QDS-SNN: Energy-efficient Quantum Deeply-Supervised Spiking Neural Network Algorithm for Traffic Sign Recognition

Resumo Técnico: QDS-SNN: Algoritmo de Rede Neural Pulsante de Aprendizado Profundo Quântico com Eficiência Energética para Reconhecimento de Sinais de Trânsito

Definição do Problema
O reconhecimento de sinais de trânsito (TSR) é um componente crítico para sistemas de transporte inteligentes e condução autônoma, sendo essencial para garantir a segurança rodoviária e a eficiência operacional. Embora as Redes Neurais Convolucionais (CNNs) tenham estabelecido alta precisão no TSR, elas dependem fortemente de conjuntos de dados rotulados em larga escala e de recursos computacionais intensivos. Essa dependência resulta em um consumo de energia significativo e sobrecarga computacional, tornando as CNNs tradicionais inadequadas para aplicações de recursos limitados e sensíveis à energia, como veículos elétricos e a Internet dos Veículos (IoV).

As Redes Neurais Pulsantes (SNNs) oferecem uma alternativa biologicamente inspirada e energeticamente eficiente devido às suas capacidades de processamento espaço-temporais baseadas em eventos. No entanto, as SNNs profundas enfrentam desafios significativos, incluindo perda de informação e desaparecimento de gradientes durante o treinamento devido a funções de ativação não diferenciáveis, além da dificuldade em modelar dependências temporais complexas. Além disso, abordagens híbridas existentes frequentemente falham em equilibrar alta precisão com as rigorosas restrições de energia exigidas para implantação em borda (edge deployment).

Metodologia
Para abordar essas limitações, os autores propõem a Rede Neural Pulsante de Aprendizado Profundo Quântico (QDS-SNN). Este framework integra Redes Neurais Quânticas (QNNs) em uma arquitetura SNN profunda para fornecer supervisão profunda eficiente e de baixa potência. A metodologia compreende três componentes principais:

1. Neurônio TSA-LIF (Leaky Integrate-and-Fire Adaptativo Temporal-Espacial):
   Os autores introduzem um modelo de neurônio Leaky Integrate-and-Fire (LIF) modificado, equipado com fatores de decaimento temporal ($\beta_n$) e espacial ($\alpha_n$) aprendíveis. Diferente dos neurônios LIF padrão, o TSA-LIF aprende independentemente esses parâmetros de decaimento. O fator espacial controla a retenção de características, enquanto o fator temporal regula o decaimento da memória. Esse design melhora a capacidade da rede de modelar dinâmicas espaço-temporais e melhora a retenção de características sem pré-processamento complexo.

2. Módulo de Classificação Assistido por Quantum (QACM):
   Para mitigar o desaparecimento do gradiente e aumentar a supervisão profunda, um QACM é inserido após cada estágio da SNN (exceto no estágio final). O QACM consiste em:

   • Camada de Codificação Quântica: Utiliza codificação de amplitude para mapear dados de pulsos clássicos em estados quânticos.
   • Camadas de Convolução e Pooling Quânticas: Utiliza portas quânticas parametrizadas (incluindo portas Hadamard, de rotação e CNOT) para simular operações de convolução e pooling. A arquitetura emprega variantes de 4 e 2 qubits para equilibrar expressividade e uso de recursos.
   • Camada de Medição: Converte estados quânticos em distribuições de probabilidade clássicas para classificação auxiliar.
     Este módulo aproveita a superposição e o emaranhamento quânticos para realizar computações paralelas, fornecendo sinais de supervisão profunda que guiam o treinamento da espinha dorsal (backbone) da SNN.

3. Estratégia de Treinamento Híbrido:
   O modelo utiliza uma abordagem de otimização conjunta usando uma função de perda combinada. A perda total ($L$) integra a perda de entropia cruzada do QACM para os classificadores auxiliares nos primeiros $K-1$ estágios e a perda de classificação final do $K$-ésimo estágio. Um fator de supervisão ($\sigma$) equilibra a contribuição dessas perdas de supervisão profunda. O treinamento utiliza o Backpropagation de Canal Temporal (STBP) para a SNN e a regra de deslocamento de parâmetro (parameter-shift rule) para calcular os gradientes nos circuitos QNN.

Principais Contribuições
O artigo descreve quatro contribuições primárias:

1. Algoritmo QDS-SNN: Uma nova arquitetura integrando QACM e neurônios TSA-LIF em uma SNN profunda de K estágios, demonstrando desempenho superior e menor consumo de energia para classificação de sinais de trânsito.
2. Modelo de Neurônio TSA-LIF: O design de um neurônio com fatores de decaimento temporal e espacial aprendíveis, melhorando as capacidades de modelagem temporal e a retenção de características.
3. Módulo de Classificação Assistido por Quantum (QACM): Um módulo quântico de baixa potência que aumenta a supervisão profunda sem a sobrecarga das camadas convolucionais tradicionais, abordando efetivamente os problemas de gradiente.
4. Método de Treinamento Híbrido: Uma estratégia de otimização conjunta usando uma função de perda combinada com um fator de supervisão para equilibrar a supervisão profunda, acelerando a convergência e melhorando a eficiência do treinamento.

Resultados Experimentais
A QDS-SNN foi avaliada na plataforma de simulação quântica PennyLane utilizando dois conjuntos de dados: o German Traffic Sign Recognition Benchmark (GTSRB) e o Chinese Traffic Sign Database (TSRD).

• Conjunto de Dados GTSRB: O modelo alcançou 99,72% de precisão com apenas 6 passos de tempo. Isso superou a linha de base MS-ResNet em 1,32%, reduzindo o consumo de energia em 55,77% (2,26 mJ vs. 5,11 mJ). Mesmo com 2 passos de tempo, o modelo alcançou 98,68% de precisão.
• Conjunto de Dados TSRD: O modelo alcançou 97,90% de precisão em 6 passos de tempo, superando a linha de base MS-ResNet em 0,87% a 2,10%, dependendo da variante específica da linha de base, reduzindo o uso de energia para 52,68% da linha de base.
• Estudos de Ablação: Experimentos confirmaram que o neurônio TSA-LIF (combinando ambos os fatores de decaimento) superou os modelos LIF padrão e as variantes de fator único. Além disso, o QACM alcançou precisão comparável a um classificador auxiliar clássico (CACM), mas com 27,8% menos parâmetros e 66,4% menos consumo de energia.
• Análise de Ruído: A análise de fidelidade sob vários tipos de ruído quântico (Bit Flip, Phase Flip, Amplitude Damping, Depolarizing Noise) demonstrou a robustez do modelo, mantendo alta fidelidade mesmo com probabilidades de ruído de 0,1.

Significância e Alegações
Os autores afirmam que a QDS-SNN oferece uma solução de alto desempenho e eficiência energética especificamente adaptada para sistemas de transporte inteligentes. Ao integrar a supervisão profunda quântica com neurônios pulsantes adaptativos, o método aborda com sucesso o equilíbrio entre precisão e energia que limita tanto as CNNs tradicionais quanto as SNNs isoladas. O estudo afirma que a QDS-SNN é particularmente adequada para percepção de tráfego em tempo real em plataformas de recursos limitados, como veículos autônomos, onde a baixa latência e o consumo mínimo de energia são críticos. O trabalho sugere que esta abordagem híbrida clássico-quântica fornece um caminho prático para implantar modelos neurais avançados na Internet dos Veículos (IoV) sem comprometer a precisão do reconhecimento.