Object Detection Using Quantum Transfer Learning

No mundo da inteligência artificial, os computadores estão se tornando extraordinariamente bons em reconhecer o que as coisas são. Eles podem olhar para uma fotografia e dizer que um cão está sentado sobre um tapete. Mas um desafio mais difícil permanece: ensinar uma máquina não apenas a identificar o cão, mas também a localizar exatamente onde ele está na imagem, desenhando uma caixa precisa ao seu redor. Esta tarefa, conhecida como detecção de objetos, exige que o computador aprenda duas coisas ao mesmo tempo: a identidade do objeto e sua posição contínua no espaço. Embora os programas de computador tradicionais tenham conseguido gerir isto usando quantidades massivas de dados e milhões de configurações ajustáveis, eles frequentemente lutam para equilibrar estes dois objetivos de forma eficiente. Um novo campo, o aprendizado de máquina quântico, oferece um caminho diferente. Ele utiliza as estranhas regras da física quântica, onde as partículas podem existir em múltiplos estados ao mesmo tempo, para processar informação. No entanto, a maioria das tentativas iniciais de usar computadores quânticos para o aprendizado focou apenas em perguntas simples de sim ou não, deixando a tarefa complexa de encontrar e enquadrar objetos praticamente intocada.

Uma equipa de investigadores da Universidade de Tecnologia de Shahrood, no Irão, conseguiu agora colmatar esta lacuna. Eles construíram um novo tipo de sistema híbrido que combina um programa de computador padrão com um pequeno circuito quântico para detetar objetos. O seu trabalho sugere que, para resolver este problema difícil, um computador quântico não precisa de estar totalmente emaranhado, ou profundamente interconectado, da forma como muitos cientistas acreditavam anteriormente. Em vez disso, descobriram que controlar cuidadosamente como a informação flui através do sistema permite um alto desempenho com muito menos configurações para ajustar.

Os investigadores começaram com um programa de computador padrão, pré-treinado, que já é muito bom a detetar características visuais em imagens. Eles pegaram na saída deste programa e alimentaram-na num sistema quântico minúsculo composto por apenas oito bits quânticos, ou qubits. Estes qubits são as unidades básicas de informação num computador quântico. A equipa dividiu estes oito qubits em dois grupos. Os primeiros quatro foram dedicados a descobrir o que era o objeto, como um gato ou um cão. Os outros quatro foram atribuídos à tarefa de calcular as coordenadas exatas da caixa que envolveria o objeto. Esta separação permitiu que o sistema lidasse com os dois tipos diferentes de aprendizado simultaneamente, sem que um interferisse no outro.

Para conectar estes dois grupos de qubits, os investigadores testaram dois padrões de fiação diferentes. Um padrão era uma linha reta, onde cada qubit estava conectado apenas ao seu vizinho imediato. O outro era um círculo, onde o último qubit era conectado de volta ao primeiro, criando um ciclo fechado. Eles descobriram que o arranjo circular funcionava significativamente melhor. Neste setup circular, a conexão entre os dois grupos de qubits era surpreendentemente fraca, no entanto, o sistema realizou a tarefa de detecção com grande precisão. De facto, o design circular alcançou uma pontuação de detecção de 0,9448, que é quase idêntica ao desempenho de modelos de computador tradicionais muito maiores.

O que torna este resultado tão impressionante é a eficiência. O novo modelo quântico exigiu apenas cerca de dez mil configurações ajustáveis para aprender a tarefa. Em contraste, os grandes modelos tradicionais que eles compararam precisavam de mais de um milhão de configurações para alcançar resultados semelhantes. Isto representa uma redução de mais de 99 por cento no número de configurações necessárias. Os investigadores mostraram que, ao utilizar a fiação circular, podiam suprimir a quantidade de emaranhamento entre as duas tarefas. O emaranhamento é um fenómeno quântico onde as partículas tornam-se ligadas de tal forma que o estado de uma influencia instantaneamente a outra. Durante muito tempo, assumiu-se que mais emaranhamento significava mais poder. Este estudo sugere o contrário para este trabalho específico: limitar o emaranhamento e controlar o fluxo de informação ajuda, de facto, o sistema a aprender melhor.

A equipa também analisou o processo através da lente da termodinâmica, o ramo da física que lida com calor e energia. Eles interpretaram o processo de aprendizado como um sistema tentando atingir um estado de baixa energia e baixa desordem. À medida que o modelo aprendia, a incerteza nas suas previsões diminuía, tal como um objeto quente a arrefecer para coincidir com o seu ambiente. A parte do sistema responsável por encontrar a localização do objeto agiu como uma força física puxando a previsão para o lugar, enquanto a parte responsável por identificar o objeto atuou para reduzir a confusão. Ao visualizar o processo de aprendizado desta forma, os investigadores puderam explicar por que razão o sistema funcionou tão bem com tão poucas configurações.

As descobertas desafiam uma suposição comum no campo da computação quântica. Muitos especialistas acreditaram que, para resolver problemas complexos, os computadores quânticos devem gerar o máximo de emaranhamento possível. Este artigo demonstra que, para a detecção de objetos, a chave não é a quantidade bruta de emaranhamento, mas sim como ele é organizado. Ao utilizar uma topologia circular para regular o fluxo de informação, o sistema foi capaz de filtrar o ruído desnecessário e focar-se nos detalhes que importavam. O resultado é um modelo altamente eficiente que pode identificar e localizar objetos com precisão, utilizando uma fração dos recursos exigidos pela tecnologia atual.

Este trabalho abre uma nova porta para a forma como poderemos construir a futura inteligência artificial. Sugere que os sistemas quânticos mais poderosos podem não ser aqueles que são mais caóticos ou interconectados, mas sim aqueles que são cuidadosamente estruturados para guiar a informação exatamente para onde ela precisa de ir. Os investigadores demonstraram que é possível construir um detetor potenciado por tecnologia quântica que seja tanto incrivelmente preciso quanto notavelmente enxuto. À medida que o hardware quântico continua a melhorar, estes princípios de fluxo de informação controlado e eficiência direcionada poderão tornar-se o blueprint para a próxima geração de máquinas inteligentes.