Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification

Resumo Técnico: Rumo a uma Avaliação Justa de Transfer Learning Quântico para Classificação Visual

Declaração do Problema
O Transfer Learning Quântico (QTL) emergiu como uma estratégia promissora para classificação visual sob restrições quânticas de curto prazo, onde contagens limitadas de qubits, profundidades de circuito rasas e operações ruidosas impedem o treinamento quântico de ponta a ponta. Neste paradigma, backbones clássicos pré-treinados extraem características de alto nível, enquanto circuitos quânticos compactos atuam como cabeças de classificação treináveis. No entanto, o campo carece de uma base unificada para comparação. Estudos existentes de QTL são difíceis de avaliar entre si porque diferem significativamente em conjuntos de dados, pipelines de pré-processamento, arquiteturas de backbone, orçamentos de qubits, designs de circuito, hiperparâmetros de otimização e protocolos de relatórios. Consequentemente, não está claro se as melhorias de desempenho derivam da própria estratégia de transferência ou de fatores de confusão, como backbones clássicos mais fortes, contagens maiores de qubits ou circuitos mais profundos. Além disso, a precisão isolada falha em capturar a utilidade prática de um método, pois modelos com desempenho preditivo similar podem variar drasticamente em contagem de parâmetros, tamanho do circuito e tempo de treinamento.

Metodologia
Para abordar essas inconsistências, os autores introduzem uma metodologia de avaliação controlada que avalia cinco famílias representativas de QTL sob um pipeline unificado de transfer learning. A avaliação padroniza os seguintes elementos:

• Conjuntos de Dados: Dois conjuntos de dados principais são utilizados: Fashion-MNIST (multiclasse estruturada em tons de cinza) e Hymenoptera Ants vs. Bees (classificação binária de imagem natural com poucos dados). O CIFAR-10 é incluído como um cenário adicional de imagem natural mais difícil para configurações selecionadas, a fim de fornecer evidências no nível da configuração.
• Pipeline: Todos os métodos utilizam um backbone ResNet18 pré-treinado e congelado para extração de características. As características extraídas de 512 dimensões são projetadas ou reduzidas para um vetor compatível com quântica, codificadas em um Circuito Quântico Parametrizado (PQC) e processadas antes de uma camada de leitura clássica gerar a previsão final.
• Variáveis Controladas: A avaliação fixa o backbone, o pré-processamento de entrada (redimensionamento para 224x224, normalização ImageNet) e as condições de treinamento (otimizador Adam, taxas de aprendizado específicas, tamanhos de lote e limites de épocas).
• Métodos Avaliados: O estudo compara:
  1. DQN-QTL: Uma linha de base usando uma cabeça quântica "vestida" com codificação de ângulo RY.
  2. QPIE-QTL: Um método que utiliza codificação multi-eixo (RX, RY, RZ) por qubit.
  3. AE-CQTL: Uma abordagem de codificação de amplitude que mapeia o vetor de características de 512 dimensões diretamente nas amplitudes de um estado de 9 qubits.
  4. PVCQTL: Uma abordagem pós-variacional usando medições de observáveis estruturados (observáveis de Pauli) em vez de leituras padrão de qubit único.
  5. ED-QTL: Um método de destilação de ensemble onde um aluno quântico é guiado por alvos suaves de um ensemble de modelos professores clássicos.
• Métricas: A avaliação vai além da precisão para incluir precisão, recall, pontuação F1 e ROC-AUC. Crucialmente, a avaliação relata métricas de eficiência: parâmetros treináveis totais, parâmetros quânticos, largura do circuito (contagem de qubits), profundidade do circuito e tempo total de treinamento.

Principais Contribuições

1. Protocolo de Avaliação Unificado: O artigo estabelece um framework controlado que isola a contribuição da cabeça QTL ao congelar o backbone clássico e padronizar o pré-processamento e as condições de treinamento entre diversos métodos.
2. Comparação Abrangente: Fornece a primeira avaliação lado a lado de cinco famílias distintas de QTL (Vestida, Multi-eixo, Codificada em Amplitude, Pós-variacional e Baseada em Destilação) sob restrições de recursos idênticas.
3. Análise Multidimensional: O estudo avança além da precisão para analisar os trade-offs entre desempenho preditivo, custo computacional (tempo de treinamento) e complexidade arquitetural (contagem de qubits e profundidade do circuito).
4. Sensibilidade Arquitetural: Os autores examinam sistematicamente como a escalabilidade das contagens de qubits (4 vs. 6) e da profundidade do circuito afeta o desempenho, revelando que circuitos maiores ou mais profundos não melhoram universalmente os resultados.

Resultados
A avaliação revela que nenhuma família única de QTL domina em todos os cenários; o desempenho depende altamente do conjunto de dados, da estratégia de codificação e do custo computacional.

• Dependência do Conjunto de Dados: No Fashion-MNIST, as variantes QPIE-QTL e PVCQTL alcançaram as maiores precisões (aproximadamente 88,28% e 88,24%, respectivamente). Em contraste, no conjunto de dados Hymenoptera Ants vs. Bees, o AE-CQTL superou todos os outros métodos, atingindo 94,99% de precisão. O ED-QTL mostrou competitividade dependente do conjunto de dados, performando melhor no Fashion-MNIST do que no Hymenoptera.
• Efeitos de Escala: O aumento das contagens de qubits de 4 para 6 melhorou o desempenho para DQN-QTL e QPIE-QTL no Fashion-MNIST, mas não gerou ganhos ou produziu ligeiras diminuições no Hymenoptera. Da mesma forma, o aumento da profundidade do circuito melhorou significativamente o AE-CQTL no Fashion-MNIST (de 65,30% para 74,98%), mas ofereceu retornos decrescentes no Hymenoptera, onde as características pré-treinadas já forneciam uma separação de classes forte.
• Trade-offs Desempenho-Custo: O estudo destaca que alta precisão não equivale a eficiência. Por exemplo, as variantes PVCQTL alcançaram precisão competitiva no Fashion-MNIST, mas incorreram nos maiores tempos de treinamento. Por outro lado, o ED-QTL ofereceu precisão moderada com custos de treinamento significativamente menores. O AE-CQTL demonstrou um trade-off favorável no Hymenoptera, alcançando a melhor precisão com tempos de treinamento relativamente eficientes em comparação com outros métodos de alto desempenho.

Significado e Alegações
O artigo afirma que seu principal significado reside na mudança da avaliação do QTL de relatórios isolados de precisão para uma análise multidimensional consciente de recursos. Os autores argumentam que, para dispositivos quânticos de curto prazo, a utilidade de um método QTL é definida não apenas pelo seu poder preditivo, mas pela sua eficiência e escalabilidade sob restrições rigorosas de recursos.

As descobertas sugerem que a seleção de uma configuração de QTL exige alinhar o método às restrições específicas do alvo e às características do conjunto de dados. Por exemplo, métodos codificados em amplitude (AE-CQTL) podem ser preferíveis quando a escalabilidade de profundidade é viável e o conjunto de dados se beneficia de codificação de alta dimensão, enquanto bases codificadas em ângulo (DQN-QTL) permanecem opções compactas e robustas para orçamentos limitados de qubits. Os autores concluem que a pesquisa futura de QTL deve priorizar comparações controladas que relatem conjuntamente desempenho, tamanho do circuito, contagem de parâmetros e tempo de treinamento para fornecer orientação acionável para a seleção de modelos híbridos quântico-clássicos.