Resumo Técnico: Inteligência Visual Baseada em Geometria para Reconhecimento de Gestos

1. Definição do Problema

Os sistemas atuais de IA visual de última geração para reconhecimento de gestos dependem de abordagens "pixel-first" (primeiro o pixel), alimentando redes convolucionais ou de transformadores com quadros de vídeo brutos. Embora precisos, esses sistemas sofrem de duas limitações críticas:

1. Falta de Interpretabilidade: As representações internas são embeddings de pixels de alta dimensão que são estatisticamente poderosos, mas geometricamente sem sentido. Eles carecem de conceitos explícitos como curvatura, ângulos ou topologia, tornando-os incompatíveis com sistemas de raciocínio Neuro-Simbólicos (NeSy) que exigem regras verificáveis e composíveis.
2. Incompatibilidade Quântica: As arquiteturas de visão quântica existentes tentam mapear dados de pixels brutos para circuitos quânticos. Isso exige uma codificação forçada e com perda que destrói a correspondência estrutural entre os dados visuais e os parâmetros das portas quânticas.

O artigo propõe que uma abordagem "geometry-first" (geometria primeiro) — computando propriedades de geometria diferencial explícitas antes do processamento neural — pode resolver ambos os problemas ao fornecer uma base simbólica e interpretável que se alinha nativamente com a computação quântica.

2. Metodologia

O framework proposto consiste em duas arquiteturas principais: a Rede Geométrica Profunda (DGN - Deep Geometric Network) e a Rede Geométrica Quântica (QGN - Quantum Geometric Network).

A. Extração de Características Geométricas (A Camada Simbólica)

Antes de qualquer aprendizado ocorrer, o sistema computa 128 valores escalares por quadro a partir de vídeos brutos usando geometria diferencial estabelecida, não embeddings aprendidos. Essas características são:

• Curvatura de Ricci: Mede a agudeza das curvas na trajetória dos dedos.
• Parametrização de Bézier: Descreve a forma dos arcos de movimento traçados pelas pontas dos dedos.
• Velocidade Angular: Calcula a velocidade de rotação de segmentos esqueléticos.
• Conectividade Topológica: Define a estrutura de grafo ponderado da mão com base na proximidade de marcos (landmarks) 3D.

Essas 128 dimensões são nomeadas, interpretáveis e matematicamente definidas (ex: "A Dimensão 7 é a curvatura de Ricci da trajetória da ponta do dedo indicador").

B. Rede Geométrica Profunda (DGN)

A DGN processa o vetor geomético de 128 dimensões através de um codificador temporal para classificar gestos. O artigo avalia três arquiteturas temporais em sequências de 36 quadros:

• Transformer: Trata todos os quadros igualmente via mecanismos de atenção.
• LSTM Bidirecional: Processa sequências para frente e para trás.
• Mamba (Modelo de Espaço de Estado Seletivo): Atualiza a memória dinamicamente com base na informatividade da entrada. Os autores argumentam que o Mamba é unicamente adequado para sequências geométricas, pois retém a memória durante quadros redundantes e atualiza apenas durante mudanças geométricas decisivas (ex: um encurvamento de dedo).

C. Rede Geométrica Quântica (QGN)

A QGN estende a DGN ao rotear as características geométricas através de um Circuito Quântico Variacional (VQC).

• Mapeamento Nativo: Valores escalares geométricos (ângulos, curvaturas) são codificados diretamente como parâmetros de portas de rotação ($\theta, \phi$) na esfera de Bloch. Isso não requer codificação forçada, preservando o significado semântico da entrada.
• Arquitetura: O sistema utiliza 8 qubits (restrição atual de hardware) com 3 camadas de transformação.
• Gargalo: Devido ao limite de 8 qubits, a entrada de 128-D deve ser comprimida 16 vezes (128 $\to$ 8) antes de entrar no circuito, descartando informações significativas.

3. Principais Contribuições

1. Arquiteturas DGN & QGN: O primeiro pipeline completo do vídeo bruto para características geométricas de 128 dimensões, seguido por classificação clássica (Mamba/LSTM) ou quântica.
2. Fundação Neuro-Simbólica: Estabelece uma camada de "percepção simbólica" onde as características são derivadas de definições matemáticas em vez de dados, permitindo o raciocínio lógico subsequente.
3. Análise do Codificador Temporal: Identifica o Mamba como o codificador superior para movimentos geométricos suaves e estruturados localmente, superando os Transformers e LSTMs neste domínio específico.
4. Diagnóstico do Gargalo Quântico: Isola rigorosamente a lacuna de desempenho entre modelos clássicos e quânticos como uma restrição de hardware (contagem de qubits) e não uma falha algorítmica.
5. Ablação de Escalonamento de Qubits: Um experimento controlado demonstrando que aumentar a contagem de qubits de 8 para 12 (mantendo todas as outras variáveis constantes) recupera +8,0 pontos percentuais em precisão, provando que o sistema escala com a capacidade do hardware.

4. Resultados Experimentais

O sistema foi avaliado no dataset Jester (148.092 vídeos, 27 classes).

• Desempenho Estático: Sobre características geométricas de quadro único, uma Regressão Logística simples alcançou 52,61% de precisão (15$\times$ a chance aleatória) e uma linha de base de Rede Neural atingiu 61,70%. Isso confirma que as características geométricas sozinhas carregam um sinal discriminativo forte.
• Desempenho Temporal:
  • DGN-Mamba: Alcançou 65,77% de precisão, o melhor resultado entre os modelos clássicos. Isso representa um ganho de +4 pontos sobre os modelos estáticos, destacando o valor da dinâmica de movimento.
  • QGN-Mamba: Alcançou 59,19% de precisão.
• A Lacuna Quântica: A diferença de 6,6 pontos entre o DGN-Mamba e o QGN-Mamba é atribuída inteiramente à compressão de 16$\times$ necessária para ajustar 128 dimensões em 8 qubits.
• Evidência de Escalonamento:
  • 8 Qubits: 39,90% de precisão (em um subconjunto de 20K).
  • 12 Qubits: 47,90% de precisão.
  • Resultado: Um ganho de +8,0 pontos exclusivamente pelo aumento da contagem de qubits.
  • Projeção: Ao atingir 128 qubits (dentro do roadmap da IBM), a razão de compressão torna-se 1:1, teoricamente permitindo que a QGN iguale ou exceda o desempenho clássico em um espaço de estados de $2^{128}$.
• Características de Fluxo (Flow): Adicionar deltas de movimento explícitos (entrada de 192-D) proporcionou ganho negligível (+0,09%) para modelos clássicos (pois o Mamba aprende a dinâmica implicitamente), mas melhorou a QGN em +1,54%, confirmando que a camada quântica é responsiva a entradas mais ricas quando há capacidade disponível.

5. Significância e Alegações

O artigo argumenta que a geometria é a linguagem correta para a IA visual no contexto tanto do raciocínio neuro-simbólico quanto da futura era quântica.

• Interpretabilidade: Diferente dos embeddings baseados em pixels, as características geométricas são proposições verificáveis (ex: "curvatura > 0,4") que podem ser compostas em regras lógicas ou grafos de conhecimento.
• Prontidão Quântica: O artigo afirma que a QGN é a primeira arquitetura de visão quântica com um "mapeamento baseado em princípios e livre de parâmetros" entre a representação visual e a computação quântica. Valores geométricos são naturalmente ângulos de rotação, eliminando a necessidade de codificação com perda.
• Trajetória de Hardware: A lacuna de desempenho não é uma falha algorítmica, mas uma limitação de hardware. Os autores afirmam que, conforme a contagem de qubits atingir 64–128 (previsto para a próxima década), a QGN operará em um substrato computacional ($2^{128} \approx 10^{38}$) inacessível aos modelos clássicos, sem exigir mudanças no algoritmo subjacente ou na extração de características.
• Escopo: Os autores declaram explicitamente que não construíram o reconhecedor de gestos mais preciso (o SOTA baseado em pixels atinge ~93–97%). Em vez disso, construíram uma fundação principiológica para a próxima geração de IA que é interpretável hoje e pronta para o futuro quântico.

O trabalho conclui que o pipeline "geometry-first" é aplicável a qualquer domínio onde o movimento possui estrutura interpretável, incluindo robótica cirúrgica, reabilitação, língua de sinais e automação industrial, fornecendo um caminho escalável para a inteligência geral.