Kernel Alignment for Quantum Support Vector Machines Using Genetic Algorithms

Este artículo presenta un marco automatizado que utiliza algoritmos genéticos para optimizar circuitos de codificación de datos en máquinas de vectores de soporte cuánticas, demostrando que los núcleos resultantes logran una precisión de clasificación comparable o superior a las técnicas estándar, al tiempo que revelan una correlación positiva entre la precisión de prueba y la entropía del núcleo cuántico.

Lo esencial

Imagina que estás intentando clasificar una pila masiva de calcetines mezclados en pilas de "izquierda" y "derecha". En el mundo de las computadoras, esto se llama clasificación. Una herramienta popular para hacer esto se llama Máquina de Vectores de Soporte (SVM). Piensa en una SVM como un robot muy inteligente que intenta dibujar la línea perfecta (o muro) entre dos grupos de cosas para que no se mezclen.

Sin embargo, cuando trasladamos este robot al reino de la Computación Cuántica (donde las computadoras utilizan las leyes extrañas de la física para procesar información), el robot necesita un conjunto especial de instrucciones para entender los datos. Estas instrucciones se llaman Núcleo Cuántico.

El Problema: Diseñar las Instrucciones es Difícil

Por lo general, los científicos deben diseñar manualmente estas instrucciones cuánticas. Es como intentar construir una máquina compleja de Lego a mano, adivinando qué piezas encajan dónde, y esperando que funcione. Toma mucho tiempo, y a menudo, la máquina no funciona muy bien.

La Solución: Deja que la Evolución Haga el Trabajo

Este artículo introduce un nuevo método llamado GEKO (Optimización de Núcleo Genéticamente Ingenierizado). En lugar de que un humano diseñe las instrucciones, los investigadores permiten que un programa informático actúe como la evolución natural.

Así es como lo hicieron, usando una analogía simple:

1. La Población: Imagina una caja llena de diferentes máquinas de Lego construidas al azar (estas son los "circuitos").
2. La Prueba: Ponen estas máquinas a trabajar clasificando los calcetines.
3. La Supervivencia del Más Apto: Las máquinas que clasificaron los calcetines mejor se conservan. Las que fallaron se desechan.
4. Mutación: Las máquinas exitosas se copian, pero con pequeños cambios aleatorios (como cambiar un ladrillo rojo por uno azul, o añadir una pieza nueva).
5. Repetir: Este ciclo ocurre una y otra vez. Al igual que en la naturaleza, a lo largo de muchas generaciones, las "máquinas" mejoran y mejoran en la clasificación de los calcetines sin que un humano les diga exactamente cómo hacerlo.

Los investigadores utilizaron una "caja de herramientas" específica de piezas de Lego cuánticas (puertas como X, CNOT, etc.) para construir estos circuitos.

Dos Maneras de Juzgar el Éxito

El artículo probó dos formas diferentes de decidir qué máquina era la "más apta":

• El Método del "Profesor" (Supervisado): Se le da a la computadora los calcetines con las etiquetas correctas (por ejemplo, "Este es un calcetín izquierdo"). Verifica si la máquina obtuvo la respuesta correcta. Esto es como un profesor calificando un examen.
• El Método del "Autodescubrimiento" (No Supervisado): Se le da a la computadora los calcetines sin etiquetas. En lugar de buscar respuestas correctas, observa qué tan "compleja" o "entrelazada" es la estado interno de la máquina. La idea es que una estructura interna más compleja podría ser mejor para encontrar patrones ocultos. Esto es como juzgar una máquina por lo intrincados que son sus engranajes, en lugar del resultado final.

Lo que Encontraron

Los investigadores probaron este método "evolutivo" en varios conjuntos de datos, que van desde formas simples inventadas (como lunas y círculos) hasta datos del mundo real como tipos de vino, registros de cáncer de mama y clasificaciones de medicamentos.

• Mejor que el Estándar: Las máquinas evolucionadas por este algoritmo genético funcionaron tan bien como, o mejor que, los métodos estándar que los humanos suelen usar. Consistentemente superaron a un método cuántico común llamado "PauliZZ".
• Decisiones Suaves: Cuando los investigadores observaron cómo las máquinas tomaban sus decisiones, el algoritmo genético creó límites muy suaves y claros entre los grupos. Los métodos estándar a veces creaban límites "parcheados" o desordenados.
• El Misterio de la Entropía: Los investigadores se preguntaron si una máquina con más "caos" (entropía) dentro de ella sería más inteligente. Encontraron ningún vínculo fuerte entre qué tan caótica era la máquina y qué tan bien funcionaba. Una máquina desordenada no era necesariamente una máquina inteligente.

La Conclusión

Este artículo muestra que no necesitas un genio humano para diseñar las mejores instrucciones cuánticas para clasificar datos. Al usar un algoritmo genético (una versión digital de la evolución), puedes hacer crecer estas instrucciones automáticamente. El resultado es una máquina cuántica que clasifica datos de manera eficiente, potencialmente haciendo que las herramientas futuras para las finanzas, la salud y la ciencia sean mucho más poderosas.

En resumen: En lugar de construir el cerebro cuántico a mano, lo dejaron evolucionar por sí mismo, y resultó ser un estudiante muy bueno.

Resumen técnico

Resumen Técnico: Alineación de Kernel para Máquinas de Soporte Vectorial Cuánticas Utilizando Algoritmos Genéticos

Enunciado del Problema
Las Máquinas de Soporte Vectorial Cuánticas (QSVM) dependen de funciones de kernel cuántico para medir la similitud entre puntos de datos, ofreciendo ventajas potenciales sobre las SVM clásicas en el manejo de datos no linealmente separables y en la operación en espacios de características de mayor dimensión. Sin embargo, el diseño manual de los circuitos cuánticos (mapas de características) necesarios para codificar datos en estos kernels es una tarea no trivial. Las técnicas de diseño existentes —métodos analíticos, numéricos y variacionales— poseen limitaciones en cuanto a eficiencia computacional, flexibilidad o capacidad para producir resultados óptimos para conjuntos de datos específicos. Existe la necesidad de un enfoque automatizado para optimizar estos circuitos de codificación y mejorar la precisión de clasificación sin depender de la prueba y error manual.

Metodología
Los autores proponen un marco automatizado denominado "Optimización de Kernel Ingenieril Genéticamente" (GEKO), una extensión del marco GASP (Algoritmo Genético para la Preparación de Estados). Este enfoque utiliza un algoritmo genético (AG) para buscar estructuras de circuitos cuánticos óptimas tanto para kernels de QSVM como para mapas de características de Redes Neuronales Cuánticas (QNN).

• Construcción del Circuito: El AG busca circuitos utilizando un conjunto de puertas universal nativo del hardware de IBM: puertas de un solo qubit $X$, $\sqrt{X}$ y $R_z$, y la puerta de dos qubits CNOT.
• Estrategias de Optimización: El estudio evalúa dos funciones de aptitud distintas para el AG:
  1. GEKO Supervisado: La aptitud se evalúa basándose en la precisión de clasificación de una QSVM entrenada con datos etiquetados utilizando el kernel generado.
  2. GEKO No Supervisado: La aptitud se evalúa mediante el análisis de valores propios de la matriz del kernel, específicamente maximizando el valor propio normalizado más grande. Este método no utiliza etiquetas de datos durante el proceso de selección del circuito.
• Proceso Evolutivo: El algoritmo inicializa una población de circuitos cuánticos. Los individuos son mutados (con una probabilidad del 50%) para crear nuevos candidatos. El individuo más apto se selecciona según el rendimiento en el entrenamiento. Para garantizar la generalizabilidad y prevenir el sobreajuste, el individuo base solo se actualiza si el nuevo candidato demuestra una mayor aptitud en un conjunto de validación. La cantidad de genes (profundidad/complexidad del circuito) se ajusta dinámicamente mediante búsqueda binaria para encontrar el circuito mínimo requerido para cumplir con un umbral de aptitud objetivo.
• Conjuntos de Datos: El marco se probó en nueve conjuntos de datos: tres sintéticos (Moons, XOR, Circles) y seis del mundo real (Iris, Wine, Breast Cancer, Irrigation, Parkinson's, Drug Classification). Se utilizó el Análisis de Componentes Principales (PCA) para reducir las dimensiones de las características a aquellas que explican el 95% de la varianza.

Contribuciones Clave

1. Generación Automatizada de Circuitos: El artículo demuestra la aplicación de algoritmos genéticos para generar automáticamente circuitos de codificación cuántica para QSVM y QNN, eliminando la dependencia del diseño manual de circuitos.
2. Análisis Comparativo de Aptitud: El trabajo introduce y compara funciones de aptitud supervisadas (basadas en precisión) y no supervisadas (basadas en valores propios) para la optimización de kernels, analizando su impacto en el rendimiento del circuito.
3. Correlación Entropía-Precisión: El estudio investiga la relación entre la entropía de Von Neumann del entrelazamiento en los circuitos generados y la precisión de prueba, proporcionando datos empíricos sobre si un mayor entrelazamiento se correlaciona con un mejor rendimiento de clasificación.
4. Implementación Nativa de Hardware: Los circuitos generados utilizan un conjunto de puertas compatible con el hardware cuántico actual de IBM, asegurando aplicabilidad práctica.

Resultados

• Rendimiento frente a Puntos de Referencia: En todos los conjuntos de datos probados, los kernels generados por GEKO (tanto supervisados como no supervisados) superaron consistentemente al kernel cuántico estándar PauliZZ. Desempeñaron un rendimiento comparable, y en algunos casos superior, a los kernels clásicos de Función de Base Radial (RBF).
• Límites de Decisión: El análisis visual de los límites de decisión reveló que los kernels GEKO y RBF produjeron límites suaves y bien definidos que separaron efectivamente las clases, mientras que el kernel PauliZZ a menudo resultó en límites irregulares que no lograron separar las clases apropiadamente.
• Supervisado vs. No Supervisado: Las técnicas GEKO supervisada y no supervisada arrojaron un rendimiento comparable en los conjuntos de datos. Esto sugiere que, para estas tareas específicas, la métrica basada en valores propios no supervisada es un sustituto viable para la precisión de clasificación, reduciendo potencialmente la necesidad de datos etiquetados durante la fase de optimización.
• Entropía y Precisión: El análisis de la precisión de prueba frente a la entropía de Von Neumann mostró poca o ninguna correlación fuerte. Mientras que algunos conjuntos de datos exhibieron gradientes positivos débiles, otros mostraron correlaciones negativas o insignificantes. Los autores concluyen que aumentar la entropía del circuito no garantiza necesariamente una mejora en la precisión de prueba.
• Optimización de QNN: Cuando se aplicó a QNN, los mapas de características optimizados por AG permitieron que las redes superaran mesetas de optimización, logrando alta precisión de prueba en conjuntos de datos sintéticos con límites de decisión suaves.

Significado y Afirmaciones
El artículo afirma que emplear algoritmos genéticos para la optimización de circuitos cuánticos ofrece una alternativa prometedora al diseño manual, capaz de producir circuitos que igualan o superan el rendimiento de las técnicas estándar de kernels clásicos y cuánticos. Los autores postulan que este marco automatizado reduce la prueba y error, convirtiéndolo en una herramienta viable para mejorar el rendimiento de QSVM y QNN en campos como las finanzas, la atención médica y la ciencia de materiales.

El estudio concluye modestamente que, si bien el método muestra un potencial significativo para tareas de clasificación estándar, se requiere más investigación para validar su efectividad en conjuntos de datos del mundo real más grandes y complejos. Los autores también sugieren vías futuras para combinar funciones de aptitud supervisadas y no supervisadas para crear modelos que sean altamente generalizados y específicamente optimizados para datos objetivo.