Learning to Maximize Quantum Neural Network Expressivity via Effective Rank

ملخص تقني: التعلم لتعظيم التعبيرية في الشبكات العصبية الكمومية عبر الرتبة الفعالة

بيان المشكلة
تُعد الشبكات العصبية الكمومية (QNNs)، التي يتم تنفيذها كدوائر كمومية معلمية (PQCs)، ركيزة أساسية في الخوارزميات الكمومية التباينية في مجالات تتراوح من الكيمياء الكمومية إلى النمذجة المالية. ويعتمد أداؤها بشكل كبير على "التعبيرية" (expressivity)—أي القدرة على تمثيل الدوال المعقدة ضمن فضاءات هيلبرت عالية الأبعاد. ومع ذلك، لا يزال قياس هذه التعبيرية بدقة يمثل تحديًا كبيرًا. فالمقاييس الحالية، مثل المقياس الإحصائي Expr أو البعد الفعال، غالبًا ما تتطلب أخذ عينات مكلفة حاسوبيًا عبر كامل فضاء المعلمات، أو تقتصر على الدوائر الوحدوية (unitary circuits)، مما يجعلها عاجزة عن مراعاة التفاعل بين ترميز البيانات، وبروتوكولات القياس، وبنية الدائرة. علاوة على ذلك، هناك نقص في وجود إطار عمل موحد لتحسين تصميمات الدوائر بناءً على هذه العوامل.

المنهجية
يقدم المؤلفون الرتبة الفعالة ($\kappa$) كمقياس كمي لتعبيرية الشبكات العصبية الكمومية (QNN). ويُشتق هذا المقياس من مصفوفة معلومات فيشر الكلاسيكية (FIM) المرتبطة ببروتوكولات قياس محددة.

• التعريف: تقيس مصفوفة معلومات فيشر (FIM)، $F_{ij}(\theta)$، حساسية توزيع احتمالية المخرجات $P(y|\theta, x)$ للتغيرات في معلمات الدائرة $\theta$. وتُعرف الرتبة الفعالة $\kappa$ بأنها رتبة هذه المصفوفة.
• الأساس النظري: بخلاف المقاربات السابقة التي تعتمد على معلومات فيشر الكمومية أو أخذ العينات العشوائية من نوع "هير" (Haar-random)، يستخدم هذا الإطار مصفوفة معلومات فيشر الكلاسيكية لدمج أدوار ترميز البيانات $\rho(x)$، والنموذج الكمومي (ansatz) $U(\theta)$، ومؤثرات القياس $\{\hat{M}\}$ بشكل صريح.
• الميزة التشغيلية: تلتقط $\kappa$ عدد المعلمات المستقلة فعليًا التي تساهم في مخرجات النموذج. كما أنها تتجنب التكلفة الحسابية لأخذ العينات الشامل للمعلمات المطلوبة لمقاييس مثل Expr، وتوفر توصيفًا يعتمد على البيانات.

المساهمات الرئيسية والنتائج

1. التفاعل بين العوامل: توضح الدراسة أن تعبيرية الشبكة العصبية الكمومية ليست خاصية جوهرية للدائرة وحدها، بل تنبثق من التحسين المشترك لثلاثة مكونات:

   • مجموعة البيانات: عدد وتعقيد الحالات الكمومية المدخلة.
   • بروتوكول القياس: مجموعة المؤثرات المرصودة.
   • بنية الدائرة: ترتيب البوابات.
     تظهر المحاكاة العددية أنه بالنسبة لنظام مكون من $n$ من الكيوبتات، يمكن للرتبة الفعلة $\kappa$ أن تصل إلى حدها الأقصى النظري $d_n = 4^n - 1$ (بعد جبر Lie الخاص بـ $SU(2^n)$) فقط عندما تكون البيانات المدخلة وبروتوكولات القياس غنية بالمعلومات بما يكفي لتمييز جميع اتجاهات المعلمات المستقلة.

2. تحليل المقايضة: تبحث الورقة في العلاقة بين عمق الدائرة وكفاءة المعلمات. وبينما يؤدي زيادة عدد الوحدات البنائية (العمق) عمومًا إلى زيادة الرتبة الفعالة (التعبيرية)، إلا أنه غالبًا ما يقلل من كفاءة المعلمات ($\eta = \kappa/p$، حيث $p$ هو إجمالي عدد المعلمات). تشير الكفاءة المنخفضة إلى أن العديد من المعلمات تقابل قيمًا ذات قيم ذاتية قريبة من الصفر في مصفوفة معلومات فيشر، مما قد يؤدي إلى مشكلات "الهضاب القاحلة" (barren plateaus) وانخفاض القدرة على التدريب.

3. التصميم الآلي للبنية: بالاستفادة من $\kappa$ كإشارة مكافأة، استخدم المؤلفون إطار عمل التعلم التعزيزي (RL) مع وكيل محول يعتمد على آلية الانتباه الذاتي (self-attention transformer agent) لاكتشاف بنيات دوائر عالية التعبيرية تلقائيًا.

   • العملية: يقوم الوكيل ببناء الدوائر بالتتابع بوابة تلو الأخرى، حيث يتم تحويل العمليات (بوابات الكيوبت الواحد وCNOTs) إلى تسلسل من الرموز (tokens).
   • الأداء: في تجربة على نظام مكون من 3 كيوبتات وعمق دائرة $L=10$، حدد وكيل التعلم التعزيزي تكوينًا برتبة فعالة بلغت 16 خلال حوالي 400 جولة تدريبية. وقد تفوق هذا الأداء على كل من تكوين السلسلة القياسي (رتبة 13) وعلى البحث العشوائي.
   • التحسين: حققت البنية المثلى المكتشفة تعبيرية أعلى مع عدد أقل من بوابات الكيوبت الثنائية مقارنة بالنموذج المرجعي، مما يشير إلى تحسن في الجدوى التجريبية نظرًا لارتفاع دقة عمليات الكيوبت الواحد.

الأهمية
تزعم الورقة أنها توفر مسارًا عمليًا، وقابلًا للتوسع، وفعالًا حاسوبيًا لبناء دوائر كمومية تعبيرية. ومن خلال الربط بين التوصيف النظري والتصميم الآلي، فإن النهج المقترح:

• يقدم منظورًا موحدًا لتعبيرية الشبكات العصبية الكمومية يأخذ في الاعتبار البيانات، والقياسات، والبنية.
• يتيح التصميم المنهجي لتهيئات الدوائر المحسنة والمصممة خصيصًا لقيود تجريبية محددة (الاتصال، العمق، مخططات القياس) عبر المحاكاة الكلاسيكية غير المتصلة (offline).
• يقلل من التكاليف التجريبية من خلال تحديد البنيات عالية الأداء قبل النشر على الأجهزة الكمومية.
• يمتد ليشمل الإعدادات التي تعمل عبر الإنترنت (online) عبر حلقات هجينة كمومية-كلاسيكية، مما يجعله قابلًا للتطبيق على المنصات الكمومية الحالية والقريبة من المستقبل.

يؤسس هذا العمل للرتبة الفعالة ككمية مركزية لتشخيص سعة الدائرة وتوجيه الاكتشاف الآلي لنماذج التعلم الآلي الكمومي الفعالة.