Resumo Técnico: "Precisamos Realmente de Aprendizado de Máquina Quântico?: Um Estudo Empírico Multidimensional"

Declaração do Problema

A rápida expansão das tarefas de visão computacional e reconhecimento de imagens expôs limitações computacionais fundamentais nos modelos de aprendizado de máquina (ML) clássicos. Embora paradigmas clássicos como Máquinas de Vetores de Suporte (SVMs) e Redes Neurais Convolucionais (CNNs) tenham impulsionado o progresso, eles enfrentam gargalos à medida que os conjuntos de dados escalonam para centenas de milhões de amostras e as tarefas se tornam cada vez mais complexas. Especificamente, as SVMs sofrem com a construção complexa de kernels, enquanto as CNNs profundas exigem centenas de milhões de parâmetros e grandes ocupações de memória, tornando a implantação em grande escala computacionalmente proibitiva.

Embora o Aprendizado de Máquina Quântico (QML) tenha surgido como um paradigma potencial capaz de representar dados em espaços de Hilbert exponencialmente de alta dimensão via superposição e emaranhamento, a pesquisa existente carece de uma comparação abrangente e multidimensional entre modelos clássicos e quânticos. Estudos anteriores frequentemente focam estreitamente na precisão ou em uma única métrica secundária (por exemplo, contagem de parâmetros) sem avaliar simultaneamente o tempo de execução computacional, os requisitos de memória e a escalabilidade em diversas dimensões de características e tamanhos de amostra sob condições de hardware comparáveis (CPU vs. GPU).

Metodologia

Os autores conduziram um estudo de benchmarking controlado e multidimensional utilizando o conjunto de dados de dígitos manuscritos MNIST (70.000 imagens em tons de cinza, 28x28 pixels). O estudo avaliou quatro modelos distintos em duas famílias:

1. ML Tradicional: Máquina de Vetores de Suporte Clássica (CSVM) vs. Máquina de Vetores de Suporte Quântica (QSVM).
2. Aprendizado Profundo: Rede Neural Convolucional Clássica (CCNN) vs. Rede Neural Convolucional Quântica (QCNN).

Configuração Experimental:

• Pré-processamento de Dados: As imagens foram normalizadas (0–1) e divididas 75/25 para treinamento/teste. Para as SVMs, foi utilizada Análise de Componentes Principais (PCA) para redução de dimensionalidade, onde o número de componentes correspondia ao número de qubits.
• Implementação do Modelo:
  • CSVM: Utilizou scikit-learn com um kernel de similaridade cosseno pré-calculado.
  • QSVM: Utilizou PennyLane para codificação quântica (embedding angular) e construção de kernel baseada na sobreposição de estados quânticos ($|⟨\psi(x_i)|\psi(x_j)⟩|^2$).
  • CCNN: Implementada em PyTorch com uma arquitetura de gargalo para corresponder à dimensionalidade do modelo quântico, utilizando projeções lineares aprendidas em vez de PCA.
  • QCNN: Substituiu as camadas ocultas clássicas por circuitos quânticos variacionais (VQCs) consistindo em rotações de qubit único parametrizadas e portas CNOT emaranhantes.
• Métricas de Desempenho: Precisão de classificação, tempo de execução computacional (segundos), contagem total de parâmetros e requisitos de memória (kB).
• Variáveis: Os experimentos variaram a dimensionalidade das características (contagem de qubits para SVMs; tamanho da característica de entrada para CNNs) e o tamanho da amostra em ambos os ambientes de execução CPU e GPU (NVIDIA H100 e Tesla V100).

Principais Resultados

1. Máquinas de Vetores de Suporte (SVMs)

• Precisão: A QSVM superou consistentemente a CSVM em precisão. Com 1.000 amostras, a QSVM atingiu ~0,90 de precisão, comparado a ~0,85 para a CSVM.
• Tempo de Execução: A QSVM incorreu em um custo computacional significativamente maior. O tempo de execução para QSVM na CPU aumentou exponencialmente com a contagem de qubits, enquanto na GPU aumentou linearmente. O tempo de execução da CSVM permaneceu baixo e estável.
• Ponto Operacional Ótimo: Uma contagem de características de 10 qubits e um tamanho de amostra na faixa de 200–500 emergiram como pontos operacionais práticos que equilibram ganhos de precisão com custos de tempo de execução.
• Hardware: A execução em GPU é a única escolha prática para QSVMs devido à escalabilidade exponencial do tempo de execução da CPU.

2. Redes Neurais Convolucionais (CNNs)

• Precisão: CCNN e QCNN alcançaram precisão de classificação comparável, ambas excedendo 0,96 com 64 características e 60.000 amostras. A lacuna de precisão entre as duas estreitou-se à medida que as contagens de características e os tamanhos de amostra aumentaram.
• Eficiência (Parâmetros e Memória): A QCNN demonstrou eficiência substancialmente superior. Em contagens de características mais altas (64), a QCNN exigiu ~94% menos parâmetros e ~75% menos memória do que a CCNN.
• Tempo de Execução: A QCNN sofreu com tempos de execução significativamente mais longos em comparação com a CCNN. O tempo de execução para QCNN aumentou rapidamente com a contagem de características e o tamanho da amostra (por exemplo, o tempo de execução da QCNN na GPU atingiu ~33 horas para 64 características), enquanto a CCNN permaneceu abaixo de 2 horas.

3. Tendências Gerais

Em ambas as famílias de modelos, os modelos quânticos ofereceram maiores vantagens relativas em precisão à medida que a dimensionalidade das características ou o tamanho da amostra aumentavam. No entanto, essa vantagem vem com uma compensação: os modelos quânticos geralmente incorrem em custos de tempo de execução mais altos, mas oferecem eficiência superior de parâmetros e memória, particularmente na família CNN.

Principais Contribuições

• Benchmarking Multidimensional: O estudo fornece uma avaliação rara e simultânea de precisão, tempo de execução, contagem de parâmetros e memória em modelos de ML tradicional e aprendizado profundo.
• Análise de Escalabilidade: Analisa explicitamente o desempenho em função tanto da dimensionalidade das características quanto do tamanho da amostra, identificando "pontos operacionais" específicos (por exemplo, 10 qubits, 200–500 amostras) onde os modelos quânticos oferecem um equilíbrio prático.
• Comparação de Hardware: O trabalho contrasta ambientes de execução CPU e GPU, destacando a necessidade crítica de aceleração por GPU para simulações quânticas para gerenciar o crescimento exponencial do tempo de execução.
• Eficiência de Recursos: O artigo quantifica as economias significativas de memória e parâmetros das QCNNs, sugerindo sua viabilidade para ambientes com recursos restritos, apesar dos tempos de treinamento mais altos.

Significado e Alegações

O artigo alega fornecer orientações acionáveis para profissionais que consideram QML para visão computacional sob restrições de recursos do mundo real. Sugere que os modelos quânticos oferecem a maior vantagem relativa em regimes de alta quantidade de dados ou alta dimensionalidade, particularmente onde a eficiência de parâmetros e a ocupação de memória são restrições críticas.

As descobertas são enquadradas no contexto do Instituto de Transporte do Alabama (ATI) e do Centro Nacional de Cibersegurança e Resiliência de Transporte (TraCR). Os autores argumentam que a eficiência demonstrada das QCNNs (reduzindo parâmetros em ~94% e memória em ~75%) é particularmente relevante para aplicações de transporte Automatizadas, Conectadas, Elétricas, Compartilhadas e Seguras (ACES2). Especificamente, esses ganhos de eficiência poderiam suportar computação a bordo em Veículos Conectados e Autônomos (CAVs) e sensores implantados na borda, onde memória e poder de processamento são limitados.

Os autores permanecem modestos quanto às limitações atuais, observando que os experimentos foram conduzidos em hardware quântico simulado (PennyLane) e, portanto, não levam em conta ruído, decoerência ou erros de porta presentes em dispositivos quânticos físicos. Eles também reconhecem que o estudo foi restrito ao conjunto de dados MNIST e que trabalhos futuros são necessários para testar a generalização em conjuntos de dados mais complexos (por exemplo, CIFAR-10, ImageNet) e para explorar arquiteturas híbridas que aplicam seletivamente camadas quânticas.