Resumo Técnico: CoQui – Uma Rede Adversária Generativa Quântica Condicionada por Coordenadas

Declaração do Problema

As Redes Adversárias Generativas Quânticas (QGANs) existentes para geração de imagens dependem predominantemente de um paradigma onde as intensidades dos pixels são mapeadas diretamente das amplitudes dos estados quânticos. Os autores identificam duas limitações críticas nesta abordagem:

1. Problemas de Escalabilidade: A codificação das localizações dos pixels via índices de base computacional ou qubits de endereçamento causa o crescimento linear da dimensão do estado quântico ou do número de qubits em relação à resolução da imagem.
2. Acoplamento de Pixels e Controle: Os métodos existentes decodificam conjuntamente múltiplos pixels a partir de um ou poucos estados quânticos normalizados. Isso força os pixels a competirem pela massa de probabilidade, tornando difícil controlar precisamente os valores individuais dos pixels. Isso frequentemente resulta em imagens geradas com brilho geral inferior em comparação com as distribuições de dados reais e distribuições de amplitude desiguais.

Além disso, muitas abordagens existentes utilizam circuitos quânticos apenas para modelar representações clássicas comprimidas, em vez de realizar diretamente a geração ao nível do pixel.

Metodologia: Estrutura CoQui

Para abordar essas limitações, o artigo propõe o CoQui (Quantum Implicit GAN condicionado por coordenadas), que reformula a geração de imagens como um problema de aprendizado de função implícita condicionada por coordenadas. Em vez de mapear amplitudes para pixels, o Coqui aprende um mapeamento contínuo de coordenadas espaciais para valores de sinal.

1. Arquitetura Central

A estrutura opera da seguinte forma:

• Entradas: O gerador recebe coordenadas espaciais $c = (x, y)$ e uma variável latente $z$ como entradas.
• Codificação Clássica: Uma rede neural clássica $\Gamma$ processa a codificação posicional concatenada de $c$ e o código latente $z$. Ela produz parâmetros que definem os ângulos de rotação para um Circuito Quântico Parametrizado (PQC).
• Gerador Quântico: O PQC avalia a imagem em localizações de coordenadas específicas.
  • Alocação de Qubits: O circuito utiliza $N_q = N_f + 1$ qubits. Um qubit ($q_0$) serve como o qubit de cor para a leitura do pixel, enquanto os $N_f$ qubits restantes atuam como qubits de característica que codificam características espaciais implícitas.
  • Estrutura do Circuito: O circuito consiste em $L$ camadas repetitivas contendo:
    • Inicialização de Brilho do Qubit de Cor: Uma rotação $R_Y$ treinável para definir um brilho médio inicial.
    • Re-upload de Dados Escalados: Parâmetros de escala e viés específicos de cada camada modulam os ângulos de entrada, permitindo que cada camada enfatize ou atenue os sinais de coordenada-latente.
    • Rotações Locais e Emaranhamento: Os qubits de característica passam por rotações locais e emaranhamento CNOT de topologia em anel para modelar correlações.
    • Escrita de Característica-para-Cor: Portas Controlled-$R_Y$ transferem informações dos qubits de característica para o qubit de cor, tornando a saída de cor explicitamente dependente da representação de característica.
    • Atualização Residual de Cor: Rotações treináveis adicionais no qubit de cor permitem o refinamento das intensidades dos pixels através das camadas.
• Leitura de Pixel: A intensidade do pixel não é derivada das amplitudes de estado, mas é lida diretamente como o valor de expectativa do observável Pauli-Z no qubit de cor: $G(c, z) = (1 - \langle Z_0 \rangle)/2$.
• Síntese de Imagem: Uma imagem completa é gerada consultando o gerador em todas as coordenadas espaciais $(i/W, j/H)$.

2. Objetivo de Treinamento

O CoQui é treinado usando o objetivo de GAN de Wasserstein com penalidade de gradiente (WGAN-GP), empregando um discriminador (crítico) clássico para distinguir entre imagens reais e geradas.

Principais Contribuições

O artigo delineia três contribções primárias:

1. Paradigma Condicionado por Coordenadas: O CoQui desacopla o número de qubits da resolução da imagem ao tratar a geração como um mapeamento contínuo de coordenadas para intensidades de pixel. Isso elimina a competição inter-pixel pela massa de probabilidade inerente aos métodos de mapeamento de amplitude.
2. Circuito Quântico com Viés Estrutural: Os autores projetam um PQC especializado com viés indutivo estrutural. Ao usar qubits de característica para modular controladamente um qubit de cor dedicado, o modelo aumenta sua capacidade de geração de pixel condicional e melhora a expressividade.
3. Desempenho Empírico: Simulações sistemáticas demonstram que o Coqui alcança qualidade visual e desempenho quantitativo superiores em comparação com baselines de mapeamento de amplitude (PQWGAN e o Quantum Wasserstein QGAN de Jäger et al.) utilizando significativamente menos qubits. Ele também mostra desempenho competitivo contra um baseline clássico de escala de parâmetros similar.

Resultados Experimentais

Experimentos foram conduzidos nos conjuntos de dados MNIST e Fashion-MNIST (resolução 28x28) usando um ambiente simulado (framework JAX).

• Eficiência de Recursos: O Coqui gera imagens completas usando apenas 5 qubits (1 de cor + 4 de característica) e um único circuito quântico. Em contraste, os baselines de mapeamento de amplitude exigem significativamente mais recursos (por exemplo, o PQWGAN requer 192 qubits e 32 circuitos para a mesma tarefa).
• Desempenho Quantitativo:
  • O Coqui alcançou o melhor ou empate no melhor score de Distância de Fréchet Inception (FID) em 4 de 10 classes do MNIST e 7 de 10 classes do Fashion-MNIST em comparação com um INR-GAN clássico.
  • Superou o PQWGAN e a configuração padrão do Quantum Wasserstein QGAN tanto em qualidade visual quanto em scores de FID no conjunto completo de 10 classes.
  • O Coqui demonstrou melhores estatísticas visuais de baixo nível (brilho e consistência de borda Sobel) comparado aos métodos de mapeamento de amplitude, que produziram amostras mais borradas devido ao acoplamento de pixels.
• Estudos de Ablação:
  • Arquitetura do Circuito: O circuito estruturado proposto (modulação de característica-para-cor) superou um ansatz eficiente de hardware em FID, JSD e estatísticas de borda.
  • Componentes: A remoção do re-upload de dados escalados causou a degradação de desempenho mais significativa (FID aumentou de ~40 para ~56), destacando a importância do escalonamento de entrada camada a camada.
  • Capacidade: Aumentar os qubits de característica além de 4 ou a profundidade do circuito além de 20 camadas resultou em retornos decrescentes ou leve degradação, sugerindo que circuitos de profundidade baixa a moderada são suficientes para esta tarefa.

Significância e Alegações

O artigo afirma que o Coqui representa um passo significativo em direção à geração de imagens quânticas end-to-end. Ao mudar do mapeamento de amplitude para o aprendizado implícito condicionado por coordenadas, o método aborda o gargalo fundamental de escalabilidade das QGANs, permitindo a geração de imagens de alta resolução sem um aumento proporcional no número de qubits.

Os autores enfatizam que sua abordagem fornece uma rota mais flexível para modelar distribuições de imagens, permitindo o controle preciso sobre os valores de pixels individuais sem as restrições da normalização de probabilidade global. Embora a avaliação atual seja limitada a simulações clássicas em benchmarks de tons de cinza sem ruído de hardware, o trabalho estabelece uma base para futura implementação em dispositivos quânticos reais, com potenciais extensões para resoluções mais altas e geração de imagens coloridas.