico não foi melhor que o Forno Clássico.

• Em 8 dos 9 testes, o método clássico foi mais preciso.
• Em nenhum dos testes, a diferença foi estatisticamente significativa o suficiente para dizer "o quântico venceu".
• A única exceção: Em um teste muito difícil e pequeno (sobre sobrevivência de pacientes, chamado Haberman), o método quântico foi ligeiramente melhor. Mas é como se o forno quântico tivesse ganho uma corrida de 100 metros em um dia de chuva, enquanto o clássico venceu em dias de sol.

3. O "Porquê" do Fracasso: A Analogia da Lente

Por que o forno quântico não funcionou tão bem? Os pesquisadores descobriram algo fascinante sobre a "lente" que o computador quântico usa para olhar os dados.

Imagine que os dados são uma paisagem montanhosa.

• O Método Clássico (RBF): Usa uma lente que mostra as montanhas com o tamanho perfeito. Nem muito achatadas, nem muito pontiagudas. É o "ponto ideal" (a zona Goldilocks).
• O Método Quântico (atual): As lentes quânticas que eles testaram estavam desreguladas.
  • Algumas lentes mostravam a paisagem totalmente plana (como se não houvesse montanhas, apenas um mar de água).
  • Outras lentes mostravam apenas uma montanha gigante e ignoravam tudo o resto.
  • Nenhuma delas conseguiu mostrar a paisagem com o equilíbrio certo que o computador precisa para tomar decisões.

Conclusão: O problema não é o computador quântico em si, mas sim que as "lentes" (chamadas de feature maps) que estamos usando hoje não estão ajustadas corretamente para os dados do mundo real.

4. O Forno Real vs. A Simulação

Uma parte muito legal do estudo foi testar isso no computador quântico real (na IBM), e não apenas no computador.

• Eles descobriram que o computador real funcionou muito bem e produziu resultados quase idênticos à simulação.
• Curiosamente, em alguns casos, o "ruído" (imperfeições) do computador real até ajudou um pouco, agindo como um "tempero" que melhorou o sabor do prato. Isso mostra que a simulação é uma boa previsão do que acontece na realidade.

5. O Custo-Benefício: Vale a Pena?

Aqui está o ponto mais crítico.

• Fazer a comida com o Forno Clássico leva 1 segundo.
• Fazer a mesma comida com o Forno Quântico (sem treinamento especial) leva 10 segundos.
• Se você tentar "ajustar" o Forno Quântico para tentar ganhar (chamado de Quantum Kernel Training), o tempo sobe para 2.000 segundos (ou seja, 2.000 vezes mais lento).

E, mesmo gastando 2.000 vezes mais tempo e energia, o resultado final ainda é quase o mesmo (ou pior) que o método clássico.

6. A Lição Final

O estudo conclui que, para os problemas comuns de hoje (como classificar e-mails ou diagnosticar doenças com dados simples), não há vantagem quântica ainda.

A mensagem para os cientistas é:

1. Não adianta apenas jogar dados no computador quântico: Precisamos criar "lentes" melhores que capturem a estrutura certa dos dados.
2. O conjunto de dados importa mais que a tecnologia: O tipo de dado que você está analisando é mais importante do que se você usa um computador quântico ou clássico.
3. Precisamos de mais testes rigorosos: Muitos estudos anteriores prometiam milagres, mas não faziam os testes estatísticos corretos. Este artigo foi feito para corrigir isso.

Em resumo: O computador quântico é uma tecnologia incrível e o futuro é brilhante, mas para os problemas práticos de hoje, o "Forno Clássico" ainda é o chef mais eficiente, rápido e confiável da cozinha. O Forno Quântico precisa de um ajuste fino antes de ganhar o título de melhor chef.

Resumo técnico

Resumo Técnico: Benchmarking de Máquinas de Vetor de Suporte (SVM) com Kernel Quântico

1. Problema e Contexto

Os métodos de kernel quântico (QKMs) são propostos como uma abordagem promissora para aproveitar os computadores quânticos de curto prazo (NISQ) em tarefas de aprendizado supervisionado. A premissa teórica é que circuitos quânticos parametrizados podem mapear dados clássicos em espaços de Hilbert exponencialmente grandes, permitindo a avaliação de kernels intratáveis classicamente.

No entanto, a utilidade prática desses métodos em conjuntos de dados tabulares do mundo real permanece uma questão em aberto. Estudos anteriores sofrem de limitações metodológicas graves, como:

• Comparação contra baselines clássicos fracos (ex: apenas SVMs lineares).
• Uso de validação simples (hold-out) em vez de validação cruzada aninhada (NCV), levando a viés otimista.
• Falta de testes de significância estatística rigorosos.
• Ausência de validação em hardware real, dependendo exclusivamente de simulações.

Este estudo visa preencher essas lacunas através de uma análise empírica rigorosa e de grande escala.

2. Metodologia

O estudo foi conduzido em quatro fases complementares, totalizando 970 experimentos e 8.400 ajustes de SVM, utilizando validação cruzada aninhada estrita.

• Dados: 9 conjuntos de dados de classificação binária do repositório UCI/OpenML (ex: Breast Cancer, Spambase, Heart Disease), variando em tamanho (208 a 4.601 amostras) e dimensionalidade (3 a 60 features).
• Pré-processamento: Redução de dimensionalidade (PCA, NMF, Seleção de Árvore) para adaptar os dados aos qubits disponíveis, aplicada por dobra de validação para evitar vazamento de dados.
• Kernels Quânticos: Avaliação de quatro famílias de mapas de recursos (feature maps):
  1. Rot2DoF: Codificação de produto (sem emaranhamento).
  2. Belis: Emaranhamento em escada (CNOT ladder).
  3. Sakhnenko10: Topologia em anel.
  4. ZZFeatureMap: Interações ZZ padrão.
• Baselines Clássicos: SVMs com kernels Linear, RBF (Radial Basis Function) e Polinomial.
• Ambientes de Execução:
  1. Simulação de vetor de estado (ideal).
  2. Simulação de matriz de densidade (com ruído depolarizante).
  3. Hardware Real: IBM ibm_fez (Processador Heron r2, 156 qubits).
• Análises Adicionais:
  • Treinamento de Kernel Quântico (QKT): Otimização de parâmetros escaláveis via Kernel-Target Alignment (KTA).
  • Análise Espectral: Estudo dos autovalores das matrizes de kernel para entender a estrutura do espaço de características.
  • Curvas de Aprendizado: Avaliação da eficiência de dados em 6 frações de treinamento.
  • Sensibilidade a Sementes: Teste de reprodutibilidade com 16 sementes aleatórias.

3. Principais Contribuições e Resultados

A. Ausência de Vantagem Quântica em Dados Tabulares

• Em nenhuma das 29 comparações pareadas entre o melhor kernel quântico e o melhor baseline clássico foi encontrada vantagem estatisticamente significativa ($\alpha = 0.05$).
• Os kernels clássicos (especialmente o RBF) superaram consistentemente os quânticos em 8 dos 9 conjuntos de dados, com uma diferença média de 1,6 a 12 pontos percentuais em precisão balanceada (BA).
• Exceção: O conjunto de dados Haberman (pequeno e difícil) mostrou uma leve vantagem quântica (+3,2 pp), mas apenas em configurações específicas.

B. Análise Estatística e Fatores Determinantes

• Dominância do Conjunto de Dados: Uma análise fatorial de Kruskal-Wallis revelou que a escolha do conjunto de dados explica 73% da variância no desempenho ($\epsilon^2 = 0.73$), enquanto o tipo de kernel contribui com apenas 9%. Isso sugere que comparações em um único conjunto de dados são insuficientes para afirmar vantagem quântica.
• Reprodutibilidade: A análise de sensibilidade a sementes (16 sementes) confirmou que os resultados são robustos. Em 6 dos 7 conjuntos de dados testados, os kernels clássicos foram significativamente melhores ($p < 0.001$).

C. Explicação Mecanística: A Hipótese "Goldilocks" (Dourada)

• A análise espectral das matrizes de kernel revelou que os mapas de recursos quânticos atuais produzem espectros de autovalores extremos:
  • Belis: Espectro quase uniforme (próximo à identidade), fornecendo pouca estrutura discriminativa.
  • Rot2DoF: Espectro altamente concentrado (próximo a rank-1), colapsando a informação em um único componente.
• O kernel clássico RBF ocupa uma "zona dourada" intermediária, com concentração espectral moderada, o que permite uma melhor definição da fronteira de decisão. A falta dessa estrutura intermediária nos kernels quânticos explica seu mau desempenho.

D. Validação em Hardware (IBM ibm_fez)

• Fidelidade: Os kernels computados no hardware real apresentaram alta correlação de Pearson ($r \ge 0.976$) com as simulações ideais, validando que os resultados negativos da simulação se transferem para o hardware real nas escalas testadas (3-5 qubits).
• Ruído como Regularizador: Em 4 dos 6 experimentos, o hardware superou ligeiramente a simulação ideal, sugerindo que o ruído pode atuar como uma regularização implícita, embora o efeito não seja estatisticamente significativo.
• Emaranhamento: Mapas sem emaranhamento (Rot2DoF) mostraram maior fidelidade no hardware devido a circuitos mais rasos, superando mapas emaranhados (Belis) em alguns casos.

E. Treinamento de Kernel Quântico (QKT)

• O QKT conseguiu o único resultado competitivo, alcançando BA = 0,968 no conjunto Breast Cancer (próximo ao teto clássico de 0,976).
• Custo: Essa melhoria veio com um custo computacional de ~2.000x em relação aos baselines clássicos, devido à necessidade de reotimização de kernels em cada iteração. Além disso, a taxa de convergência foi baixa (13,6%) e os parâmetros aprendidos foram instáveis entre as dobras.

4. Significado e Conclusões

Este estudo fornece um marco rigoroso para a pesquisa em aprendizado de máquina quântico (QML), estabelecendo diretrizes claras:

1. Ceticismo Justificado: Para dados tabulares padrão, não há evidência atual de vantagem quântica sobre métodos clássicos bem ajustados (como SVM com RBF).
2. Importância do Design de Mapa de Recursos: O desempenho não é inerente à "quantização", mas depende criticamente da estrutura espectral do kernel. Futuros mapas de recursos devem visar perfis espectrais intermediários (nem muito planos, nem muito concentrados).
3. Metodologia de Benchmarking: Estudos futuros devem exigir validação cruzada aninhada, testes de significância estatística, múltiplos conjuntos de dados e validação em hardware para evitar conclusões falsas.
4. Custo-Benefício: O overhead computacional atual dos métodos quânticos (simulação e QKT) é proibitivo para a maioria das aplicações práticas, sem compensação em precisão.

Recomendações Futuras:

• Focar no desenvolvimento de mapas de recursos com propriedades espectrais ajustáveis.
• Investigar kernels quânticos projetados especificamente para a geometria de dados industriais ou problemas onde métodos clássicos falham estruturalmente.
• Melhorar a eficiência do QKT para reduzir o custo computacional.

O conjunto de benchmarks completo (código, dados e resultados) foi tornado público para facilitar a reprodução e extensão deste trabalho.