Expressive Power and Limitations of Multi-photon Quantum Neural Networks

ملخص تقني: القدرة التعبيرية والقيود لشبكات الأعصاب الكمومية متعددة الفوتونات

بيان المشكلة
أظهرت الشبكات العصبية الكمومية (QNNs)، ولا سيما تلك التي تستخدم إعادة رفع البيانات (DRQNNs)، قدرات تقريب عالمية. وبينما أظهرت الشبكات البصرية الخطية ذات المدخلات متعددة الفوتونات (أخذ عينات بوسون) مزايا كمومية في المهام الحسابية، فإن الآلية المحددة التي يعزز بها زيادة عدد الفوتونات من القدرة التعبيرية للشبكات العصبية الكمومية (MPQNNs) لا تزال غير مستكشفة. وتحديداً، ليس من الواضح ما إذا كان يمكن تعزيز القدرة التعبيرية لـ MPQNNs بشكل لانهائي عن طريق زيادة عدد الفوتونات، أو ما إذا كانت هناك قيود جوهرية. تتناول هذه الورقة التوصيف الكمي للقدرة التعبيرية لـ MPQNNs وتأثير عدد الفوتونات ($n$)، وعدد الأنماط ($m$)، وعدد الطبقات ($L$) على خطأ التقريب.

المنهجية
يقترح المؤلفون إطار عمل لـ MPQNNs يتم تنفيذها على شبكات بصرية خطية، مع توسيع بنية DRQNN إلى فضاء فوك (Fock space) متعدد الفوتونات.

1. تعريف النموذج: يتكون النموذج من جزء دائرة يعتمد على إعادة رفع البيانات (كتل ترميز متبادلة عبر مُغيرات الطور وكتل قابلة للتدريب عبر شبكات بصرية خطية موحدة - unitaries) وجزء قابل للرصد (observable). المدخل هو حالة فوك $|n, 0, \dots, 0\rangle$ التي تمثل $n$ من الفوتونات المتطابقة.
2. توصيف فضاء الفرضيات: يشتق المؤلفون فضاء الفرضيات لـ MPQNNs. وقد أثبتوا أن دالة المخرجات $h(x)$ هي تركيب لدالة متعددة حدود حقيقية $g$ (تحددها الخاصية المرصودة) ومتعددات حدود مثلثية $y_j$ (تحددها معاملات الدائرة القابلة للتدريب).
3. اشتقاق حد الخطأ: تدرس الدراسة حالتين متميزتين بناءً على طبيعة الخاصية المرصودة:
   • الخاصية المرصودة الثابتة: تكون أوزان تقسيمات عدد الفوتونات محددة مسبقاً.
   • الخاصية المرصودة القابلة للتدريب: يتم تحسين الأوزان جنباً إلى جنب مع معاملات الدائرة أثناء التدريب.
     باستخدام متباينة جاكسون (Jackson's inequality)، يشتق المؤلفون حدوداً عليا لخطأ التقريب لكلتا الحالتين، بربط الخطأ بسلاسة الدالة المستهدفة والمعاملات $n, m, L$.
4. المحاكاة العددية: للتحقق من النتائج النظرية، طور المؤلفون خوارزمية برمجة ديناميكية لمحاكة توزيع عدد الفوتونات الناتج للشبكات البصرية الخطية المدفوعة بحالات فوك بكفاءة. يحسن هذا النهج من خوارزمية رايسر (Ryser's algorithm) لحساب الـ permanents، مما يقلل من تعقيد وقت التشغيل.

المساهمات والنتائج الرئيسية
تقدم الورقة تحليلاً كمياً لكيفية تأثير عدد الفوتونات على القدرة التعبيرية لـ MPQNN، مما يسفر عن نتائج متباينة للخصائص المرصودة الثابتة مقابل القابلة للتدريب:

• حالة الخاصية المرصودة الثابتة:

  • يتم حصر خطأ التقريب بـ $O((dL)^{-K})$، حيث $d = \min\{n, m-2\}$.
  • تأثير العتبة: توجد عتبة حرجة عند $n = m-2$. تحت هذه العتبة، تعزز زيادة عدد الفوتونات القدرة التعبيرية بشكل متعدد الحدود.
  • القيود: بمجرد أن يتجاوز $n$ القيمة $m-2$، فإن أي زيادة إضافية في عدد الفوتونات لا تحسن القدرة التعبيرية. وذلك لأن عدد المعاملات القابلة للتدريب في الشبكة البصرية الخطية (التي تعتمد فقط على $m$ و $L$) يصبح غير كافٍ لاستيعاب فضاء الدوال ذي الأبعاد الأعلى الناتج عن زيادة عدد الفوتونات.

• حالة الخاصية المرصودة القابلة للتدريب:

  • يتم حصر خطأ التقريب بـ $O(d^{-K})$، حيث $d = \min\{nL, \max\{(m-2)L, n\lfloor\frac{m-1}{2}\rfloor\}\}$.
  • التعزيز المستمر: على عكس الحالة الثابتة، تؤدي زيادة عدد الفوتونات دائماً إلى تعزيز القدرة التعبيرية لـ MPQNN، حتى دون تغيير هيكل الشبكة البصرية الخطية. ومع اقتراب $n$ من اللانهاية ($\infty$)، يؤول حد الخطأ إلى الصفر.
  • التكلفة: تأتي هذه القدرة التعبيرية المعززة على حساب إضافة $\binom{n+m-1}{m-1}$ من المعاملات الإضافية القابلة للتدريب في الخاصية المرصودة، والتي تنمو أسياً مع $n$.

• التحقق العددي: تؤكد عمليات المحاكاة على مهام تقريب متعدد الحدود المثلثي أحادي المتغير أن متوسط خسارة الاختبار ينخفض مع زيادة كل من عدد الفوتونات وعدد الطبقات، مما يتوافق مع الحدود النظرية.

الأهمية
يزعم المؤلفون أن هذا العمل يوضح تعزيز الأداء والقيود الجوهرية للميزات الكمومية متعددة الفوتونات في الشبكات العصبية الكمومية (QNNs). ومن خلال التوصيف الكمي للعلاقة بين عدد الفوتونات والقدرة التعبيرية، تقدم الورقة إرشادات لتنفيذ QNNs على المنصات الفوتونية. وتوضح تحديداً أنه بينما توفر المدخلات متعددة الفوتونات مزايا، إلا أن فائدتها مقيدة بهيكلية الكتل القابلة للتدريب في سيناريو الخاصية المرصودة الثابتة. وتشير النتائج إلى أنه للاستفادة الكاملة من مزايا تعدد الفوتونات، يجب إما أن تكون الخاصية المرصودة قابلة للتدريب أو يجب تعديل هيكل الشبكة لاستيعاب درجات الحرية المتزايدة. يعد هذا العمل مرجعاً لفهم المقايضات بين عدد الفوتونات، وعدد المعاملات، وقدرة التقريب في تعلم الآلة الكمومي.