End-to-End Neural and Quantum Transcoding for Compressed Latent Representation under Channel Noise

ملخص تقني: الترميز التحويلي العصبي والكمي من طرف إلى طرف للتمثيل الكامن المضغوط تحت ضجيج القناة

بيان المشكلة
تتناول الورقة البحثية التحدي الحاسم المتمثل في تشفير البيانات الكلاسيكية بكفاءة إلى حالات كمية لإرسالها عبر قنوات كمية صاخبة. تعتمد مخططات الترميز التقليدية (مثل qubit lattice وQPIE) غالبًا على افتراضات غير عملية، مثل المعرفة الكاملة بالحالات الكمية بعد الإرسال أو القدرة على استخراج تقديرات تقريبية للسعة من خلال قياسات قليلة. علاوة على ذلك، فإن أطر العمل الهجينة (الكمية-الكلاسيكية) الحالية، بما في ذلك تلك التي تستخدم تجميع k-means للاتصال الدلالي، غالبًا ما تفشل في التكيف مع خصائص ضجيج القناة المحددة، مما يؤدي إلى تدهور الأداء تحت مستويات الضجيج المتغيرة. بالإضافة إلى ذلك، تفترض العديد من خوارزميات إعادة البناء إعادة بناء مصفوفة الكثافة بالكامل، وهو أمر مكلف من حيث الموارد وغالبًا ما يكون غير ممكن في السيناريوهات العملية حيث يمكن الحصول فقط على سعات الحالة التقريبية من خلال قياسات متعددة.

المنهجية
يقترح المؤلفون إطار عمل جديد للترميز التحويلي الكمي القابل للتعلم من طرف إلى طرف، يدمج ضغط البيانات العصبي مع مخطط ترميز كمي مدمج يعتمد على تحليل تشوليسكي (Cholesky decomposition). تتكون البنية من ثلاثة مكونات رئيسية:

1. الضغط العصبي (المشفر-المفكك):

   • يستخدم النظام شبكة عصبية موحدة تعتمد على كتل Swin Transformer لكل من إعادة بناء الصور ومهام التصنيف.
   • يقوم المشفر بمعالجة الصور المدخلة (المقسمة إلى رقع/patches) من خلال كتل Swin Transformer هرمية وChannel EchoNet متخصص. يقوم EchoNet بتعديل التنشيطات عبر القنوات لتنقية التمثيلات الكامنة ضد ضجيج القناة.
   • المتجه الكامن الموحد $\tilde{y}$ الناتج يتم إسقاطه على سطح كرة وحدة ($S^{N-1}$)، والذي يعمل كمدخل للمرحلة الكمية.
   • يعكس المفكك هيكل المشفر، مستخدمًا المتجه الكامن المسترد لإعادة بناء الصورة أو توليد مخرجات التصنيف (logits).

2. الترميز التحويلي الكمي المدمج (ترميز تشوليسكي):

   • بدلاً من استخدام بارامتريّة متجه الحالة أو متجهات بلوخ المعممة (التي قد لا تضمن مصفوفات كثافة قابلة للتحقيق فيزيائيًا لـ $n > 2$)، تقوم الطريقة برسم خريطة للمتجه الكامن الموحد $y$ إلى مصفوفة كثافة $\rho$ باستخدام تحليل تشوليسكي.
   • يتم إنشاء مصفوفة مثلثية سفلى مركبة $L$ حيث تقوم عناصر $y$ ببارامتريّة مدخلات $L$. تُعرف مصفوفة الكثافة كـ $\rho = LL^\dagger$.
   • يضمن هذا النهج أن تكون $\rho$ موجبة محددة ولها أثر يساوي 1 (بما أن $\|y\|_2 = 1$)، مما يحقق تلقائيًا خصائص مصفوفة الكثافة الصالحة. تم تصميم عملية الربط لتكون قابلة للعكس (باستثناء فقدان معلومات الإشارة) وفعالة من حيث درجات الحرية.

3. القناة الصاخبة والقراءة الرصدية:

   • يتم نقل الحالة الكمية $\rho$ عبر قناة إزالة الاستقطاب (depolarizing channel) تُنمذج بـ $\mathcal{E}_\epsilon(\rho) = (1-\epsilon)\rho + \frac{\epsilon}{n}I$، حيث $\epsilon$ هو معامل الضجيج.
   • بدلاً من إجراء تصوير الحالة الكمية الكامل (full quantum state tomography)، يستخرج النظام متجه ميزة $v$ يتكون من قيم التوقع لـ $K$ من الملاحظات المحددة بالمعاملات: $v_i = \text{Tr}(\mathcal{E}_\epsilon(\rho)O_i)$.
   • يتم تطبيع الملاحظات بحيث يكون $\text{Tr}(O_i^2) = 1$، مما يسمح بتقدير فعال عبر قياسات كليفورد العشوائية (الظلال الكلاسيكية/classical shadows).
   • تقوم شبكة إسقاط خطي قابلة للتعلم بإعادة بناء المتجه الكامن $\hat{y}$ من $v$.
   • والأهم من ذلك، يتم تغذية معامل الضجيج $\epsilon$ مباشرة في كل من شبكات المشفر والمفكك، مما يجعل النظام مدركًا للضجيج وقادرًا على التكيف ديناميكيًا مع ظروف القناة.

المساهمات الرئيسية

• الترميز التحويلي المدرك للمهمة والضجيج: مخطط مبتكر يجمع بين ضغط البيانات العصبية والترميز المدمج القائم على تشوليسكي الذي يتكيف صراحةً مع خصائص ضجيج القناة.
• فك التشفير الفعال: آلية فك تشفير قائمة على الملاحظات المحدودة تتجنب عدم واقعية تصوير الحالة الكمية الكامل، وتعتمد بدلاً من ذلك على الملاحظات الكمية المطبعة لضمان تصوير فعال.
• الأداء القوي: التحقق التجريبي الذي أظهر أداءً عاليًا في إعادة البناء والتصنيف عبر نطاق واسع من مستويات الضجيج، متفوقًا على النماذج المرجعية التقليدية مثل QPIE.

النتائج التجريبية
تم تقييم إطار العمل على مجموعة بيانات MNIST (صور رمادية 32x32) لكل من مهام إعادة بناء الصور والتصنيف تحت مستويات متغيرة من ضجيج إزالة الاستقطاب ($\epsilon$).

• إعادة البناء: تفوقت الطريقة المقترحة باستمرار على النموذج المرجعي QPIE من حيث PSNR وSSIM عبر جميع مستويات الضجيج. والجدير بالذكر أنها حافظت على أداء مستقر حتى عند مستويات ضجيج عالية ($\epsilon \approx 0.99$)، بينما عانى QPIE من تدهور كبير. أدى زيادة أبعاد مصفوفة الكثافة ($n$) وعدد الملاحظات ($K$) إلى تحسين جودة إعادة البناء، حيث حققت $K=10$ مخرجات ذات معنى بصري حتى في ظل الضجيج الشديد.
• التصنيف: أظهر النظام دقة Top-1 موثوقة. أشارت النتائج إلى أن أبعاد مصفوفة الكثافة الأصغر ($n$) وعدد أكبر من الملاحظات ($K$) ساهم في تحسين أداء التصنيف والمتانة.
• الملاحظات: أدى زيادة عدد الملاحظات من $K=1$ إلى $K=10$ إلى تعزيز وضوح إعادة البناء ودقة التصنيف بشكل كبير، مما يسلط الضền على ضرورة تعدد الملاحظات لتحقيق استرداد مستقر تحت الضجيج الشديد.

الأهمية والادعاءات
تدعي الورقة أن هذا الإطار يقدم حلاً عمليًا للاتصالات الكمية من خلال تحسين استخدام الكيوبت وكفاءة الترميز دون الحاجة إلى إعادة بناء مصفوفة الكثافة بالكامل. ومن خلال مواءمة درجات حرية التمثيل الكامن مع درجات حرية مصفوفة الكثافة عبر تحليل تشوليسكي، تحقق الطريقة ترميزًا مدمجًا يتسم بالمتانة ضد ضجيج القناة. يؤكد المؤلفون أن نهجهم يحافظ على الصلة الدلالية للمهام اللاحقة (إعادة البناء والتصنيف) مع التكيف ديناميكيًا مع الضجيج، مما يعالج قيود الطرق السابقة التي تفتقر إلى التكيف مع الضجيج أو تتطلب معرفة غير عملية بالحالة. ويُقترح في العمل المستقبلي توسيع إطار العمل ليشمل نماذج ضجيج أوسع ومجموعات بيانات أكثر تعقيدًا.