⚛️ quantum physics

EPIC-CIM: Training Convolutional Neural Networks on a Coherent Ising Machine via Equilibrium Propagation

Este artigo apresenta o EPIC-CIM, um framework que permite o treinamento de Redes Neurais Convolucionais Quânticas em Máquinas de Ising Coerentes ao utilizar a propagação de equilíbrio para otimizar um modelo baseado em energia, superando assim os desafios inerentes das operações quânticas não diferenciáveis e da evolução de estados discretos sem depender de retropropagação de gradiente explícita.

Autores originais: Xingrui Yin, Shenwei Kang, Haoqi He, Yan Xiao, Hongdong Zhu, Hai Wei, Yin Ma, Qi Gao, Xiaochun Cao, Kai Wen

Publicado 2026-07-21

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Xingrui Yin, Shenwei Kang, Haoqi He, Yan Xiao, Hongdong Zhu, Hai Wei, Yin Ma, Qi Gao, Xiaochun Cao, Kai Wen

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um robô a reconhecer um gato em uma foto. No mundo dos computadores clássicos, geralmente fazemos isso mostrando ao robô milhões de imagens e usando um truque matemático chamado "backpropagation" (retropropagação). Pense na retropropagação como um professor caminhando de costas por um labirinto, apontando cada curva errada que o robô fez e dizendo exatamente como ele deve ajustar seus passos para chegar mais perto da saída. Isso funciona muito bem para estradas suaves e contínuas. Mas e se o robô vivesse em um mundo feito de interruptores que só podem estar "ligados" ou "desligados", como um gigantesco e complexo painel de luzes? Nesse mundo, não existem estradas suaves para caminhar de costas; existem apenas penhascos íngremes e acidentados. Você não pode dar um toque suave em um interruptor; você tem que batê-lo. Isso torna o método tradicional do "professor" inútil.

Este é o quebra-cabeça enfrentado pelo novo campo do aprendizado de máquina quântico. Os computadores quânticos são incríveis, mas frequentemente operam nesses interruptores de "ligado/desligado" (chamados de estados binários) e envolvem medições que quebram a matemática suave da qual estamos acostumados. Os cientistas ficaram presos tentando treinar esses cérebros quânticos porque as ferramentas usuais não se encaixam. Eles precisavam de uma nova maneira de ensinar o robô que não dependesse de gradientes suaves, mas que utilizasse as leis naturais da física — especificamente, a ideia de que os sistemas sempre querem se estabelecer em seu estado de menor energia, como uma bola rolando para o fundo de uma colina. Este artigo entra nessa lacuna, perguntando: Podemos treinar uma rede neural quântica tratando-a como um sistema físico tentando encontrar seu lugar de descanso mais confortável, em vez de um estudante tentando resolver um problema de cálculo?

A Nova Maneira de Ensinar Cérebros Quânticos

Os pesquisadores por trás deste estudo, trabalhando com uma equipe da Universidade Sun Yat-sen e da QBoson Quantum Technology, construíram um novo framework de treinamento chamado EPIC-CIM. Pense nisso como um contorno inteligente para o problema do "penhasco acidentado". Em vez de tentar calcular uma inclinação que não existe, eles deixam o sistema naturalmente se estabelecer em um estado de equilíbrio, e usam a diferença entre dois equilíbrios ligeiramente diferentes para descobrir como aprender.

Veja como o método deles, o EPIC-CIM, funciona, usando uma analogia lúdica:

Imagine uma sala gigante e caótica cheia de milhares de interruptores de luz (estes são os "estados binários" da máquina quântica). Seu objetivo é organizar esses interruptores para que eles formem a palavra "GATO" quando você os observa.

A Configuração: Você brilha uma lanterna (a imagem de entrada) na sala. A luz atinge os interruptores, empurrando-os para tentar ligar ou desligar.
A Fase "Livre": Primeiro, você deixa a sala se acomodar sozinha. Os interruptores balançam e mudam até encontrarem um padrão confortável baseado na luz. Esta é a "fase livre". O sistema está apenas relaxando, encontrando seu nível de energia natural.
A Fase do "Toque": Agora, você quer que a sala forme a palavra "GATO". Então, você dá um toque suave nos interruptores que deveriam estar ligados para formar "GATO", para que permaneçam ligados, e nos que não deveriam, para que permaneçam desligados. Você não os força; você apenas dá um empurrãozinho leve e gentil (um estado de "fixação fraca") e os deixa se acomodar novamente.
O Aprendizado: A mágica acontece ao comparar as duas salas. Os pesquisadores observam a diferença entre a sala "Livre" e a sala do "Toque". Se um interruptor mudou de forma diferente devido ao seu toque, isso diz ao sistema: "Ei, você precisa ajustar suas configurações para fazer esse interruptor permanecer ligado quando eu pedir!". Eles atualizam as regras (os "pesos" da rede) com base nessa diferença, sem nunca precisar calcular um gradiente complexo.

Esse processo é chamado de Propagação de Equilíbrio (Equilibrium Propagation). É como ensinar um cachorro não explicando a física de uma bola, mas recompensando-o quando ele senta e corrigindo-o gentilmente quando ele não o faz, deixando o cachorro descobrir o padrão através da repetição e do feedback.

O Que Eles Descobriram

A equipe testou este novo método de "Propagação de Equilíbrio" em três conjuntos de dados de imagens famosos: MNIST (números manuscritos), Fashion-MNIST (itens de vestuário) e CIFAR-10 (objetos cotidianos coloridos). Eles compararam o modelo EPIC-CIM com outros métodos quânticos, incluindo aqueles que usam "Circuitos Quânticos Variacionais" (que são como tentar sintonizar um rádio com uma chave de fenda) e "Recozimento Quântico" (que é como tentar encontrar o fundo de uma colina rolando uma bola por ela).

Os resultados foram bastante promissores:

No conjunto de dados MNIST: O EPIC-CIM alcançou uma precisão de teste de 92,32%. Isso foi significativamente melhor do que a Rede Neural Convolucional Quântica (QCNN) padrão, que marcou 84,59%, e do método de Recozimento Quântico, que atingiu 87,53%.
No conjunto de dados Fashion-MNIST: O novo método marcou 79,62%, superando a QCNN (78,29%) e o método de Recozimento Quântico (78,96%).
No complexo conjunto de dados CIFAR-10: Mesmo com as imagens coloridas e complexas, o EPIC-CIM alcançou 34,56% de precisão. Embora seja inferior a um computador clássico padrão (que obteve 40,22%), ainda foi uma melhoria clara sobre outros modelos quânticos, que tiveram dificuldade em ultrapassar os 27,79%.

Uma das descobertas mais interessantes foi o quão bem o modelo lidou com "dados pequenos". Normalmente, a IA precisa de milhões de imagens para aprender. Mas o EPIC-CIM mostrou que pode aprender efetivamente mesmo com apenas alguns milhares de amostras. Quando o testaram com apenas 1.000 imagens de treinamento, ele ainda conseguiu aprender bem, e conforme adicionavam mais dados (até 60.000), a precisão subia constantemente para 92,32%. Isso sugere que o método é muito eficiente e não se confunde facilmente.

Isso Funciona em Máquinas Reais?

Os pesquisadores não pararam apenas em simulações de computador. Eles também testaram sua ideia em hardware quântico real. Computadores quânticos reais são ruidosos e muitas vezes não conseguem lidar com números de alta precisão; às vezes, precisam trabalhar com precisões menores (como números de 14 bits em vez do padrão de 32 bits).

Apesar dessas limitações de hardware e do "ruído" do mundo real, o modelo EPIC-CIM manteve-se notavelmente bem. No hardware real, ele alcançou uma precisão de teste de 91%. Isso é muito próximo dos 92,32% que obteve na simulação perfeita. Isso sugere que o método é robusto e não desmorona quando o hardware não é perfeito.

O Que Isso Significa

O artigo sugere que, ao tratar o treinamento de redes neurais como um processo físico de busca pelo equilíbrio de energia, podemos contornar os problemas matemáticos do treinamento de computadores quânticos. Os autores argumentam que essa abordagem torna o processo de treinamento mais estável e interpretável. Em vez de uma caixa preta matemática, temos um sistema que se comporta como um objeto físico se acomodando em seu lugar.

Embora o modelo ainda não seja tão perfeito quanto um computador clássico (especialmente nas tarefas mais difíceis como o CIFAR-10), ele mostra que a otimização inspirada em sistemas quânticos pode ser uma ferramenta poderosa. Prova que podemos treinar redes quânticas complexas sem precisar da matemática impossível da retropropagação, abrindo as portas para uma inteligência artificial quântica mais estável e escalável no futuro. Os pesquisadores concluem que este framework oferece uma maneira unificada de construir uma ponte entre a computação quântica e a inteligência artificial que usamos todos os dias.

Resumo Técnico: EPIC-CIM

Declaração do Problema

As Redes Neurais Convolucionais Quânticas (QCNNs) enfrentam desafios significativos de treinamento devido à natureza inerente dos sistemas quânticos, especificamente operações não diferenciáveis (como medições quânticas) e a evolução de estados discretos. Essas características tornam o backpropagation convencional baseado em gradiente ineficaz ou difícil de aplicar. Além disso, as abordagens de aprendizado quântico existentes, incluindo Circuitos Quânticos Variacionais (VQCs) e o recozimento quântico (quantum annealing), lutam com escalabilidade, limitações de profundidade de circuito, sensibilidade ao ruído e a dificuldade de representar características espaciais locais dentro de estruturas Ising ou QUBO. Consequentemente, a maioria das QCNNs existentes permanece teórica ou é restrita a experimentos de escala muito pequena, falhando em demonstrar um desempenho robusto em tarefas de classificação multiclasse completas com conjuntos de dados complexos.

Metodologia

O artigo propõe o EPIC-CIM (Equilibrium Propagation on a Coherent Ising Machine), um framework de treinamento que reformula o aprendizado de QCNN como um processo de minimização de energia compatível com Máquinas de Ising Coerentes (CIMs). A abordagem evita o backpropagation explícito de gradiente ao utilizar a Propagação de Equilíbrio (EP).

Arquitetura Central

O framework opera através de quatro estágios acoplados:

Extração de Características Clássicas: Um operador convolucional clássico processa a imagem de entrada para extrair respostas espaciais locais.
Amostragem Quântica: Essas respostas são mapeadas para campos externos que direcionam uma representação latente binária ( $X_2 \in \{-1, +1\}$ ). Esta camada é amostrada de um modelo de energia Ising compatível com CIM, tratando os estados binários como configurações de spins quânticos.
Acoplamento de Saída: Os estados latentes binários são acoplados linearmente às variáveis de saída ( $y$ ), que também são binárias.
Imposição de Restrição: Um termo de restrição global é introduzido para impor uma restrição de one-hot classification, garantindo que apenas um neurônio de saída seja ativado na solução ótima.

Formulação de Energia

A rede é definida por uma função de energia unificada QUBO/Ising ( $E_{total}$ ):
$E_{total} = \text{Conv}(X_1, k_1) \cdot X_2 + (W_2 \cdot \text{flatten}(X_2) + b) \cdot y + \beta(y^\top \mathbf{1} + (k-2))^2$

O primeiro termo representa o casamento de características convolucionais (força motriz).
O segundo termo descreve o acoplamento linear entre a camada intermediária e a saída.
O terceiro termo é uma restrição global quadrática para codificação one-hot.

Treinamento via Propagação de Equilíbrio

O treinamento é realizado comparando dois estados de equilíbrio do sistema sob a mesma função de energia:

Fase Livre (Free Phase): A entrada é fixada (clamped), e o sistema evolui para um estado estacionário ( $y_{free}$ ) sem restrições de saída.
Fase de Perturbação (Nudged Phase): Uma pequena perturbação ( $\epsilon$ ) enviesa a saída em direção ao rótulo alvo ( $y_{label}$ ), conduzindo o sistema a um novo estado estacionário ( $y_{nudge}$ ).

As atualizações de parâmetros ( $\Delta \theta$ ) são derivadas da diferença nas correlações de estado local entre essas duas fases:
$\Delta \theta = \frac{1}{\beta} [(\sigma_i \sigma_j)_{nudge} - (\sigma_i \sigma_j)_{free}]$
Este mecanismo permite o aprendizado estável em espaços discretos e não diferenciáveis sem a necessidade de computação de gradiente explícita.

Principais Contribuições

Framework EPIC-CIM: A proposta de um framework de treinamento de QCNN baseado em energia que reformula o aprendizado convolucional como um processo de minimização de energia fisicamente interpretável, compatível com Máquinas de Ising Coerentes.
Formulação de Energia Unificada: O design de uma única função de energia que modela conjuntamente a extração de características convolucionais, a evolução de estados latentes binários e as restrições supervisionadas de saída, permitindo a otimização sem o backpropagation tradicional.
Desempenho Escalável: Avaliações experimentais extensas demonstrando que o framework supera modelos quânticos existentes (incluindo VQCs, QCNNs e abordagens de recozimento quântico) em tarefas de classificação multiclasse completas, mantendo a estabilidade do treinamento.

Resultados Experimentais

O framework foi avaliado em três benchmarks: MNIST, Fashion-MNIST e CIFAR-10.

MNIST: O EPIC-CIM alcançou uma acurácia de teste de 92,32% (conjunto de dados completo) e 88,64% com dados limitados (2.000 amostras). Isso superou a abordagem de recozimento quântico da D-Wave (87,53%) e as QCNNs padrão (84,59%).
Fashion-MNIST: O modelo alcançou 79,62% de acurácia de teste, superando D-Wave (78,96%), QDEQs (72,11%) e QCNNs padrão (78,29%).
CIFAR-10: Neste conjunto de dados mais complexo, o EPIC-CIM atingiu 34,56% de acurácia de teste, superando significativamente os QDEQs (25,45%) e as QCNNs padrão (27,79%), embora tenha permanecido abaixo da linha de base da CNN clássica (40,22%).
Validação de Hardware: Experimentos em hardware quântico real (usando 1.000 amostras de treinamento e precisão de 14 bits) produziram uma acurácia de teste de 91% no MNIST, demonstrando robustez aos efeitos de quantização e ao ruído do hardware com degradação mínima de desempenho em comparação com simulações de alta precisão.
Eficiência de Amostragem: O modelo mostrou ganhos de desempenho rápidos em regimes de baixos dados (1k–8k amostras), indicando forte eficiência de amostragem.

Significância e Alegações

O artigo afirma que o EPIC-CIM fornece uma perspectiva física unificada para unir a computação quântica e a inteligência artificial. Ao reconstruir a estimativa de gradiente como um processo de evolução de energia fisicamente interpretável, o framework:

Aumenta a Interpretabilidade: Oferece dinâmicas físicas observáveis para atualizações de parâmetros, abordando a natureza de "caixa preta" de alguns métodos de aprendizado quântico.
Melhora a Estabilidade: Permite o aprendizado estável e consistente em espaços discretos e não diferenciáveis onde os métodos de gradiente convencionais falham.
Oferece Escalabilidade: Apresenta uma solução viável para o treinamento escalável de QCNN em tarefas de classificação de classes completas, superando as limitações de conectividade e escalabilidade das abordagens de recozimento quântico puro ou de modelo de portão (gate-model).
Valida a Praticidade: O implantação bem-sucedida em hardware quântico real com precisão reduzida sugere que o framework é viável para dispositivos quânticos e de inspiração quântica de curto prazo.

Os autores posicionam este trabalho não meramente como um substituto de um solver por outro, mas como uma mudança fundamental em direção a dinâmicas de aprendizado baseadas em energia e fundamentadas na física, capazes de lidar com as complexidades de tarefas visuais do mundo real.