SAFE Quantum Machine Learning with Variational Quantum Classifiers

Resumo Técnico: Aprendizado de Máquina Quântico Seguro com Classificadores Quânticos Variacionais

Declaração do Problema
Sistemas de aprendizado de máquina implantados em ambientes de alto risco, como diagnóstico médico, exigem mais do que apenas precisão preditiva; devem exibir robustez a variações de entrada, estabilidade sob degradação de dados e interpretabilidade. Modelos tradicionais de aprendizado profundo, embora expressivos, frequentemente sofrem de fragilidade sob ruído, deslocamentos distribucionais ou a remoção de características estruturadas. Este artigo aborda a tensão entre expressividade do modelo e confiabilidade investigando o aprendizado de máquina Seguro, Preciso, Justo e Explicável (SAFE). Especificamente, explora se arquiteturas híbridas clássico-quânticas podem induzir uma classe de hipóteses estruturada que naturalmente limita a sensibilidade a perturbações, oferecendo uma alternativa principial aos modelos clássicos que dependem de regularização explícita para impor estabilidade.

Metodologia
Os autores propõem um framework híbrido quântico-clássico para classificação de tumores cerebrais usando imagens de ressonância magnética (MRI). A metodologia integra extração de características profundas com um Classificador Quântico Variacional (VQC) projetado para operar dentro de espaços de hipóteses restritos, normalizados e limitados.

1. Arquitetura:

   • Extração de Características: Um modelo ResNet-18 pré-treinado extrai um vetor de incorporação de 512 dimensões das imagens de MRI de entrada.
   • Camada Clássica Pré-VQC: Para mitigar distorções introduzidas pela codificação de amplitude, uma camada clássica treinável (transformação linear seguida por ativação GELU) adapta a distribuição de características antes da codificação quântica. Estudos de ablação confirmam que esta camada é crítica para a estabilidade do treinamento.
   • Codificação de Amplitude: O vetor de características de 512 dimensões é normalizado e incorporado em um estado quântico de 9 qubits ($| \psi(x) \rangle = \sum x_i |i\rangle$).
   • Circuito Quântico Variacional (VQC): O estado codificado passa por uma única "Camada Fortemente Entrelaçada" consistindo em rotações de qubits únicos parametrizadas e portas CNOT totalmente conectadas. Esta transformação unitária preserva a norma do estado quântico.
   • Leitura: A saída é gerada medindo os valores esperados dos operadores Pauli-Z em cada qubit, produzindo um vetor limitado em $[-1, 1]$, que é então mapeado para logits de classe via uma camada linear clássica final.
   • Treinamento: Todo o modelo híbrido é treinado de ponta a ponta usando perda de entropia cruzada em um simulador quântico sem ruído.

2. Framework de Avaliação (Métricas SAFE-AI):
   O artigo avalia os modelos usando uma família unificada de métricas derivadas da divergência de Cramér–von Mises (CvM). Essas métricas avaliam três dimensões:

   • Precisão ($RGA$): Mede a precisão de classificação contra a verdade fundamental.
   • Robustez ($RGR$): Mede a estabilidade das previsões quando as entradas são perturbadas por ruído gaussiano, ataques adversariais (FGSM) ou transformações espaciais (rotações/translações).
   • Explicabilidade ($RGE$): Mede a estabilidade da previsão quando as regiões mais relevantes da imagem (identificadas via Grad-CAM) são progressivamente ocultadas.
     A Área sob a Curva (AUC) para essas métricas ($AURGA, AURGR, AURGE$) fornece uma medida compacta da degradação de desempenho sob estresse.

Principais Resultados
O modelo proposto de Aprendizado de Máquina Quântico (QML) foi avaliado em um conjunto de dados de 6.056 imagens de MRI (glioma, meningioma e classes de tumor) e comparado a baselines clássicos: Regressão Linear, Máquina de Vetores de Suporte (SVM), Floresta Aleatória (RF) e um Perceptron Multicamadas (MLP) raso.

• Desempenho Preditivo: O modelo QML alcançou um macro F1-score de 0,978, aproximando-se estreitamente da baseline SVM (0,983) e superando os modelos Linear, RF e MLP. Também manteve um Erro Quadrático Médio baixo (0,013), indicando previsões probabilísticas estáveis.
• Robustez ao Ruído: O modelo QML demonstrou a maior robustez ao ruído gaussiano aditivo ($AURGR = 0,9409$), superando todas as baselines clássicas. Também alcançou a maior robustez contra ataques adversariais FGSM entre os modelos diferenciáveis avaliados.
• Estabilidade sob Remoção de Características: Embora as Florestas Aleárias tenham mostrado a maior estabilidade sob ocultação progressiva de imagens ($AURGE$), o modelo QML permaneceu competitivo, superando significativamente a baseline Linear.
• Perfil Geral: O modelo QML exibiu um perfil de confiabilidade SAFE mais equilibrado. Enquanto a SVM se destacou na estabilidade de classificação e robustez espacial, e a RF na estabilidade de explicabilidade, o QML forneceu a defesa mais forte contra perturbações estocásticas e adversariais no espaço de características.

Significado e Alegações
O artigo alega que circuitos quânticos variacionais oferecem um mecanismo principial para aprendizado SAFE orientado à estabilidade. O significado do trabalho reside nas seguintes observações teóricas e empíricas:

1. Regularização Implícita via Unitariedade: Ao contrário das redes neurais clássicas que exigem normalização espectral explícita ou restrições de ortogonalidade para controlar a sensibilidade, o componente quântico satisfaz a unitariedade por design. Isso impõe uma restrição 1-Lipschitz intrínseca no mapa de características quânticas, prevenindo a amplificação arbitrária de perturbações de entrada e explosões de gradiente.
2. Classe de Hipóteses Estruturada: A combinação de incorporações de amplitude normalizadas, transformações unitárias e observáveis limitados cria uma classe de hipóteses que é expressiva, porém restrita. Essa estrutura atua como um regularizador implícito, limitando a capacidade efetiva do modelo e desencorajando o sobreajuste.
3. Confiabilidade em Ambientes de Alto Risco: Os resultados sugerem que modelos quânticos híbridos não são meramente alternativas para melhorar a precisão máxima, mas componentes valiosos para sistemas conscientes de confiabilidade. Eles fornecem um viés indutivo "orientado à segurança" que garante que os modelos permaneçam estáveis sob ruído e degradação de dados, um requisito crítico para aplicações de segurança crítica como imageamento médico.

Os autores observam explicitamente que a vantagem do QML é mais pronunciada para perturbações aplicadas diretamente à representação de características extraída (ruído gaussiano, FGSM) em vez de transformações geométricas no nível da imagem. Eles concluem que o valor do modelo proposto é sua capacidade de combinar desempenho preditivo competitivo com uma arquitetura intrinsecamente regularizada e orientada à confiabilidade.