Resumo Técnico: Evolução de Arquiteturas Híbridas Quântico-Clássicas para Classificação de Imagens

Declaração do Problema

Redes neurais híbridas quântico-clássicas (HQNNs) integram circuitos quânticos parametrizados (PQCs) com arquiteturas de aprendizado profundo para processar dados clássicos. No entanto, o desempenho desses modelos depende fortemente da seleção manual da arquitetura do circuito quântico (ansatz), incluindo a composição de portas, profundidade do circuito, conectividade de qubits e codificação de dados. As abordagens existentes dependem tipicamente de circuitos fixos ou projetados manualmente que não são garantidos como adequados para tarefas específicas. Esta limitação é particularmente aguda na classificação de imagens, onde os circuitos quânticos devem transformar características extraídas por redes clássicas enquanto permanecem compactos o suficiente para o treinamento prático em hardware de curto prazo. Ansätze genéricos e agnósticos à tarefa frequentemente falham em atender a esses requisitos simultâneos, levando a problemas como platôs estéreis (gradientes exponencialmente vanishing) e baixa treinabilidade. Consequentemente, há uma necessidade de um método automatizado para descobrir estruturas de circuitos quânticos que sejam tanto eficazes para imagens complexas quanto computacionalmente eficientes.

Metodologia

Os autores estendem o EXAQC, um framework evolutivo anteriormente usado para benchmarks de baixa dimensão, para o domínio da classificação de imagens. A metodologia proposta emprega uma arquitetura híbrida consistindo de três componentes principais:

1. Codificador Clássico ($E_\psi$): Um extrator de características (bloco identidade, MLP ou CNN) que comprime imagens brutas de alta dimensão ($C \times H \times W$) em uma representação compacta ($d_q$) adequada para processamento quântico.
2. Circuito Quântico Parametrizado Evoluído ($Q_{\theta, A}$): Um PQC onde a arquitetura $A$ (composição de portas, profundidade, conectividade) é descoberta via busca evolutiva, enquanto os parâmetros contínuos $\theta$ são otimizados via gradiente descendente.
3. Decodificador Clássico ($D_\phi$): Uma rede que mapeia os resultados das medições quânticas para previsões de classe.

Processo de Busca Evolutiva:
O EXAQC utiliza um algoritmo evolutivo de estado estacionário para otimizar a estrutura do circuito. Cada circuito candidato é representado como um genoma de comprimento variável contendo uma coleção ordenada de portas. A busca emprega:

• Mutação Estrutural: Adição, habilitação, desabilitação ou reordenação de portas, e modificação da conectividade de qubits.
• Crossover: Combinação de informações de circuitos pais usando operadores binários, exponenciais ou n-ários.
• Herança Lamarckiana: Transferência de parâmetros contínuos aprendidos de pais para descendentes para acelerar a convergência.
• Avaliação Assíncrona: Candidatos são avaliados em paralelo, com descendentes competindo imediatamente pela inserção na população com base no fitness de validação.

Estratégias de Codificação Quântica:
O estudo investiga quatro mecanismos de codificação de entrada:

• Codificação de Amplitude (Amplitude Encoding): Mapeia $d_q$ características para $n_q = \lceil \log_2(d_q) \rceil$ qubits.
• Codificações de Rotação (RX, RY): Mapeia uma característica por qubit ($n_q = d_q$).
• Codificação U3: Mapeia três características por qubit usando a porta $U3(\theta, \phi, \lambda)$, permitindo $n_q = d_q/3$.

O objetivo de treinamento minimiza a perda de entropia cruzada através dos parâmetros conjuntos do codificador, circuito quântico e decodificador.

Principais Contribuições

1. Extensão do EXAQC para Classificação de Imagens: O artigo escala com sucesso o framework EXAQC de problemas de baixa dimensão para conjuntos de dados de imagens complexas (MNIST, Fashion-MNIST, CIFAR-10), demonstrando que circuitos evoluídos podem encontrar transformações úteis em características de imagens comprimidas.
2. Descoberta Automatizada de Módulos Quânticos Compactos: Ao contrário de métodos que dependem de ansätze fixos, a abordagem proposta evolui circuitos adaptados às características aprendidas, resultando em módulos quânticos compactos (20–60 portas) que substituem componentes clássicos maiores.
3. Uso Inovador de Codificação U3: O trabalho introduz o uso de portas U3 como um mecanismo de codificação quântica dentro de um framework de busca evolutiva, distinguindo-se de trabalhos anteriores que não empregaram essa estratégia de codificação específica.
4. Eficiência de Parâmetros: O estudo fornece evidência empírica de que modelos híbridos evoluídos podem alcançar acurácia competitiva com significativamente menos parâmetros em comparação com baselines de aprendizado profundo puramente clássicos.

Resultados Experimentais

O framework foi avaliado em três conjuntos de dados com complexidades variadas:

• Desempenho Preditivo:

  • MNIST: 98,42% de acurácia.
  • Fashion-MNIST: 90,62% de acurácia.
  • CIFAR-10: 85,47% de acurácia.
  • Estes resultados excedem ou igualam métodos anteriores de busca de arquitetura quântica (QAS) (ex: EQNAS, AQEA-QAS) no CIFAR-10, utilizando menos portas.

• Impacto da Codificação:

  • No MNIST, a escolha da codificação teve impacto mínimo (diferenças < 1%).
  • No CIFAR-10, codificações baseadas em rotação (RX, RY, U3) superaram significativamente a codificação de amplitude (83,75–86,68% vs. 61,38%). A codificação U3 rendeu a maior acurácia (86,68%), mas exigiu os maiores circuitos (60 portas, 40 parâmetros).

• Eficiência de Parâmetros:

  • CIFAR-10: O modelo híbrido EXAQC alcançou 85,68% de acurácia com 100.173 parâmetros, igualando uma CNN de 10 camadas (85,50%) que exigiu 2.569.962 parâmetros (uma redução de 96,1%). Também permaneceu dentro de 1,4% da acurácia da ResNet18 com 99,1% menos parâmetros.
  • Fashion-MNIST: O modelo híbrido superou uma CNN de 1 camada (91,11% vs. 89,47%) com 54,8% menos parâmetros.

• Complexidade do Circuito:

  • Os circuitos evoluídos para o CIFAR-10 foram substancialmente maiores e mais emaranhados do que os do MNIST, apresentando arranjos irregulares e não em camadas de rotações de um único qubit e portas controladas de múltiplos qubits, diferindo de templates padrão projetados manualmente.

Significância e Alegações

O artigo alega que a descoberta automatizada de circuitos via busca evolutiva produz módulos quânticos compactos capazes de substituir componentes clássicos maiores em arquiteturas de visão sem sacrificar a acurácia competitiva. A significância deste trabalho reside em:

• Escalabilidade: Demonstrar que PQCs evoluídos podem lidar com as representações de características comprimidas de conjuntos de dados de imagens complexas, diminuindo a lacuna entre as limitações de hardware de curto prazo e os requisitos de dados de alta dimensão.
• Eficiência: Estabelecer que modelos híbridos podem alcançar desempenho de estado da arte para sua classe com contagens de parâmetros drasticamente reduzidas, abordando as restrições de recursos do hardware quântico atual.
• Adaptabilidade: Destacar que a arquitetura quântica e a estratégia de codificação ideais não são universais, mas dependem fortemente do conjunto de dados e da qualidade da extração de características clássicas.

Os autores concluem que, embora os resultados sejam promissores, trabalhos futuros devem abordar a dependência de simulação, a necessidade de comparações padronizadas com a literatura existente e a otimização conjunta de codificadores e circuitos quânticos. Eles também observam que o custo da busca evolutiva aumenta com a complexidade do circuito, sugerindo a necessidade de estratégias de busca distribuída mais eficientes.