Modelo Híbrido Quântico-Clássico para Classificação de Imagens

Hybrid Quantum-Classical Model for Image Classification

September 14, 2025

Autores: Muhammad Adnan Shahzad

cs.AI

Resumo

Este estudo apresenta uma comparação sistemática entre redes neurais híbridas quântico-clássicas e modelos puramente clássicos em três conjuntos de dados de referência (MNIST, CIFAR100 e STL10) para avaliar seu desempenho, eficiência e robustez. Os modelos híbridos integram circuitos quânticos parametrizados com arquiteturas clássicas de aprendizado profundo, enquanto os modelos clássicos utilizam redes neurais convolucionais (CNNs) convencionais. Os experimentos foram conduzidos ao longo de 50 épocas de treinamento para cada conjunto de dados, com avaliações de precisão na validação, precisão no teste, tempo de treinamento, uso de recursos computacionais e robustez adversarial (testada com perturbações de epsilon=0.1). Os principais resultados demonstram que os modelos híbridos superam consistentemente os modelos clássicos em precisão final, alcançando {99,38\% (MNIST), 41,69\% (CIFAR100) e 74,05\% (STL10) de precisão na validação, em comparação com os benchmarks clássicos de 98,21\%, 32,25\% e 63,76\%, respectivamente. Notavelmente, a vantagem híbrida escala com a complexidade do conjunto de dados, mostrando os ganhos mais significativos no CIFAR100 (+9,44\%) e no STL10 (+10,29\%). Os modelos híbridos também treinam de 5 a 12 vezes mais rápido (por exemplo, 21,23s vs. 108,44s por época no MNIST) e usam de 6 a 32\% menos parâmetros} enquanto mantêm uma generalização superior para dados de teste não vistos. Testes de robustez adversarial revelam que os modelos híbridos são significativamente mais resilientes em conjuntos de dados mais simples (por exemplo, 45,27\% de precisão robusta no MNIST vs. 10,80\% para o clássico), mas mostram fragilidade comparável em conjuntos de dados complexos como o CIFAR100 (aproximadamente 1\% de robustez para ambos). Análises de eficiência de recursos indicam que os modelos híbridos consomem menos memória (4--5GB vs. 5--6GB para os clássicos) e têm menor utilização de CPU (9,5\% vs. 23,2\% em média). Esses resultados sugerem que as arquiteturas híbridas quântico-clássicas oferecem vantagens convincentes em precisão, eficiência de treinamento e escalabilidade de parâmetros, particularmente para tarefas visuais complexas.

English

This study presents a systematic comparison between hybrid quantum-classical neural networks and purely classical models across three benchmark datasets (MNIST, CIFAR100, and STL10) to evaluate their performance, efficiency, and robustness. The hybrid models integrate parameterized quantum circuits with classical deep learning architectures, while the classical counterparts use conventional convolutional neural networks (CNNs). Experiments were conducted over 50 training epochs for each dataset, with evaluations on validation accuracy, test accuracy, training time, computational resource usage, and adversarial robustness (tested with epsilon=0.1 perturbations).Key findings demonstrate that hybrid models consistently outperform classical models in final accuracy, achieving {99.38\% (MNIST), 41.69\% (CIFAR100), and 74.05\% (STL10) validation accuracy, compared to classical benchmarks of 98.21\%, 32.25\%, and 63.76\%, respectively. Notably, the hybrid advantage scales with dataset complexity, showing the most significant gains on CIFAR100 (+9.44\%) and STL10 (+10.29\%). Hybrid models also train 5--12times faster (e.g., 21.23s vs. 108.44s per epoch on MNIST) and use 6--32\% fewer parameters} while maintaining superior generalization to unseen test data.Adversarial robustness tests reveal that hybrid models are significantly more resilient on simpler datasets (e.g., 45.27\% robust accuracy on MNIST vs. 10.80\% for classical) but show comparable fragility on complex datasets like CIFAR100 (sim1\% robustness for both). Resource efficiency analyses indicate that hybrid models consume less memory (4--5GB vs. 5--6GB for classical) and lower CPU utilization (9.5\% vs. 23.2\% on average).These results suggest that hybrid quantum-classical architectures offer compelling advantages in accuracy, training efficiency, and parameter scalability, particularly for complex vision tasks.