Measurement-based quantum machine learning

Dieser Artikel schlägt den Multiple-Triangle-Ansatz (MuTA) vor, ein universelles messbasiertes Quantenneuronales-Netzwerk-Framework, das die Vorteile des MBQC-Paradigmas nutzt, um skalierbares Training, Rauschresilienz und vielfältige Anwendungen zu ermöglichen, die von der Quantenzustandsklassifizierung bis zu hardwarebeschränkten photonischen Implementierungen reichen.

Das Wesentliche

Das große Ganze: Eine neue Art, Quantengehirne zu bauen

Stellen Sie sich vor, Sie möchten ein superintelligentes Computerhirn (ein Quantenneuronales Netz) bauen, um schwierige Probleme zu lösen. Normalerweise bauen Wissenschaftler diese Gehirne wie einen Filmrollen: Sie beginnen mit einem leeren Bildschirm, führen eine Sequenz von Szenen (Gattern) nacheinander aus und erhalten am Ende ein Ergebnis. Dies ist das Standard-„Schaltkreis-Modell".

Die Autoren dieses Papiers schlagen jedoch eine andere Art vor, diese Gehirne zu bauen, die als Messungsbasierte Quantenberechnung (MBQC) bezeichnet wird.

Die Analogie: Das „vorverflochtene" Netz
Anstatt einen Film Szene für Szene abzuspielen, stellen Sie sich ein riesiges, vorverflochtenes Spinnennetz aus Quantenfäden vor (ein sogenannter Ressourcenzustand). Dieses Netz ist bereits „verschränkt", was bedeutet, dass alle Fäden auf eine spukhafte, sofortige Weise miteinander verbunden sind.

Um Arbeit zu verrichten, spielen Sie keinen Film ab. Stattdessen beginnen Sie, Fäden zu durchschneiden (sie zu messen), und zwar in einer bestimmten Reihenfolge.

• Wenn Sie einen Faden durchschneiden, sendet dies eine Welle durch das Netz.
• Die Art und Weise, wie das Netz reagiert, hängt davon ab, wie Sie die vorherigen Fäden durchgeschnitten haben.
• Wenn Sie die richtigen Fäden durchgeschnitten haben, hat der verbleibende Teil des Netzes sich in die gewünschte Antwort verwandelt.

Das Papier argumentiert, dass diese „Durchschneide"-Methode tatsächlich besser für maschinelles Lernen ist, da sie besser mit Rauschen umgehen kann, gut mit lichtbasierten (photonischen) Computern funktioniert und einen einzigartigen Lernstil ermöglicht.

---

Der Star der Show: MuTA (Der Multiple-Triangle Ansatz)

Die Autoren haben ein spezifisches Design für dieses Quantennetz entwickelt, das sie MuTA (Multiple-Triangle Ansatz) nennen.

Die Analogie: Ein Zug aus Dreiecken
Stellen Sie sich einen Zug vor, bei dem die Waggons nicht nur in einer Reihe, sondern mit dreieckigen Brücken zwischen ihnen verbunden sind.

• Die Schienen: Dies sind die „Drähte" oder Linien des Netzes.
• Die Dreiecke: Dies sind die speziellen Verbindungen zwischen den Drähten.

Warum Dreiecke? In dieser Quantenwelt wirken Dreiecke wie Schalter.

• Wenn Sie einen bestimmten Teil des Dreiecks auf eine bestimmte Weise messen, bleiben die Drähte getrennt (keine Verbindung).
• Wenn Sie ihn auf eine andere Weise messen, werden die Drähte „verschränkt" (sie beginnen miteinander zu „sprechen").

Dieses Design verleiht dem Quantengehirn drei Superkräfte:

1. Universal: Es kann lernen, jede Berechnung durchzuführen, genau wie ein klassischer Computer jede Software ausführen kann.
2. Einstellbar: Sie können die „Lautstärke" der Verbindung zwischen den Drähten hoch- oder runterdrehen.
3. Skalierbar: Sie können das Gehirn größer machen (mehr Schichten von Dreiecken hinzufügen), ohne es zu zerstören, und es wird auf vorhersehbare Weise intelligenter.

Was haben sie tatsächlich getan? (Die Experimente)

Die Autoren haben nicht nur Bilder gezeichnet; sie haben MuTA auf einem Computer simuliert, um zu sehen, ob es tatsächlich funktioniert. Hier sind die vier Dinge, die sie es lernen ließen:

1. Lernen des Alphabets (Universelle Gatter)
Sie lehrten MuTA, grundlegende Quanten-Buchstaben (Gatter) auszuführen.

• Ergebnis: Es lernte, zufällige Ein-Qubit-Operationen und eine spezifische Zwei-Qubit-Verbindung (IsingXX) sehr schnell auszuführen. Es konvergierte schnell, was bedeutet, dass es das richtige „Durchschneidemuster" effizient fand.

2. Lernen im Regen (Rauschrobustheit)
Echte Quantencomputer sind verrauscht (wie zu versuchen, ein Flüstern in einem Sturm zu hören).

• Ergebnis: Sie testeten MuTA mit „verrauschten Daten" (zufällige Fehler) und „verrauschter Hardware" (das Netz selbst war leicht beschädigt). MuTA war überraschend widerstandsfähig. Es konnte immer noch die richtigen Muster lernen, selbst wenn das Rauschen hoch war, solange es kein totales Chaos war.

3. Sortieren von Quanten-Felsen (Klassifizierung von Quantenzuständen)
Sie wollten, dass das Gehirn einen Quantenzustand betrachtet und entscheidet: „Ist dies ein 'guter' Zustand für hochpräzise Messungen oder ein 'schlechter'?"

• Ergebnis: Sie trainierten MuTA, diese Zustände mit über 96 % Genauigkeit zu klassifizieren. Es lernte, den Unterschied zwischen Zuständen zu erkennen, die für die Sensorik nützlich sind, und denen, die es nicht sind, auch ohne explizit die dahinterstehende Mathematik zu kennen.

4. Der Teleportations-Trick (Quanteninstrumente)
Sie baten MuTA, ein „Quanteninstrument" zu lernen – einen Prozess, der einen Zustand nimmt, ihn misst und den verbleibenden Zustand basierend auf dem Ergebnis verändert (wie das Teleportieren von Informationen).

• Ergebnis: Das Modell lernte erfolgreich, einen Quantenzustand von einem Teil des Netzes zu einem anderen mit perfekter Genauigkeit zu teleportieren. Dies beweist, dass es komplexe, schrittweise Logik bewältigen kann, bei der der nächste Schritt von der vorherigen Messung abhängt.

5. Sortieren klassischer Daten (Der Kernel-Trick)
Schließlich verwendeten sie MuTA, um reguläre, nicht-quantenmechanische Daten zu sortieren (wie Punkte auf einem Graphen).

• Ergebnis: Sie verwandelten MuTA in einen „Kernel" (ein mathematisches Werkzeug zum Sortieren). Es sortierte einfache Formen (Kreise und Flecken) genauso gut wie andere Quantenmethoden, hatte jedoch Schwierigkeiten mit komplexeren, verdrehten Formen (Mondformen).

Die realweltliche Einschränkung: Die „pixelige" Welt

Das Papier endet mit der Behandlung eines praktischen Problems. Einige Quantencomputer (insbesondere solche, die Licht und eine spezielle Kodierung namens GKP verwenden) können nicht in jedem Winkel messen. Sie können nur in bestimmten, festen Winkeln messen (wie 0, 45 oder 90 Grad). Es ist, als würde man versuchen, ein Meisterwerk zu malen, aber Sie dürfen nur drei spezifische Farben verwenden.

Um dies zu lösen, testeten die Autoren zwei „heuristische" (intelligente Schätzwerte) Algorithmen:

1. Die Greedy-Suche: Eine Methode, die versucht, eine Scheibe des Netzes nach der anderen zu optimieren und den besten Winkel aus der erlaubten Liste auszuwählen.
2. Deep Q-Learning: Eine Art KI, die durch Versuch und Irrtum lernt und wie ein Videospielcharakter agiert, der lernt, ein Labyrinth zu navigieren.

Ergebnis: Beide Methoden funktionierten besser als zufälliges Raten. Die „Greedy"-Methode war für kleine Aufgaben schneller, während die „KI"-Methode vielversprechend für größere, komplexere Netze aussah.

Zusammenfassung

Das Papier stellt MuTA vor, einen neuen Bauplan für Quantenneuronale Netze, der durch „Durchschneiden" eines vorverflochtenen Netzes aus Quantenfäden funktioniert.

• Es ist universal (kann alles tun).
• Es ist robust (kommt gut mit Rauschen zurecht).
• Es ist flexibel (kann für verschiedene Aufgaben angepasst werden).
• Es funktioniert auch, wenn die Hardware auf bestimmte Messwinkel beschränkt ist.

Die Autoren haben erfolgreich demonstriert, dass diese „Durchschneide"-Methode lernen kann, Gatter auszuführen, Quantenzustände zu klassifizieren, Informationen zu teleportieren und Daten zu sortieren, und damit den Grundstein für eine neue Generation von Werkzeugen für maschinelles Quantenlernen legt, die nativ für messungsbasierte Computer sind.

Technische Zusammenfassung

Technische Zusammenfassung: Messbasiertes Quanten-Machine-Learning

Problemstellung
Quanten-Machine-Learning (QML) zielt darauf ab, Quantenhardware für Inferenz, Quantendatenverarbeitung und rauschresistente Algorithmen zu nutzen. Derzeit sind die meisten QML-Vorschläge im Rahmen des standardmäßigen unitären Schaltkreismodells formuliert. Das Paradigma des Messbasierten Quantencomputings (MBQC) bietet jedoch deutliche Vorteile, darunter geringere Schaltungstiefen, eine natürliche Kompatibilität mit Messungen während der Schaltung und klassischem Feedback sowie eine inhärente Unterstützung topologischer Fehlerkorrektur. Trotz dieser Vorteile und Fortschritten in der MBQC-Hardware (insbesondere photonischen Implementierungen) wurde QML innerhalb des MBQC-Rahmens weitgehend nicht untersucht. Bestehende MBQC-Ansätze für variationale Algorithmen fehlen oft an Determinismus, leiden unter nicht-monotoner Ausdruckskraft oder bieten keine skalierbaren Trainingsarchitekturen, die mit klassischen neuronalen Netzen vergleichbar wären.

Methodik
Die Autoren schlagen einen Rahmen für MB-QML vor, der auf einer neuen Quantenneuralen Netzwerk-Architektur (QNN) namens Multiple-Triangle Ansatz (MuTA) basiert.

• Architektur: MuTA wird aus 1D-Clusterzuständen aufgebaut, die durch „Dreiecke" (spezifische Graphzustandsstrukturen) verbunden sind. Die Architektur ist durch Schichten von Qubits definiert, wobei die Intra-Schicht-Konnektivität durch Dreiecke bestimmt wird, die verschiedene Leitungen verbinden, und die Inter-Schicht-Konnektivität durch die Abbildung der Ausgabequbits einer Schicht auf die Eingabequbits der nächsten Schicht hergestellt wird.

• Determinismus und Fluss: Die Autoren beweisen, dass MuTA einen „Fluss" besitzt (eine spezifische Grapheneigenschaft, die deterministische Berechnungen in MBQC sicherstellt). Dies ermöglicht die Anpassung von Messwinkeln basierend auf vorherigen Ergebnissen, um deterministische Ausgaben trotz der inhärenten Zufälligkeit von Quantenmessungen zu gewährleisten.

• Theoretische Eigenschaften: Die Arbeit etabliert sieben Schlüsseleigenschaften von MuTA:

  1. Determinismus: Jedes Messmuster kann durch flussbasierte Winkelanpassung deterministisch gemacht werden.
  2. Universalität: MuTA kann jeden $n$-Qubit-Unitar-Operator bei ausreichender Tiefe implementieren.
  3. Einstellbare Verschränkung: Die Verschränkung zwischen Leitungen kann durch die Messwinkel spezifischer „Zentral"-Qubits in den Dreiecken gesteuert werden.
  4. Bias-Engineering: Die Geometrie (Tiefe, Breite, Konnektivität) und Parameterbeschränkungen ermöglichen flexibles Bias-Engineering.
  5. Skalierbarkeit: Die Anzahl der variationalen Parameter skaliert linear mit der Anzahl der Qubits ($\le 4dn$ für Tiefe $d$ und Breite $n$).
  6. Monotonie der Ausdruckskraft: Die Erweiterung des Netzwerks (Hinzufügen von Schichten, Leitungen oder Dreiecken) erhöht die Menge der implementierbaren Gatter monoton, eine Eigenschaft, die bei standardmäßigen variationalen Schaltkreisen oft fehlt.
  7. 2-Färbbarkeit: Der zugrundeliegende Graph ist bipartit, was skalierbare Reinigungsverfahren erleichtert.

• Training und Hardware-Einschränkungen: Die Autoren adressieren Hardware-Einschränkungen, insbesondere für photonische Gottesman-Kitaev-Preskill (GKP)-Qubits, bei denen die Messbasen auf diskrete Mengen beschränkt sind ($\{0, \pi/4, \pi/2\}$). Um dies zu bewältigen, schlagen sie heuristische Trainingsalgorithmen vor, darunter eine $\epsilon$-greedy-Suchstrategie schichtweise und einen Deep-Q-Learning (DQN)-Ansatz für diskrete Optimierung.

Hauptergebnisse
Die Autoren liefern numerische Demonstrationen der Fähigkeiten von MuTA in verschiedenen Aufgaben:

1. Universelles Gatter-Lernen: MuTA lernt erfolgreich eine universelle Menge von Gattern, einschließlich Haar-zufälliger Ein-Qubit-Unitar-Operatoren und des verschränkenden IsingXX-Gatters, mit schneller Konvergenz.
2. Rauschrobustheit: Das Modell zeigt Resistenz gegenüber Rauschen. Es behält eine hohe Fidelität bei, wenn es auf verrauschten Daten trainiert wird (simuliert durch Brownsche Schaltkreise oder Bit-Flip-Rauschen) und wenn der zugrundeliegende Ressourcenzustand Depolarisationskanälen unterzogen wird.
3. Quantenzustandsklassifikation: Ein hybrides Quanten-Klassisches-Modell unter Verwendung von MuTA wurde trainiert, um Zwei-Qubit-Zustände basierend auf ihrer Quanten-Fisher-Information (QFI) zu klassifizieren und dabei Zustände unterhalb und oberhalb des Standard-Quantenlimits mit hoher Genauigkeit (~97 %) zu unterscheiden.
4. Quanteninstrument-Lernen: Der Rahmen lernte erfolgreich ein Teleportationsprotokoll und behandelte es als Quanteninstrument, bei dem Messergebnisse nachfolgende Operationen konditionieren, was die Integration der klassischen Mitverarbeitung demonstriert.
5. Klassische Datenklassifikation: Eine Kernel-Support-Vector-Machine (SVM) wurde unter Verwendung einer MuTA-basierten Merkmalsabbildung konstruiert. Sie erreichte hohe Genauigkeit auf synthetischen 2D-Datensätzen (Kreise, Flecken), hatte jedoch in der getesteten Konfiguration Schwierigkeiten mit komplexeren nichtlinearen Strukturen (Mondsicheln).

Bedeutung und Behauptungen
Die Arbeit beansprucht, das Fundament für vielseitige QNNs zu legen, die dem MBQC-Paradigma inhärent sind. Die Bedeutung von MuTA liegt in seiner Fähigkeit, gleichzeitig Eigenschaften zu erfüllen, die bei anderen QML-Vorschlägen oft fehlen: Universalität, einstellbare Verschränkung, monotone Ausdruckskraft und skalierbares Training.

Die Autoren argumentieren, dass MuTA ein vielversprechender Kandidat für MBQC-Geräte der nahen Zukunft ist, da es spezifische MBQC-Vorteile nutzt, wie reduzierte Zeitkomplexität und Kompatibilität mit klassischer Nebenverarbeitung. Sie vertreten die Position, dass dieser Rahmen die Erforschung von MBQC-spezifischen algorithmischen Vorteilen ermöglicht und die theoretische Analyse von QML im messbasierten Regime erleichtert. Die Arbeit legt nahe, dass durch die Abbildung klassischer Feed-Forward-Netzwerkgeometrien auf MuTA untersucht werden kann, ob die resultierenden Quantenmodelle Ausdrucksvorteile gegenüber ihren klassischen Gegenstücken bieten, während sie gleichzeitig einen praktischen Weg für das Training auf hardwarebeschränkten Geräten wie photonischen GKP-Qubits bieten.