Ottimo risultato del team QubiTO all’hackathon GenQ del CERN

Il team studentesco QubiTO ha recentemente conquistato il secondo posto all’hackathon GenQ, organizzato da QAIVentures al CERN di Ginevra. Il team affrontato una sfida incentrata sul miglioramento della classificazione di immagini del tumore al seno a partire dal dataset BreastMNIST, utilizzando una Quantum Convolutional Neural Network (QCNN). Il progetto ha avuto un duplice obiettivo: in primo luogo, valutare sistematicamente diverse tecniche di encoding quantistico per mappare i dati delle immagini classiche sui qubit, analizzandone l'impatto sulle risorse quantistiche richieste (numero di qubit, numero di gate, profondità del circuito); in secondo luogo, esplorare strade per potenziare la robustezza del modello.

Andando oltre una semplice analisi degli encoding, il team ha innovato l'architettura centrale della QCNN integrando un percorso classico parallelo per l'analisi topologica dei dati (TDA). Questo modulo è progettato per estrarre caratteristiche persistenti e resistenti al rumore dalle immagini. Gli output dei due flussi, quantistico e topologico, sono stati quindi fusi e inviati a un layer classico finale per la classificazione.

Le indagini iniziali del team sulla resilienza di questo modello ibrido hanno mostrato segni promettenti. Quando esposto a profili di rumore sintetici che mimano artefatti di macchine MRI vecchie o danneggiate, il comportamento del modello ha indicato una potenziale resistenza al rumore migliorata rispetto alla QCNN di base. Sebbene questa ipotesi richieda una validazione più approfondita, suggerisce una prospettiva affascinante per la ricerca futura. Questo lavoro esplora un nuovo paradigma per lo sviluppo di strumenti diagnostici affidabili, che potrebbero un giorno rivelarsi preziosi in contesti difficili, come i Paesi in via di sviluppo, dove le apparecchiature di imaging medico possono essere soggette a produrre immagini rumorose.