Merged amplitude encoding for Chebyshev quantum Kolmogorov--Arnold networks: trading qubits for circuit executions

Diese Arbeit stellt eine zusammengeführte Amplitudencodierung für Chebyshev-basierte Quanten-Kolmogorov-Arnold-Netzwerke vor, die die Anzahl der Schaltkreisausführungen durch einen minimalen Qubit-Overhead reduziert und dabei die Trainierbarkeit unter verschiedenen Simulationsbedingungen bewahrt.

Das Wesentliche

🍳 Quanten-Kochkurs: Wie man mit weniger Herdplatten mehr Suppe kocht

Stell dir vor, du bist ein Koch, der eine riesige Menge Suppe für eine Party zubereiten muss. Aber du hast ein Problem: Deine Küche ist sehr teuer und die Herdplatten (die wir hier Qubits nennen) sind extrem knapp.

In der Welt des Quanten-Machine-Learning (also wenn Computer lernen, wie Menschen) gibt es ein ähnliches Problem. Um komplexe Aufgaben zu lösen, braucht man entweder:

1. Viele Herdplatten gleichzeitig: Man kocht alle Töpfe parallel. Das geht schnell, kostet aber extrem viel Platz und Geld (viele Qubits).
2. Wenige Herdplatten, aber viele Versuche: Man kocht einen Topf nach dem anderen. Das spart Platz, dauert aber ewig (viele "Circuit Executions").

Der Autor dieser Studie, Hikaru Wakaura, hat einen neuen Trick entwickelt, um diesen Konflikt zu lösen. Er nennt es "Merged Amplitude Encoding".

🥣 Der neue Trick: Der "Alles-in-einem-Kessel"

Stell dir vor, du hast 10 verschiedene Zutaten für 10 verschiedene Suppen.

• Der alte Weg (Sequentiell): Du nimmst einen kleinen Topf, kochst Suppe 1, schüttest sie in eine Schüssel. Dann machst du Topf 2, Suppe 2, usw. Du brauchst nur einen Topf, aber du musst 10-mal kochen.
• Der neue Weg (Merged Encoding): Du nimmst einen riesigen Kessel. Du wirfst alle 10 Zutaten gleichzeitig hinein, aber in einer speziellen Anordnung, damit sie sich nicht vermischen, sondern ihre eigene "Geschmacksnote" behalten. Dann kochst du nur einmal.

Der Vorteil: Du sparst dir 90 % der Kochzeit (Circuit Executions).
Der Preis: Du brauchst den riesigen Kessel, der ein bisschen mehr Platz auf der Arbeitsplatte braucht (nur 1–2 zusätzliche Qubits).

🧪 Die große Frage: Schmeckt es trotzdem?

Das ist der kritische Punkt. Wenn man Zutaten anders zusammenpackt, ändert sich vielleicht die Chemie. Die Wissenschaftler haben sich gefragt: Lernen die Quanten-Computer mit diesem neuen Kessel genauso gut wie mit den alten Töpfen?

Man könnte denken: "Wenn man den Weg ändert, lernt man vielleicht langsamer oder macht mehr Fehler."

📊 Das Experiment: 10 Rezepte unter Stress

Der Autor hat das in einem Computer-Experiment getestet (da echte Quanten-Computer noch zu fehleranfällig sind). Er hat 10 verschiedene "Rezepte" (Netzwerk-Konfigurationen) ausprobiert.

Er hat drei Szenarien durchgespielt:

1. Die perfekte Küche (Ideal): Keine Fehler, keine Störungen.
2. Die laute Küche (Shot Noise): Man muss die Suppe schmecken, aber man ist nervös und zählt falsch (statistisches Rauschen).
3. Die chaotische Küche (Geräusch + Rauschen): Alles ist unruhig und fehlerhaft.

Er verglich dabei:

• Original: Der alte Weg mit vielen kleinen Töpfen.
• Red-I: Der neue "Alles-in-einem-Kessel", aber mit frischen Zutaten (neue Startwerte).
• Red-T: Der neue Kessel, aber mit Zutaten, die vom alten Koch schon einmal vorbereitet wurden (Parameter-Transfer).

🏆 Das Ergebnis: Ein Sieg für den neuen Kessel!

Die Ergebnisse waren überraschend positiv:

1. Lernfähigkeit bleibt erhalten: Der neue "Alles-in-einem-Kessel" hat in fast allen Fällen genauso gut gelernt wie die alten Töpfe. Es gab keinen signifikanten Unterschied. Das bedeutet: Der Trick funktioniert, ohne die Intelligenz des Computers zu beeinträchtigen.
2. Vorsicht bei der Vorbereitung: Wenn man Zutaten vom alten Koch übernimmt (Parameter-Transfer), geht es in der perfekten Küche super schnell. Aber in der lauten, chaotischen Küche (realistische Bedingungen) ist es oft besser, einfach neu anzufangen (Red-I).
3. Rauschen ist der große Gleichmacher: Wenn die Küche sehr laut und chaotisch ist (echte Quanten-Hardware), macht es am Ende kaum noch einen Unterschied, ob man einen Topf oder 10 Töpfe benutzt. Das Rauschen ist dann so stark, dass die feinen Unterschiede zwischen den Methoden verschwinden.

💡 Was bedeutet das für uns?

Diese Studie ist wie ein Beweis, dass man einen neuen Werkzeugkasten bauen kann, ohne Angst zu haben, dass er kaputt geht.

• Für die Zukunft: Wenn wir echte, große Quanten-Computer haben, werden wir wahrscheinlich nicht genug Qubits für alles haben. Dieser Trick erlaubt uns, mehr Aufgaben zu erledigen, indem wir Zeit sparen (weniger Messungen) statt Platz zu verschwenden.
• Die Realität: Wir sind noch nicht am Ziel. Die Tests waren Simulationen auf normalen Computern. Echte Quanten-Hardware ist noch sehr fehleranfällig. Aber dieser Schritt zeigt, dass der Weg, den wir gehen, theoretisch sicher ist.

Zusammengefasst: Der Autor hat bewiesen, dass man Quanten-Informationen effizienter "stapeln" kann, ohne dass das Gehirn des Computers dabei verwirrt wird. Es ist ein kleiner, aber wichtiger Schritt, um Quanten-Computer für echte Aufgaben nutzbar zu machen.

Technische Zusammenfassung

Technische Zusammenfassung: Merged Amplitude Encoding für Chebyshev-Quanten-Kolmogorov-Arnold-Netzwerke

Titel: Merged amplitude encoding for Chebyshev quantum Kolmogorov–Arnold networks: trading qubits for circuit executions
Autor: Hikaru Wakaura (QuantScape Inc.)
Datum: März 2026

1. Problemstellung

Quanten-Machine-Learning (QML) im NISQ-Zeitalter (Noisy Intermediate-Scale Quantum) steht vor einem fundamentalen Ressourcen-Trade-off: Der Kompromiss zwischen der Anzahl der benötigten Qubits und der Anzahl der Schaltkreisausführungen (Circuit Executions) pro Vorwärtsdurchlauf.

Spezifisch für Chebyshev-basierte Continuous Quantum Kolmogorov–Arnold Networks (CCQKAN) existieren zwei extreme Strategien:

1. Parallel: Jeder Kanten-Beitrag wird auf einem separaten Qubit-Register berechnet. Dies erfordert viele Qubits ($O(n^2)$), aber nur eine Schaltkreisausführung pro Schicht.
2. Sequentiell: Ein einzelnes Register wird wiederverwendet. Dies spart Qubits ($O(\log d)$), erfordert aber viele separate Schaltkreisausführungen ($O(n^2)$).

Auf realer Hardware ist die Latenz pro Schaltkreisausführung (Job-Scheduling, Messung, State-Preparation) oft ein Engpass. Die Frage ist, ob eine mittlere Strategie möglich ist, die die Anzahl der Ausführungen reduziert, ohne die Trainierbarkeit des Modells zu beeinträchtigen.

2. Methodik: Merged Amplitude Encoding

Die Arbeit stellt eine neue Kodierungstechnik namens Merged Amplitude Encoding vor.

• Prinzip: Anstatt die inneren Produkte der $n$ Eingangs-Kanten für einen Ausgabeknoten einzeln zu berechnen, werden die elementweisen Produkte der Chebyshev-Koeffizientenvektoren und Basisvektoren aller $n$ Kanten in einen einzigen Amplitudenvektor gepackt.
• Mathematische Äquivalenz: Die Summe der Komponenten dieses gepackten Vektors entspricht exakt der gewünschten Voraktivierung (Summe der Kantenaktivierungen). Es handelt sich um eine mathematische Umformung ohne Approximation.
• Quanten-Implementierung:
  • Der gepackte Vektor wird in einem Amplituden-Register der Größe $Q_{red} = \lceil \log_2(n(d + 1)) \rceil$ kodiert.
  • Statt eines SWAP-Tests (wie im Original) wird die Überlappung mit dem uniformen Zustand $|U\rangle$ gemessen (durch Anwendung von Hadamard-Gattern und Messung des Null-Zustands).
  • Das Vorzeichen der Summe wird klassisch rekonstruiert (da Quantenmessungen nur Betragsquadrate liefern).
• Ressourcen-Trade-off:
  • Vorteil: Reduzierung der Schaltkreisausführungen pro Vorwärtsdurchlauf um den Faktor $n$ im Vergleich zur sequentiellen Baseline (z. B. von 20 auf 5 bei einem $[4,4,1]$-Netzwerk).
  • Kosten: Erhöhung der Qubit-Anzahl um nur 1–2 Qubits gegenüber der sequentiellen Variante.
  • Gate-Komplexität: Die Gesamtzahl der Gatter pro Vorwärtsdurchlauf bleibt ähnlich, da die Gate-Komplexität pro Ausführung steigt, aber die Anzahl der Ausführungen sinkt.

3. Experimentelles Setup

Um die Trainierbarkeit zu validieren, wurden umfangreiche numerische Experimente durchgeführt:

• Netzwerkkonfigurationen: 10 verschiedene $[n, n, 1]$-Architekturen mit $n \in \{2, 3, 4\}$ und Chebyshev-Grad $d \in \{2, 3, 4, 5\}$.
• Vergleichsmodelle:
  1. Original: Sequentielle Berechnung jeder Kante.
  2. Red-T (Reduced-Transfer): Merged Encoding mit Parameter-Transfer vom Original.
  3. Red-I (Reduced-Independent): Merged Encoding mit unabhängiger zufälliger Initialisierung.
• Simulationsbedingungen:
  1. Ideal: Exakte Statevector-Simulation.
  2. Shot Noise: Simulation mit 1000 Mess-Shots (Binomialverteilung).
  3. Shot + Device Noise: Zusätzliches depolarisierendes Rauschen ($p=0.01$).
• Aufgaben:
  • Synthetische Regression (Sinus/Cosinus-Funktionen).
  • MNIST-Ziffernerkennung (8x8, binär 0 vs. 1 und 10-Klassen One-vs-All).
• Statistik: 16 unabhängige Seeds, Wilcoxon-Vorzeichen-Rang-Test zur Signifikanzprüfung.

4. Wichtige Ergebnisse

Trainierbarkeit und Verlust (Synthetische Daten)

• Ideal: Die Red-I-Variante (unabhängige Initialisierung) zeigt keinen statistisch signifikanten Unterschied im finalen MSE-Verlust im Vergleich zum Original (in 28 von 30 Vergleichen $p > 0.05$). Die Red-T-Variante (Parameter-Transfer) konvergiert schneller und erreicht einen niedrigeren Verlust, was auf einen Vorteil des "Warm Starts" hindeutet.
• Rauschen: Unter Shot-Noise und Device-Noise gleichen sich die Leistungen der Modelle an. Die Unterschiede zwischen Original und Red-I bleiben statistisch nicht signifikant. Dies bestätigt, dass die Merged-Struktur keine zusätzliche Rauschempfindlichkeit einführt.

Klassifikation (MNIST)

• Binär (0 vs. 1): Alle Modelle erreichen fast perfekte Genauigkeit (>99,8%), was die Aufgabe als zu einfach für Architekturvergleiche entlarvt.
• 10-Klassen (One-vs-All): Dies ist der aussagekräftigere Test. Die Genauigkeit liegt zwischen 53% und 78%.
  • Es gibt keinen signifikanten Unterschied in der Testgenauigkeit zwischen Original und Red-I in keiner Konfiguration.
  • Die Leistung ist vergleichbar mit klassischen linearen Baselines (Logistische Regression, SVM), es wird jedoch kein Quantenvorteil beansprucht.

Statistische Signifikanz

Die Wilcoxon-Tests zeigen konsistent, dass die Merged-Amplitude-Encoding-Architektur unter den getesteten Bedingungen die Trainierbarkeit des Originalmodells erhält. Parameter-Transfer (Red-T) ist unter idealen Bedingungen vorteilhaft, aber unter Rauschbedingungen weniger robust als unabhängige Initialisierung.

5. Bedeutung und Schlussfolgerungen

Hauptbeitrag

Der Paper liefert empirische Evidenz dafür, dass Merged Amplitude Encoding eine praktikable Strategie ist, um Quantenressourcen in CCQKANs neu zu verteilen. Es ermöglicht eine Reduktion der Schaltkreisausführungen um den Faktor $n$ bei nur minimalem Qubit-Overhead (1–2 Qubits), ohne die Lernfähigkeit des Netzwerks zu beeinträchtigen.

Praktische Relevanz

Für NISQ-Hardware, wo die Latenz pro Job-Submission (Schaltkreisausführung) oft höher ist als die Gate-Zeit, ist die Reduktion der Ausführungen vorteilhaft. Die Methode ist besonders geeignet für Plattformen, bei denen State-Preparation oder Mess-Latenz den Engpass darstellen.

Einschränkungen

1. Skalierung: Alle Experimente wurden auf klassischer Statevector-Simulation im kleinen Maßstab ($Q_{red} \le 5$) durchgeführt.
2. Rauschmodell: Das verwendete Rauschmodell ist vereinfacht (globales Depolarisieren statt gate-spezifisches Hardware-Rauschen).
3. Training: Das Training wurde auf 20 Adam-Schritte begrenzt; eine vollständige Konvergenz wurde nicht untersucht.
4. Gradienten: Es wurden numerische Gradienten (Finite Differences) verwendet, die auf echter Hardware durch Shot-Noise überfordert wären (Parameter-Shift-Regel wäre nötig).

Ausblick

Die Validierung auf echter Quantenhardware in größerem Maßstab ist notwendig. Zukünftige Arbeiten sollten die Methode mit "Data Re-uploading"-Circuits vergleichen und Hardware-spezifische Rauschmodellierungen einbeziehen, um den praktischen Nutzen für reale QML-Aufgaben endgültig zu bestätigen.

---

Zusammenfassend: Die Arbeit beweist, dass man Qubits gegen Schaltkreisausführungen tauschen kann, ohne die mathematische Äquivalenz oder die empirische Trainierbarkeit zu opfern, was einen wichtigen Schritt für die Effizienz von Quanten-Neuronalen Netzen auf NISQ-Hardware darstellt.