🔬 óptica

Seeing Why: Exact Evidence Maps for Quantum and Optical Image Classifiers

Este artigo introduz os Mapas de Evidência de Born (BEM), um método exato e livre de aproximações para interpretar classificadores de imagens quânticas lineares e totalmente ópticos ao decompor as probabilidades de classe em contribuições de amplitude mensuráveis, demonstrando sua eficácia na identificação de características críticas e na revelação de atalhos de dados através de experimentos em hardware quântico da IBM, tanto simulados quanto reais.

Autor original: Teerawat Tongloy, Rangsan Jomtarak

Publicado 2026-11-03

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autor original: Teerawat Tongloy, Rangsan Jomtarak

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 pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Quando um computador olha para uma fotografia e decide o que vê, o raciocínio por trás dessa escolha é geralmente um mistério. Mesmo os sistemas mais avançados operam como caixas pretas: eles recebem uma imagem e entregam um rótulo, mas o caminho entre os dois está escondido dentro de camadas de cálculos complexos. Cientistas desenvolveram métodos para adivinhar quais partes de uma imagem foram mais importantes, mas essas suposições são frequentemente aproximações que não somam o total da decisão final. Essa falta de transparência é um obstáculo significativo, especialmente à medida que pesquisadores começam a construir classificadores usando luz ou partículas quânticas em vez de chips de silício tradicionais. Se essas novas máquinas devem ser confiáveis, precisamos saber exatamente por que tomaram uma decisão, não apenas uma suposição. O desafio é encontrar uma maneira de ver o raciocínio dentro da máquina, de rastrear a decisão de volta aos pixels específicos que a impulsionaram, sem perder a precisão ou depender de estimativas grosseiras.

Uma equipe de pesquisadores construiu agora um sistema que resolve esse problema tanto para classificadores de imagens ópticas quanto quânticas. Eles criaram uma máquina que pode olhar para uma foto e, ao mesmo tempo, produzir um mapa mostrando exatamente quais partes daquela imagem contribuíram para a resposta. Diferente de métodos anteriores que oferecem apenas uma estimativa, este sistema fornece uma prestação de contas exata. Cada fragmento de evidência que a máquina reúne soma-se perfeitamente à probabilidade final de sua decisão. Os pesquisadores demonstraram isso em dois tipos de hardware muito diferentes: um chip de computador quântico e um banco óptico simulado feito de lentes e luz. Em ambos os casos, eles puderam apontar para os pixels específicos que convenceram a máquina a identificar um barco, um leopardo ou um carro, e puderam provar que esses pixels eram a verdadeira razão para a decisão.

O cerne deste trabalho é uma nova forma de codificar imagens para que a máquina trate características escuras e claras com igualdade. Em muitos sistemas, áreas brilhantes de uma foto dominam a análise, fazendo com que a máquina ignore detalhes escuros, porém importantes. Os pesquisadores resolveram isso deslocando a imagem de modo que o brilho médio se torne um ponto de referência neutro. Isso permite que uma sombra escura no casco de um barco tenha tanto peso quanto uma mancha brilhante no céu. Uma vez que a imagem é preparada desta forma, ela passa por uma série de filtros. Na versão óptica, a luz viaja através de uma série de placas de vidro que dobram e moldam o feixe. Na versão quântica, a imagem é traduzida para o estado de alguns bits quânticos, que são então manipulados por uma sequência específica de operações. Ambos os caminhos levam a uma medição final que determina a classe do objeto.

O que torna este trabalho único é a capacidade de fazer engenharia reversa da decisão. Os pesquisadores mostraram que a matemática por trás desses sistemas lineares permite decompor a probabilidade final em contribuições de cada um dos pixels. Eles chamam esses mapas de "mapas de evidência de Born". Esses mapas atuam como um mapa de calor, destacando as partes da imagem que empurraram a máquina em direção a uma resposta específica e mostrando quais partes a afastaram. Como a matemática é exata, a soma de todas essas contribuições de pixels é igual à confiança da máquina em sua resposta. Não há aproximação envolvida; a explicação é tão precisa quanto a própria decisão. Esta é uma mudança significativa em relação a outros métodos, que frequentemente exigem a execução da imagem através do sistema milhares de vezes com diferentes partes bloqueadas para adivinhar o que importava. Aqui, a explicação vem diretamente da execução única da imagem.

Para testar se esses mapas eram realmente úteis, os pesquisadores realizar der um experimento rigoroso. Eles pegaram um conjunto de imagens de teste e deletaram sistematicamente os pixels que o mapa dizia serem os mais importantes. Quando removeram apenas cinco por cento dos pixels com maior evidência, a precisão da máquina despencou de setenta e três por cento para nove por cento. Isso provou que o mapa estava identificando corretamente as características críticas. Em contraste, quando deletaram pixels baseados em métodos mais antigos e menos precisos, a precisão da máquina mal caiu. Os mapas também revelaram uma falha oculta nos dados que estavam utilizando. O sistema percebeu que fotos de leopardos em seu conjunto de treinamento frequentemente possuíam uma faixa escura na borda superior, uma peculiaridade de como as fotos foram cortadas. A máquina aprendeu a usar essa faixa escura como um atalho para identificar leopardos, em vez de olhar para o próprio animal. Os pesquisadores usaram os mapas para detectar esse comportamento, removeram as faixas escuras das imagens e treinaram o sistema novamente. O resultado foi uma máquina que finalmente aprendeu a reconhecer o corpo e as manchas do leopardo, em vez do espaço vazio acima dele.

Os pesquisadores então pegaram seu design óptico e o executaram em um computador quântico real, especificamente o chip IBM ibm_kingston. Eles carregaram trezentas imagens de teste no chip e pediram que ele as classificasse. A máquina alcançou uma precisão de trinta e sete vírgula sete por cento, o que é quase quatro vezes melhor do que o acaso. Mais importante, eles mediram os mapas de evidência diretamente no chip para uma seleção de imagens. Essas medições do mundo real corresponderam aos mapas teóricos exatos com uma correlação de zero vírgula setenta e sete. Isso confirmou que o hardware quântico não estava apenas tomando decisões, mas também produzindo o mesmo raciocínio interno exato que a teoria previa. Embora o chip quântico fosse limitado pela dificuldade de carregar as imagens em sua memória, a simulação óptica mostrou que um banco físico de lentes e espelhos poderia atingir uma precisão de setenta e dois vírgula três por cento nas mesmas fotografias coloridas.

O estudo também estabeleceu os requisitos físicos para construir tal máquina óptica. Os pesquisadores simularam os efeitos de imperfeições do mundo real, como desalinhamentos leves das placas de vidro ou flutuações na potência do laser. Eles descobriram que o sistema é surpreendentemente robusto; pode tolerar pequenos erros de alinhamento e ainda assim performar bem. No entanto, o alinhamento deve ser preciso dentro de cerca de um mícron, e a potência do laser deve permanecer estável durante a medição. Essas descobertas fornecem um roteiro claro para engenheiros que desejam construir esses dispositivos. O trabalho demonstra que é possível criar classificadores de imagens que não são apenas precisos, mas totalmente transparentes. Ao usar luz ou partículas quânticas, e ao projetar o sistema para ser linear, os pesquisadores removeram o mistério do processo de tomada de decisão. A máquina não apenas dá uma resposta; ela mostra seu trabalho, pixel por pixel, provando que o caminho para entender como essas novas tecnologias pensam está agora aberto.

Resumo Técnico: Seeing Why: Mapas de Evidência Exata para Classificadores de Imagens Quânticos e Ópticos

Problema
As explicações atuais para classificadores de imagem, como gradientes, mapas de ativação de classe, Gradientes Integrados e valores de Shapley, são tipicamente aproximações. Elas frequentemente falham em somar exatamente ao que explicam a decisão ou exigem estimativa numérica via integrais de caminho ou coalizões de características. Este problema persiste em classificadores quânticos e ópticos, que muitas vezes dependem de arquiteturas híbridas com redes clássicas pré-treinadas ou requerem estimativa numérica de atribuições. Os autores abordam a necessidade de uma arquitetura de classificador de imagem onde a contribuição de cada amplitude de entrada para cada probabilidade de classe possa ser decomposta exatamente, sem aproximação, e onde essas explicações possam ser medidas diretamente no hardware que realiza a classificação.

Metodologia
O artigo propõe uma arquitetura unificada para classificadores baseados tanto em qubits quanto puramente ópticos que opera linearmente em imagens codificadas por amplitude até a medição final, sem uma rede clássica treinada antes ou depois da transformação quântica/óptica.

Codificação (O Plano Médio): Para garantir que características escuras carreguem tanto sinal quanto as claras, os autores removem a média dos canais de cada imagem dos planos de cores. Essas médias são movidas para um "plano de médias" dedicado (o quarto plano), escalonado para carregar 50% da energia da imagem. Isso permite que desvios escuros se tornem grandes amplitudes negativas com energia igual às positivas.
Máscara no Plano de Fourier: Antes do processamento principal, cada plano de cor passa por uma máscara complexa aprendida em seu domínio de frequência espacial. Em uma bancada de lentes, isso é um sistema 4f com um modulador espacial de luz; em qubits, é uma Transformada de Fourier Quântica (QFT) com uma máscara pós-selecionada. Este filtro é equivariante ao deslocamento e atua como uma convolução com um kernel real.
Processamento Principal:
- Qubits: Um circuito "brickwall" de profundidade 11 em 12 qubits, consistindo em rotações de qubit único e CNOTs de vizinhos próximos.
- Óptica: Quatro placas de fase separadas por 3,2 mm, propagando luz via difração de Fresnel.
Leitura (Born Headroom): O sistema utiliza uma "Leitura de Born Headroom" (BHR). Em vez de um softmax padrão, ele calcula o "headroom" ( $u_g$ ) para cada classe $g$ , definido como a probabilidade medida ( $P_g$ ) menos a "parcela de não-informação" da classe ( $b_g$ , a massa que uma entrada maximamente misturada receberia), normalizada pelo headroom restante ( $1-b_g$ ). Esses headrooms são convertidos em probabilidades via um LeakyReLU fixo e um softmax com um parâmetro de escala $\phi$ pré-definido, não exigindo parâmetros treináveis na camada de leitura.
Mapas de Evidência de Born (BEM): A principal contribuição teórica é a derivação de uma decomposição aditiva exata da probabilidade de classe acima de sua parcela de não-informação ( $P_g - b_g$ ). Para um mapa linear $A$ e projeção $\Pi_g$ , a evidência de uma amplitude $x$ é dada por $e_g(x) = a(x) \text{Re}[\langle Mg \rangle(x)] / Z$ , onde $M_g = A^\dagger(\Pi_g - b_g)A$ . Esta decomposição é uma identidade algébrica, equivalente aos Gradientes Integrados de um baseline zero para a forma quadrática subjacente, e soma exatamente a $P_g - b_g$ .

Principais Contribuições

Decomposição Exata: O artigo fornece uma decomposição de forma fechada e exata das probabilidades de classe para classificadores de amplitude codificados linearmente. Diferente de métodos anteriores, estes mapas somam exatamente à probabilidade da classe acima de seu baseline, evitando aproximações numéricas.
Mapas Mensuráveis em Hardware: Os autores demonstram que esses mapas de evidência podem ser estimados diretamente de medições de hardware.
- Em qubits, os mapas são derivados das probabilidades de classe usando a identidade de polarização de formas quadráticas, exigindo apenas passagens de ida e de adjunto (sem testes de Hadamard).
- Em uma bancada óptica, os mapas são derivados exclusivamente das intensidades da câmera através da medição da luz para a imagem completa, da imagem com um bloco mascarado e da imagem com o bloco mantido.
Codificação do Plano Médio: A introdução da codificação do "plano médio" mostra-se a melhoria arquitetural mais significativa, deslocando o foco da explicação do fundo para o objeto em si.
Arquitetura Unificada: Um único design (máscara de Fourier + transformação linear + BHR) serve tanto ao hardware quântico (brickwall) quanto ao óptico (placas de fase), treinado em conjuntos de dados que variam de MNIST a Caltech-10 colorido.
Descoberta de Atalho de Dados (Data Shortcut): Os mapas foram usados para identificar e remover um atalho de dados (um quadro escuro em imagens de leopardos no conjunto de dados não trimado), demonstrando a utilidade de explicações exatas para depuração de dados.

Resultados

Desempenho: No Caltech-10 (colorido, 32x32), o modelo óptico completo (quatro placas de fase) alcançou 72,3% de acurácia. O modelo de qubit (brickwall de profundidade 11) alcançou 54,9% em simulação.
Execução em Hardware: No chip quântico ibm_kingston da IBM, o modelo de qubit alcançou 37,7% de acurácia em 300 imagens de teste (3,8 vezes o acaso), comparado a 56,3% em simulação exata. A queda de acurácia foi atribuída principalmente ao circuito de carregamento de estado (fidelidade ~0,77) e não ao ruído do chip.
Qualidade da Explicação:
- Testes de Deleção: Deletar os 5% superiores de pixels por evidência reduziu a acurácia de 73% para 9% (óptico) e de 56% para 5% (qubit), correspondendo ao desempenho de métodos de oclusão, mas exigindo muito menos execuções.
- Correlação: No chip quântico, mapas de evidência de blocos 2x2 para 10 imagens classificadas corretamente correlacionaram-se com mapas exatos em r = 0,77.
- Foco no Objeto: Com o plano médio, a evidência concentrou-se no objeto (1,32–1,37 vezes a parcela de área), enquanto a codificação de amplitude simples espalhou a evidência uniformemente.
Tolerâncias: Simulações de uma bancada óptica física indicam que o sistema é robusto a moduladores de 8 bits, mas requer alinhamento preciso (deslocamentos de placa < 0,8 µm, rotação < 0,25°) e estabilidade de potência do laser (< 0,1% de deriva por quadro).

Significância e Alegações
O artigo afirma fornecer o primeiro classificador de imagem óptico cujas probabilidades de classe se decompõem exatamente em contribuições de amplitudes codificadas, e um classificador quântico sem rede clássica treinada cujas explicações foram medidas em um computador quântico real.

Os autores são modestos quanto aos resultados, declarando explicitamente:

O modelo totalmente óptico é uma rede difrativa linear; nenhuma vantagem quântica é alegada, e luz clássica é suficiente.
As acurácias (ex: 72,3% no Caltech-10) estão abaixo das de pequenas redes convolucionais eletrônicas (85,4%) ou grandes conjuntos difrativos.
A decomposição é exata para as amplitudes codificadas, não para os pixels brutos, devido à codificação de subtração de média.
Os resultados de hardware são limitados pelo estado atual do carregamento de estado quântico, não necessariamente pela arquitetura do classificador em si.
O "atalho" encontrado nos dados foi identificado usando o conjunto de teste, o que significa que os resultados no conjunto trimado são exploratórios e carecem de um holdout completamente independente.

A principal significância reside na interpretabilidade do sistema: a capacidade de medir exatamente por que um classificador linear quântico ou óptico tomou uma decisão diretamente no hardware, sem aproximação, e de usar esses mapas para validar a dependência do modelo em relação ao objeto em vez de artefatos de fundo.

Mais como este