Fourier Analysis of Variational Quantum Circuits for Supervised Learning

Technische Zusammenfassung: Fourier-Analyse von variablen Quantenschaltkreisen für überwachtes Lernen

Problemstellung
Variable Quantenschaltkreise (Variational Quantum Circuits, VQCs) werden zunehmend als Funktionsapproximatoren im überwachten Lernen eingesetzt. Während etabliert ist, dass der Output eines VQC als begrenzte Fourier-Summe der Eingangsdaten dargestellt werden kann, wird oft angenommen, dass die Menge der verfügbaren Frequenzen (das Spektrum) ausschließlich durch die Kodierungsgatter bestimmt wird. Die Autoren identifizieren eine kritische Einschränkung dieser Annahme: Der variable Teil des Schaltkreises kann spezifische Fourier-Koeffizienten auf Null setzen und dadurch Frequenzen aus dem Spektrum entfernen, die basierend auf der Kodierung allein theoretisch verfügbar wären. Zudem blieb die funktionale Abhängigkeit dieser Fourier-Koeffizienten von den variablen Parametern weitgehend unerforscht. Diese mangelnde präzise spektrale Charakterisierung erschwert die Vorhersage, welche VQC-Architektur am besten für einen spezifischen Datensatz geeignet ist, ohne eine vollständige Trainingsphase durchführen zu müssen.

Methodik
Die Autoren schlagen einen zweigleisigen methodischen Ansatz vor:

1. Exakte Berechnung von Spektrum und Koeffizienten:
   Basierend auf dem Algorithmus von Nemkov et al. [18] entwickeln die Autoren ein Verfahren zur Berechnung des exakten Fourier-Spektrums und der Koeffizienten für jeden gegebenen VQC (speziell für solche, die in Clifford + Pauli-Schaltkreise transpilierbar sind).

• Algorithmus: Die Methode nutzt eine binäre Baumkonstruktion, bei der Knoten Schaltkreise in einer kanonischen Normalform repräsentieren. Durch das Durchlaufen von Pfaden durch diesen Baum und das Multiplizieren der mit Pauli-Rotationen assoziierten trigonometrischen Faktoren dekomponiert der Algorithmus den Erwartungswert in eine Summe trigonometrischer Polynome.
• Koeffizientenanalyse: Die Autoren leiten her, dass Fourier-Koeffizienten trigonometrische Polynome der variablen Parameter $\theta$ sind. Sie stellen notwendige und hinreichende Bedingungen auf, unter denen kombinatorische Teile dieser Koeffizienten verschwinden, was die Identifizierung von Frequenzen ermöglicht, die unabhängig von den Parameterwerten strikt Null sind.
• Datenanalyse: Um den Spektrum des Schaltkreises mit einem Datensatz zu vergleichen, verwenden die Autoren die nicht-gleichmäßige schnelle Fourier-Transformation (Non-uniform Fast Fourier Transform, NFFT) mittels iterativer numerischer Inversion. Dies ermöglicht die Extraktion von Frequenzrepräsentationen aus nicht-gleichmäßig verteilten Realdaten.

2. Heuristik zur Architektur-Rangordnung:
   Die Autoren schlagen eine datensatzabhängige Methode vor, um VQC-Architekturen ohne Training zu ranken. Die Kernhypothese ist, dass eine optimale Architektur die dominanten Frequenzen des Datensatzes enthalten muss, während sie gleichzeitig ein ausreichend kleines Spektrum beibehält, um die Trainierbarkeit zu gewährleisten (Adressierung des Expressivitäts-Trainierbarkeits-Trade-offs).

• Bewertungsmetrik: Ein Score wird basierend auf drei Komponenten berechnet:
  • $R_\Omega$: Die Energie der Fourier-Koeffizienten des Datensatzes, die außerhalb des verfügbaren Spektrums des VQC liegen.
  • $R_{corr}$: Eine Mahalanobis-Distanz-Heuristik, die die Wahrscheinlichkeit abschätzt, mit der die variablen Parameter des VQC die spezifischen Korrelationen und Magnituden der Fourier-Koeffizienten des Datensatzes reproduzieren können.
  • $R_{punish}$: Ein Strafterm, der proportional zur Größe des Spektrums ist und Architekturen mit zu hoher Expressivität, die potenziell schwer trainierbar sind, diskontiert.
    Die Architektur mit dem niedrigsten Gesamt-Score wird vorhergesagt, den Datensatz am besten anzupassen.

Zentrale Beiträge

• Verfeinerte spektrale Charakterisierung: Das Paper zeigt, dass das Fourier-Spektrum eines VQC nicht allein durch die Kodierungsgatter bestimmt wird, sondern signifikant durch die variablen Schichten eingeschränkt wird. Dies korrigiert die in der bisherigen Literatur [16] gefundene Überschätzung der verfügbaren Frequenzen.
• Funktionale Abhängigkeit: Die Autoren liefern die erste Beschreibung der Fourier-Koeffizienten als explizite trigonometrische Polynome der variablen Parameter, einschließlich eines Algorithmus zur Berechnung des exakten Spektrums und der Koeffizienten für jeden gegebenen Schaltkreis.
• Prädiktive Auswahl der Architektur: Ein neuartiger Algorithmus wird eingeführt, der die am besten passende VQC-Architektur für einen gegebenen Datensatz vorhersagt, indem er die Fourier-Transformation des Datensatzes gegen das analytisch abgeleitete Spektrum von Kandidatenschaltkreisen vergleicht.

Ergebnisse
Die Autoren testeten ihre Methoden an elf verschiedenen VQC-Architekturen unter Verwendung zweier Datensätze: der synthetischen Friedman-Regressionsfunktion und dem MNIST-Datensatz handgeschriebener Ziffern (reduziert auf 2D via t-SNE).

• Spektrale Variabilität: Trotz identischer Kodierungsgatter über alle Architekturen hinweg variierten die resultierenden Fourier-Spektren erheblich und reichten von 7 bis über 6.000 Frequenzen. Dies bestätigte, dass variable Schichten das Spektrum aktiv beschneiden.
• Ranking-Leistung: Die vorgeschlagene Scoring-Methode identifizierte erfolgreich Architekturen (speziell die Schaltkreise 2, 7 und 9), die die niedrigsten Testverluste auf dem Friedman-Datensatz erzielten und auf dem MNIST-Datensatz konkurrenzfähig abschnitten.
• Einschränkungen: Die Studie stellte fest, dass die Heuristik zwar generell mit der Performance korrelierte, der $R_{corr}$-Term (basierend auf einer Teilmenge der Koeffizienten) jedoch manchmal nicht perfekt zwischen Architekturen mit ähnlichen spektralen Eigenschaften, aber unterschiedlichen internen Koeffizienten-Korrelationen, unterscheiden konnte. Zudem skaliert der Rechenaufwand für die Berechnung des vollen Spektrums exponentiell mit der Tiefe des Schaltkreises, was den aktuellen Proof-of-Concept auf kleine Schaltkreise (4 Qubits, 3 Schichten) begrenzt.

Bedeutung und Behauptungen
Das Paper behauptet, den ersten Algorithmus bereitzustellen, der in der Lage ist, die exakte funktionale Beziehung zwischen variablen Parametern und Fourier-Koeffizienten zu bestimmen. Indem sie aufzeigen, dass der variable Teil eines Schaltkreises das Spektrum einschränkt, argumentieren die Autoren, dass VQCs spezifisch für eine Aufgabe konstruiert werden sollten, anstatt lediglich die Expressivität zu maximieren. Die vorgeschlagene Methode bietet ein klassisches Simulationswerkzeug, um die Modellleistung vorherzusagen und Architekturen auszuwählen, was potenziell die Rechenressourcen spart, die für das Training suboptimaler Modelle erforderlich wären. Die Autoren merken jedoch bescheiden an, dass ihre Methode derzeit aufgrund der exponentiellen Skalierung der klassischen Simulation auf kleine Schaltkreise beschränkt ist und dass die Ranking-Heuristik hinsichtlich der Gewichtung ihrer Komponenten einer weiteren Verfeinerung bedarf.