Quantum-Enhanced Similarity Measures for Polarimetric Materials Classification

Resumo Técnico: Medidas de Similaridade Potencializadas por Computação Quântica para Classificação de Materiais Polarimétricos

Definição do Problema
A classificação de materiais é uma tarefa de percepção crítica para robótica, sensoriamento remoto e inspeção industrial. Embora os métodos de aprendizado profundo baseados em RGB tenham avançado, eles são fundamentalmente limitados por sua dependência de cor e intensidade, que são confundidas por condições de iluminação, viewpoint e orientação da superfície. A imagem polarimétrica oferece uma alternativa fisicamente fundamentada ao capturar a matriz de Mueller, que codifica propriedades de refletância (ex: constante dielétrica, rugosidade) que são amplamente invariantes à cor da iluminação. No entanto, os classificadores polarimétricos existentes, treinados de forma supervisionada e de ponta a ponta, permanecem sensíveis a mudanças de distribuição (ex: mudanças no ângulo de azimute ou configuração do sensor). Este artigo aborda a necessidade de uma representação que seja desacoplada das condições de aquisição e capaz de discriminação de conjunto aberto (open-set), reformulando o reconhecimento de materiais não como um problema de classificação de conjunto fechado, mas como um problema de correspondência de pontos (point-matching).

Metodologia
Os autores propõem um pipeline híbrido quântico-clássico consistindo de duas fases distintas:

1. Fase de Treinamento (Extração de Características):

   • Representação de Dados: A entrada consiste em "cubos de polarização" derivados de medições da matriz de Mueller. Esses cubos representam variações de intensidade através de 1ângulos de analisador de 180°, dimensões espaciais ($H \times W$), e são gerados simulando várias geometrias de iluminação e comprimentos de onda.
   • Arquitetura do Codificador: Um cubo de polarização é processado por um codificador OctGPT (um modelo baseado em transformer que utiliza esparsidade de octree) para gerar embeddings hierárquicos. Esses embeddings são posteriormente processados por um cabeçalho de Rede Neural de Grafos (GNN).
   • Objetivo: O modelo completo (OctGPT + GNN + cabeçalho de classificação) é treinado de ponta a ponta usando perda de entropia cruzada em 23 classes de materiais. O objetivo é aprender embeddings que sejam compactos dentro de uma classe e dispersos entre as classes.

2. Fase de Inferência (Correspondência de Pontos Quântica):

   • Congelamento: O cabeçalho de classificação e a GNN são descartados; apenas o codificador OctGPT congelado é retido.
   • Geração de Embedding: Para um cubo de consulta (query), o codificador produz uma matriz de embedding de $64 \times 32$ (64 nós folha do octree, cada um com um vetor de 32 dimensões).
   • Codificação Quântica: A matriz de embedding é achatada para um vetor de 2048 dimensões, normalizado em $\ell_2$, e codificada como as amplitudes de probabilidade de um estado quântico de 11 qubits ($|\psi\rangle$).
   • Estimativa de Similaridade: Um circuito de teste SWAP é usado para estimar a fidelidade ($F = |\langle \psi | \phi \rangle|^2$) entre o estado de consulta e uma biblioteca de estados "âncora" (que representam materiais conhecidos). O circuito utiliza um qubit ancila, portas Hadamard e portas controlled-SWAP.
   • Classificação: A consulta é atribuída à classe da(s) âncora(s) que produz o maior nível de fidelidade agregada.

Principais Contribuições

• Dataset: Um dataset de cubos polarimétricos compreendendo 23 classes de materiais (aprox. 800 amostras cada), gerado variando ângulos de azimute, comprimentos de onda de luz e estados de polarização sobre matrizes de Mueller calibradas.
• Pipeline Híbrido: Um novo pipeline de extração de características e geração de embedding que produz uma matriz de embedding rica e de tamanho fixo por cubo de material, treinada de forma discriminativa, mas congelada para inferência.
• Framework Quântico: Um framework de correspondência de pontos impulsionado por computação quântica que codifica embeddings de voxels como estados de amplitude quântica e utiliza o teste SWAP para avaliar similaridades de materiais sob simulação quântica.
• Análise Comparativa: Uma avaliação extensiva comparando a abordagem quântica contra baselines clássicos, incluindo Transporte Ótimo (Optimal Transport - correspondência suave), distância de Hungarian (correspondência rígida) e similaridade de Cosseno.

Resultos Experimentais
A abordagem foi avaliada no dataset polarimétrico KAIST (aprox. 19.555 amostras após filtragem).

• Desempenho Quântico: Sob simulação de estado vetorial ideal e sem ruído, o Teste SWAP Quântico alcançou 72,7% de precisão Top-1 e 90,9% de precisão Top-3.
• Baselines Clássicos:
  • Transporte Ótimo (Normalizado): 87,9% Top-1 / 98,5% Top-3.
  • Correspondência de Hungarian (Normalizada): 86,4% Top-1 / 95,5% Top-3.
  • Similaridade de Cosseno: 71,2% Top-1 / 93,9% Top-3.
• Análise: Os resultados indicam que o Teste SWAP Quântico fornece um sinal de similaridade válido, performando de forma comparável à similaridade de Cosseno. No entanto, métodos clássicos estruturados (Transporte Ótimo e Hungarian) superaram a abordagem quântica. Os autores atribuem essa lacuna ao fato de que os métodos clássicos operam diretamente na estrutura do conjunto de folhas, enquanto a codificação quântica atual comprime todo o layout espacial em um único estado de amplitude global.

Significância e Alegações
O artigo afirma que este trabalho estabelece um caminho viável para o reconhecimento de materiais baseado em NISQ (Noisy Intermediate-Scale Quantum). Ao reformular o reconhecimento como uma busca baseada em similaridade sobre embeddings locais, em vez de uma classificação de conjunto fechado, o método demonstra potencial para discriminação de conjunto aberto (open-set), distinguindo com sucesso entre materiais conhecidos e entradas fora da distribuição (matrizes de Mueller aleatórias) com menor confiança.

Os autores enfatizam que, embora os atuais escores de fidelidade quântica sejam competitivos com a similaridade de cosseno simples, a lacuna com métodos clássicos estruturados destaca uma área específica para melhoria: a transição da codificação de amplitude plana para a correspondência de grafos quânticos que preserve a topologia da octree. O trabalho serve como uma prova de conceito de que a fidelidade quântica pode servir como uma métrica de similaridade significativa para dados polarimétricos, desde que as iterações futuras abordem a compressão da estrutura espacial e o overhead de preparação de estado em hardware real.