Classificador Quântico Variacional: imagens reais x geradas por IA

📌 Motivações e Objetivos

  O projeto busca não apenas identificar qual técnica apresenta melhor desempenho, mas também explorar a viabilidade prática e a escalabilidade dos modelos quânticos em tarefas reais de classificação de imagens. Esta proposta pretende avançar o estado da arte na detecção de imagens geradas por IA, avaliando o potencial dessas novas tecnologias em aplicações críticas do mundo real.

📚 O que é o projeto?

  Este projeto propõe e compara duas abordagens distintas para a detecção de imagens geradas por inteligência artificial (IA) a partir de um classificador quântico variacional, com ênfase em imagens sintéticas criadas por modelos generativos como GANs (Redes Adversárias Generativas) e Diffusion Models. Essa iniciativa, parte em consequência da crescente dificuldade em distinguir imagens artificiais de reais, fator que levanta sérias preocupações em áreas como jornalismo, verificação de autenticidade, segurança digital e arte. Assim, este trabalho busca explorar soluções tecnológicas capazes de mitigar esse desafio emergente.

O projeto se estrutura em duas arquiteturas principais:

📘 Modelo V1 – Utiliza da Principal Component Analysis (PCA) e Circuito Quântico variacional

  Nesta abordagem, as imagens são pré-processadas e reduzidas em dimensão com o algoritmo PCA (Principal Component Analysis), gerando vetores com um número menor de características representativas. Esses vetores são, então, utilizados como entrada em um circuito quântico variacional. O foco está na aplicação de embeddings angulares para a codificação dos dados em qubits, utilizando templates de entrelaçamento disponíveis no PennyLane. O objetivo é testar o potencial da computação quântica em um modelo focado em performace para tarefas de classificação binária.

📗 Modelo V2 – Extração de Parâmetros e Circuito Quântico Variacional

  Nesta segunda abordagem, são extraídas manualmente características visuais das imagens, como entropia, cor, textura e componentes de Fourier. Posteriormente, os valores extraídos também podem ser utilizados como entrada em um circuito quântico variacional, permitindo a experimentação com diferentes estratégias de codificação (como embeddings em amplitude ou nos eixos RX, RY e RZ) e com várias combinações de camadas quânticas, para fins comparativos do modelo anterior em relação a outro modelo focado em escalabilidade.

Ambas as abordagens utilizam validação cruzada, ajustes de funções de perda e diferentes otimizadores para construir classificadores binários robustos, capazes de distinguir com eficiência imagens reais de imagens artificiais.