A classificação do Transtorno do Espectro Autista (TEA) usando técnicas de neuroimagem ainda não é uma tarefa fácil, pois as características apresentam alta dimensão, variabilidade entre locais e um pequeno número de amostras rotuladas. Neste artigo, o HybridVQC, uma arquitetura neural híbrida inspirada em quantum, incorpora conceitos matemáticos de circuitos quânticos em uma arquitetura de aprendizado totalmente clássica, que pode ser executada em uma GPU. Cortes de MRI estrutural da ABIDE são alimentados através de um backbone pré-treinado do ResNet-18 para obter representações profundas, e as representações profundas são cortadas para 16 componentes principais na Análise de Componentes Principais (PCA). As características baixas são posteriormente aplicadas a um QuantumLikeLayer especial, que utiliza codificação trigonométrica e mistura densa de características para simular os efeitos de rotação quântica e entrelaçamento em CUDA convencional. Os resultados de experimentos com 1.693 cortes de MRI estrutural revelam que a precisão máxima de validação e teste é de 80,63 e 75,0, respectivamente, em comparação com 56% de uma linha de base SVM clássica usando os mesmos parâmetros. Os achados indicam que transformações não lineares inspiradas em quantum têm o potencial de melhorar a separabilidade das características e a estabilidade do treinamento na classificação por neuroimagem, e não utilizam simuladores quânticos ou sistemas quânticos físicos.
Gudi et al. (Mon,) estudaram esta questão.