Qutrit-Based Neural Quantum Kernels for Classification Tasks

ملخص تقني: النواة الكمومية العصبية القائمة على الكيوترت (Qutrit) لمهام التصنيف

بيان المشكلة
ركز تعلم الآلة الكمومي (QML) إلى حد كبير على البنى القائمة على الكيوبت (أنظمة ثنائية المستوى). وبينما أظهرت الدوائر الكمومية المحددة بمعلمات (PQCs) ونماذج إعادة رفع البيانات (data re-uploading) واعداً، إلا أنها تواجه تحديات تتعلق بقابلية التدريب (مثل الهضاب القاحلة/barren plateaus) والقدرة التعبيرية. علاوة على جدار الحماية، فإن عمليات تضمين الكيوبت القياسية محدودة بنيوياً بجبر $SU(2)$، الذي يوفر ثلاثة معاملات مستقلة فقط لكل نظام فرعي، مما يحد من عدد الميزات التي يمكن تشفيرها محلياً. بالإضافة إلى ذلك، غالباً ما تتطلب النماذج القائمة على الكيوبت استراتيجيات قراءة معقدة للتصنيف متعدد الفئات. يعالج هذا البحث الحاجة إلى توسيع نطاق النواة الكمومية العصبية (NQKs) لتشمل الكيوديت (qudits) (أنظمة ذات مستويات $d$)، وتحديداً الكيوترت ($d=3$)، للاستفادة من درجات الحرية المحلية الأكثر ثراءً، وتمكين واجهات متعددة الفئات بشكل طبيعي، وتحسين كفاءة تشفير الميزات المحتملة.

المنهجية
قام المؤلفون بتوسيع إطار عمل النواة الكمومية العصبية ليشمل الكيوترت. تعمل النواة الكمومية العصبية (NQKs) عبر مرحلتين: (1) التدريب المسبق لشبكة عصبية كمومية (QNN) عبر التعلم الخاضع للإشراف لإيجاد تضمين أمثل متكيف مع المهمة، و(2) تجميد هذه المعلمات لتحديد نواة كمومية، والتي تُستخدم بعد ذلك مع آلة ناقلات الدعم (SVM) كلاسيكية.

المكونات المنهجية الرئيسية تشمل:

• البنية: تستخدم الدراسة بنية إعادة رفع البيانات حيث يتم تشفير الميزات الكلاسيكية بشكل متكرر ومتداخل مع كتل تباينية قابلة للتدريب.
• التدريب المسبق القابل للتوسع: للتخفيف من صعوبات التحسين، استخدم المؤلفون استراتيجية "النمو التدريجي". يتم تدريب النماذج بدءاً من كيوترت واحد، وتُستخدم المعلمات المتعلمة لبدء تشغيل الأنظمة الأكبر (2، 3، 4 كيوترت) عن طريق تهيئة المعلمات الجديدة (بما في ذلك بوابات التشابك) إلى الصفر.
• بناء النواة: تمت مقارنة نهجين:
  • $n$-إلى-$n$: يتم تدريب QNN مكونة من $n$ من الكيوترت مباشرة، ويتم إعادة استخدام تضمينها الكامل.
  • 1-إلى-$n$: يتم تدريب QNN مكونة من كيوترت واحد، ويتم تكرار وحدتها (unitary) المتعلمة عبر سجل مكون من $n$ من الكيوترت، مع التداخل مع عمليات تشابك ثابتة.
• تفاصيل الكيوترت:
  • التمثيل بالمعلمات (Parameterizations): تبحث الدراسة في ثلاثة تمثيلات متميزة لوحدات $SU(3)$ المكونة من الكيوترت: الهندسي (أس التعبير عن جبر Lie)، وتفكيك زوايا أويلر (Euler-angles)، وصيغة دورات جيفنز (Givens-rotations).
  • النماذج الأولية للتشابك: يستخدم بناء 1-إلى-$n$ بوابات SUM (المعممة من CNOT) ثابتة، بينما يستخدم بناء $n$-إلى-$n$ بوابات وحدة متحكم بها قابلة للتدريب مرتبة في نمط الجار الأقرب.
  • ميزانية الميزات: يتم ربط عدد الميزات المشفرة ($p$) بمعاملات مولدات $SU(3)$. بالنسبة لـ $d=3$، يمكن تشفير ما يصل إلى 8 ميزات لكل نظام فرعي.
• المهام ومجموعات البيانات: تم تقييم النماذج في مهام التصنيف الثنائي وثلاثي الفئات باستخدام أربع مجموعات بيانات مرجعية: Fashion-MNIST، وHAR (التعرف على النشاط البشري)، وMAGIC Gamma Telescope، وCovertype.

المساهمات الرئيسية

1. التوسع إلى الكيوديت: يعمم البحث إطار عمل NQK من الكيوبت إلى الكيوترت، مقدماً خيارات تصميم جديدة تتعلق بالبعد المحلي، وتمثيل المعلمات لـ $SU(3)$، وتخصيص ميزانية الميزات.
2. التحليل المنهجي للتصميم: يقدم دراسة استئصال (ablation study) شاملة حول كيفية تأثير خيارات معمارية محددة (حجم النظام $n$، ميزانية الميزات $p$، نوع بناء النواة، وتمثيل $SU(3)$) على الأداء.
3. تأثير التمثيل بالمعلمات: توضح الدراسة أن اختيار تمثيل المعلمات لـ $SU(3)$ أمر بالغ الأهمية. وقد تفوق التمثيل الهندسي (أس التعبير عن جبر Lie) باستمرار على تمثيل زوايا أويلر ودورات جيفنز من حيث ديناميكيات التحسين (أعراف التدرج، خسارة التدريب) والدقة النهائية.
4. التحقق من الأداء: تظهر الدراسة تجريبياً أن نماذج NQK القائمة على الكيوترت تتفوق عموماً على النماذج المرجعية المقابلة لها من نوع QNN (المصنفات التباينية القائمة على القياس) عبر مختلف أحجام الأنظمة وميزانيات الميزات.

النتائج

• NQK مقابل QNN: في جميع الإعدادات تقريباً على مجموعة بيانات Fashion-MNIST، حققت نماذج NQK القائمة على الكيوترت (سواء 1-إلى-$n$ أو $n$-إلى-$n$) دقة اختبار أعلى من النماذج المرجعية المقابلة لها من نوع QNN. وهذا يدعم الفرضية القائلة بأن تعلم تضمين متكيف مع المهمة وتجميده لبناء النواة ينتج مصنفاً أقوى من النموذج التبايني وحده.
• اتجاهات التوسع:
  • حجم النظام ($n$): أدى زيادة عدد الكيوترت عموماً إلى تحسين الأداء، رغم أن المكاسب مالت إلى التشبع (على سبيل المثال، عند $n=4$ لـ Fashion-MNIST).
  • ميزانية الميزات ($p$): أدت زيادة عدد الميزات المشفرة عموماً إلى تحسين الدقة، لكن العلاقة كانت تعتمد على مجموعة البيانات. فبالنسبة لبعض مجموعات البيانات (مثل Covertype)، كان الأداء غير رتيب، حيث بلغ ذروته عند أعداد ميزات متوسطة.
  • التمثيل بالمعلمات: حقق التمثيل الهندسي باستمرار أفضل النتائج. وأظهر تمثيل زوايا أويلر ودورات جيفنز أداءً أقل وسلوكيات توسع مختلفة، مما يسلط الض الضوء على أن الدور الهيكلي للمعاملات (مثل الطور مقابل الدورات) يؤثر على التعلم.
• المقارنة بالنماذج الكلاسيكية: عند مقارنتها بآلة SVM كلاسيكية تعتمد على نواة RBF مع نفس المعالجة المسبقة، ظلت نماذج NQK القائمة على الكيوترت تنافسية. وبينما حققت SVM الكلاسيكية غالباً دقة متوسطة أعلى قليلاً (ضمن حدود عدم اليقين الإحصائي)، فقد اقتربت النماذج الكمومية من هذا الأداء، بل وتجاوزت نموذج 4-إلى-4 NQK خط الأساس الكلاسيكي في مهمة Covertype ثلاثية الفئات.
• 1-إلى-$n$ مقابل $n$-إلى-$n$: عند أحجام الأنظمة المتوسطة ($n=4$)، حقق كلا البناءين دقة متقاربة، مما يشير إلى أن استراتيجية 1-إلى-$n$ الأبسط (تكرار خريطة كيوترت واحدة) يمكن أن تكون منافسة لنهج $n$-إلى-$n$ الأكثر مرونة.

الأهمية والادعاءات
يدعي البحث أن توسيع نطاق NQKs ليشمل الكيوديت ليس مجرد تعميم، بل هو مسار واعد لاستغلال هياكل البيانات المعقدة في تعلم الآلة الكمومي. تكمن الأهمية الأساسية في إثبات أن:

1. تضمينات أغنى: تسمح درجات الحرية المحلية المتزايدة في $SU(3)$ بتضمينات ميزات أغنى واستخدام أكثر كفاءة للمعاملات مقار بـ $SU(2)$.
2. الملاءمة متعددة الفئات: توفر الكيوترت واجهة طبيعية للتصنيف متعدد الفئات عبر القاعدة الحسابية، مما يتجنب الحاجة إلى مخططات ترميز معقدة تتطلبها الكيوبتات.
3. الحساسية للتصميم: أظهرت الدراسة أن أداء النماذج القائمة على الكيوديت حساس للغاية لخيارات التصميم، وخاصة تمثيل الوحدات (unitaries). وتؤكد الدراسة أن النهج "القائم على التصميم" ضروري، حيث يكون اختيار اللبنات الأساسية (التمثيل، استراتيجية التشابك) بنفس أهمية توسيع الموارد.
4. الجدوى العملية: رغم اختبارها تحت محاكاة مثالية (بدون ضجيج)، تشير النتائج إلى أن نماذج NQK القائمة على الكيوترت يمكن أن تنافس طرق النواة الكلاسيكية القوية، بشرما تم تحسين الخيارات المعمارية.

يظل المؤلفون متواضعين بشأن ادعاءاتهم، مشيرين إلى أن النتائج تقتصر على المحاكاة المثالية وأحجام الأنظمة الصغيرة بسبب التكاليف الحسابية. كما يقرون بأن فوائد التوسع تعتمد على مجموعة البيانات، وأن التفاعل بين ترميز الميزات والتمثيل بالمعلمات يتطلب توصيفاً منهجياً أكثر دقة. ويُقترح في العمل المستقبلي استكشاف المتانة تجاه الضجيج والكيوديت ذات الأبعاد الأعلى ($d > 3$).