ملخص تقني: نماذج انتشار شرويدنجر العشوائية لتوليد مجموعات الحالات النقية

1. بيان المشكلة

في تعلم الآلة الكمي (QML)، يتم تشفير البيانات الكلاسيكية بشكل متكرر كحالات كمية نقية (متجهات في فضاء هيلبرت مع مراعاة الطور العالمي) للاستفادة من ميزات الفضاءات الكمية. عندما تكون البيانات الكمية نادرة، فإن النهج الطبيعي هو تعزيز مجموعة البيانات عن طريق أخذ عينات من حالات جديدة من المجموعة الكلية. ومع ذلك، فإن تعديل المدخلات الكلاسيكية وإعادة تشفيرها بطريقة بدائية غالبًا ما يؤدي إلى حالات كمية مرضية، مثل حالات الميزات شبه المتعامدة أو هياكل التشابك المنهارة، مما يضر باستقرار التدريب والتعميم.

يكمن التحدي في توسيع نماذج الانتشار القائمة على الدرجة (score-based diffusion models) لتشمل فضاء الحالات النقية الكمية. وخلافًا للفضاءات الإقليدية، تقطن الحالات النقية على المتعدد (manifold) الإسقاطي المركب $\mathbb{CP}^{d-1}$، المزود بمقياس فوبيني-ستودي (FS). ويقدم هذا الهندسة غير الإقليدية عقبتين رئيسيتين:

1. كثافات الانتقال غير القابلة للحل: كثافات الانتقال المطلوبة للتدريب القياسي القائم على الدرجة غير متوفرة عمومًا في شكل مغلق على $\mathbb{CP}^{d-1}$.
2. التعقيد الهندسي: يتطلب تعريف عمليات الانتشار الأمامي، والدرجات (scores)، وعينات العكس الزمني معالجة دقيقة لانحناء المتعدد وثبات الطور العالمي.

تركز مناهج "الانتشار الكمي" الحالية غالبًا على استعادة الحالة عبر القنوات الضوضائية أو تطور مصفوفة الكثافة، بدلاً من النمذجة التوليدية لمجموعات الحالات النقية.

2. المنهجية: نماذج انتشار شرويدنجر العشوائية (SSDMs)

يقترح المؤلفون نماذج انتشار شرويدنجر العشوائية (SSDMs)، وهو إطار توليدي قائم على الدرجة مُعرف مباشرة على متعدد الحالات النقية $\mathbb{CP}^{d-1}$.

2.1. الانتشار الأمامي وتحقيق معادلة شرويدنجر العشوائية (SSE)

يبني الإطار عملية انتشار أمامي مستمرة زمنيًا $\{\psi_t\}_{t \in [0,T]}$ على المتعدد $(\mathbb{CP}^{d-1}, g_{FS})$.

• عملية أورنستين-أولينك (OU) ريمانية: يتم نمذجة العملية الأمامية كعملية انتشار أورنستين-أولينك ريمانية غير متجانسة زمنيًا:
  $$d\psi_t = b(\psi_t, t) dt + \sigma(t) dW^{(M)}_t$$
  حيث $W^{(M)}_t$ هي حركة براونية على المتعدد تحت مقياس FS، و $b$ هو حد الانجراف (على سبيل المثال، السحب نحو حالة مرجعية).
• تحقيق معادلة شرويدنجر العشوائية (SSE): لربط انتشار المتعدد هذا مع الديناميكا الفيزيائية الكمية، يقدم المؤلفون تحقيقًا لمعادلة SSE على كرة هيلبرت. تُقاد الديناميكا عبر تطور وحدوي (unitary) عشوائي يتضمن هاميلتونيًا وحدود ضوضاء تشبه ليندبلاد. وعند قسمة الطور العالمي، يؤدي هذا إلى الانتشار المتماثل المطلوب على $\mathbb{CP}^{d-1}$.

2.2. ديناميكا الزمن العكسي والدرجة الريمانية

بناءً على نظرية عكس الزمن للانتشار، تكون العملية ذات الزمن العكسي أيضًا عملية انتشار على $\mathbb{CP}^{d-1}$ بنفس معامل الانتشار ولكن مع حد انجراف معدل:
$$d\psi_t = \left( b(\psi_t, t) - \sigma(t)^2 \nabla_{FS} \log p_t(\psi) \right) dt + \sigma(t) d\bar{W}^{(M)}_t$$
هنا، $\nabla_{FS} \log p_t(\psi)$ هي الدرجة الريمانية، وتُعرف بأنها تدرج لوغاريتم الكثافة بالنسبة لمقياس FS. هذا الحد هو ما يقود العملية التوليدية من توزيع سابق بسيط (مثل مجموعة Clifford $t$-design) عائدًا إلى توزيع البيانات.

2.3. هدف تعلم الوقت المحلي

بما أن كثافة الانتقال $p_t(\psi)$ والدرجة العالمية غير قابلة للحل، تستخدم نماذج SSDMs هدف تعلم الوقت المحلي:

1. التقريب المحلي: في إحداثيات فوبيني-ستودي الطبيعية المتمركزة عند نقطة $\phi$، يسمح انتشار المتعدد الجوهري بتقريب OU/VP إقليدي محلي من الدرجة الأولى للخطوات الزمنية الصغيرة $\delta t$. وتظهر تأثيرات الانحناء فقط في الرتب العليا.
2. درجة المعلم التحليلية: يوفر هذا التقريب المحلي كثافة شرطية غاوسية مغلقة في الفضاء المماسي. يوفر تدرج لوغاريتم هذه الكثافة الغاوسية درجة معلم تحليلية.
3. الرسم إلى المتعدد: يتم رسم هذه الدرجة المعلمية عائدًا إلى المتعدد باستخدام مرافق تفاضل خريطة اللوغاريتم، $(d \log_\phi)^*_\psi$.
4. التدريب: يتم تدريب شبكة درجة $s_\theta(\psi, t)$ لتقليل هدف مطابقة درجة الضجيج (denoising score matching) الريماني، وذلك عبر مطابقة درجات المعلم التحليلية المستمدة من انتقالات زمنية قصيرة.

2.4. أخذ العينات

يتم أخذ العينات عن طريق دمج معادلة SDE العكسية المتعلمة على المتعدد. تبدأ العملية من توزيع سابق يمكن التحكم فيه (يتم تقريبه بواسطة Clifford $t$-designs) وتستخدم مخطط Euler–Maruyama في الأطر المماسية المحلية، يليه عملية تقليص (retraction) (أو خريطة أسية) لإسقاط الحالة مرة أخرى على $\mathbb{CP}^{d-1}$.

3. المساهمات الرئيسية

1. إطار SSDM: تقديم إطار توليدي قائم على الدرجة مصمم خصيصًا لتوزيعات الحالات النقية الكمية على $\mathbb{CP}^{d-1}$.
2. تصميم الانتشار الجوهري: تصميم انتشار OU ريماني عبر تحقيق معادلة شرويدنجر العشوائية (SSE)، مما يؤسس جسرًا بين المسارات الكمية الفيزيائية وانتشار المتعدد.
3. تدريب الوقت المحلي: اقتراح هدف تدريب عملي يستفيد من الحد الإقليدي المحلي في إحداثيات فوبيني-ستودي الطبيعية لاستخلاص درجات معلم تحليلية، متجاوزًا الحاجة إلى كثافات انتقال عالمية مغلقة.
4. تعميم الدرجة الريمانية: اشتقاق ديناميكا الزمن العكسي المدفوعة بالدرجة الريمانية تحت مقياس FS، مما يوفر تعميمًا مبدئيًا للنمذجة القائمة على الدرجة من الفضاء الإقليدي إلى مجموعات الحالات النقية الكمية.

4. النتائج التجريبية

قيم المؤلفون نماذج SSDM على توليد مجموعات الحالات النقية لـ $n=2, 4, 6$ كيوبت وفائدتها في مهام تعلم الآلة الكمي (QML) اللاحقة.

• الجودة التوليدية: تتفوق نماذج SSDM باستمرار على النماذج المرجعية (بما في ذلك VP-SDE الإقليدي، والنماذج التوليدية القائمة على الدرجة الريمانية RSGM، وQGANs، وQuDDPMs) عبر جميع أحجام الأنظمة.
  • المقاييس: تحقق SSDM دقة حالة ($F_0$) أعلى، وأقل مسافة MMD، وأقل عدم تطابق ملحوظ ($\Delta_{obs}$)، وأقل مسافة Wasserstein للتشابك.
  • تأثير الهندسة: يؤدي النمذجة الجوهرية لهندسة FS إلى تحسينات كبيرة مقارنة بالنماذج المرجعية الإقليدية، خاصة مع زيادة أبعاد النظام، مما يؤكد أن تعلم درجات المماس جوهريًا على $\mathbb{CP}^{d-1}$ أمر بالغ الأهمية.
• الإشراف بالوقت المحلي: تظهر دراسات الاستئصال (Ablation studies) أن استخدام درجات معلم OU المحلية التحليلية يحسن جودة أخذ العينات بشكل كبير مقارنة بالتقريبات باستخدام الفروق المحدودة أو النماذج التي تفتقر إلى الإشراف المحلي.
• الفائدة في QML اللاحقة: في مهام تعزيز البيانات على مستوى التمثيل، تعمل الحالات المولدة بواسطة SSDM على تحسين تعميم المصنفات اللاحقة (مثل Kernel SVM، والمصنفات المتغيرة) في ظل البيانات المحدودة، وهو ما يتضح من خلال تحسن محاذاة النواة (kernel alignment)، وفجوة النواة (kernel gap)، ومتوسط الهامش (mean margin).

5. الأهمية والادعاءات

يزعم البحث أن نماذج SSDM توفر مسارًا مبررًا فيزيائيًا ومبدئيًا هندسيًا للنمذجة التوليدية القائمة على الدرجة لمجموعات الحالات النقية الكمية.

• تعزيز مستوى التمثيل: يتيح الإطار توليد تمثيلات كمية جديدة مباشرة في فضاء الميزات، مما يقدم حلاً لندرة البيانات في QML دون المشكلات الناتجة عن تعديل المدخلات الكلاسيكية.
• الضرورة الهندسية: تُظهر النتائج أن احترام هندسة فوبيني-ستودي ليس مجرد تحسين نظري بل ضرورة عملية لضمان استقرار ودقة أخذ العينات في فضاءات الحالة الكمية عالية الأبعاد.
• الربط بين الفيزياء وتعلم الآلة: من خلال استخدام تحقيق SSE، يربط العمل بين الديناميكا العشوائية الكمية والنمذجة التوليدية الحديثة، مما يوفر مبدأ تصميم مرن لعمليات انتشار أمامي مستقرة على المتعددات المنحنية.

يشير المؤلفون إلى وجود قيود، بما في ذلك الاعتماد على تقريبات الخطوات الصغيرة لإشارة المعلم المحلية، والتركيز الحالي على الحالات النقية (باستساخ الحالات المختلطة)، وتحديات القابلية للتوسع المتأصلة في النمو الأسي لفضاء هيلبرت والهندسة غير الخطية لـ $\mathbb{CP}^{d-1}$. ومع ذلك، فإنهم يضعون SSDMs كخطوة تأسيسية نحو محاكاة فعالة للبدائل الكلاسيكية لمجموعات الحالة الكمية في عصر الكم القريب.