Fourier Analysis of Variational Quantum Circuits for Supervised Learning

Resumen Técnico: Análisis de Fourier de Circuitos Cuánticos Variacionales para el Aprendizaje Supervisado

Planteamiento del Problema
Los Circuitos Cuánticos Variacionales (VQC, por sus siglas en inglés) se utilizan cada vez más como aproximadores de funciones en el aprendizaje supervisado. Si bien está establecido que la salida de un VQC puede representarse como una suma de Fourier truncada de los datos de entrada, a menudo se asume que el conjunto de frecuencias disponibles (el espectro) está determinado únicamente por las compuertas de codificación. Los autores identifican una limitación crítica en esta suposición: la parte variacional del circuito puede restringir ciertos coeficientes de Fourier a cero, eliminando efectivamente frecuencias que, de otro modo, estarían teóricamente disponibles basándose solo en la codificación. Además, la dependencia funcional de estos coeficientes de Fourier respecto a los parámetros variacionales no había sido explorada en gran medida. Esta falta de caracterización espectral precisa dificulta la capacidad de predecir qué arquitectura de VQC es la más adecuada para un conjunto de datos específico sin recurrir al entrenamiento completo.

Metodología
Los autores proponen un enfoque metodológico de dos vertientes:

1. Cálculo Exacto del Espectro y los Coeficientes:
   Construyendo sobre el algoritmo de Nemkov et al. [18], los autores desarrollan un procedimiento para calcular el espectro de Fourier exacto y los coeficientes para cualquier VQC dado (específicamente aquellos transpilables en circuitos de Clifford + Pauli).

• Algoritmo: El método utiliza la construcción de un árbol binario donde los nodos representan circuitos en una forma normal canónica. Al recorrer las rutas a través de este árbol y multiplicar los factores trigonométricos asociados con las rotaciones de Pauli, el algoritmo descompone el valor de la esperanza en una suma de polinomios trigonométricos.
• Análisis de Coeficientes: Los autores derivan que los coeficientes de Fourier son polinomios trigonométricos de los parámetros variacionales $\theta$. Establecen condiciones necesarias y suficientes para que las partes combinatorias de estos coeficientes se anulen, permitiendo la identificación de frecuencias que son estrictamente cero independientemente de los valores de los parámetros.
• Análisis de Datos: Para comparar el espectro de un circuito con un conjunto de datos, los autores emplean la Transformada Rápida de Fourier No Uniforme (NFFT) mediante inversión numérica iterativa. Esto permite la extracción de representaciones de frecuencia a partir de datos del mundo real con espaciado no uniforme.

2. Heurística de Clasificación de Arquitecturas:
   Los autores proponen un método sensible al conjunto de datos para clasificar arquitecturas de VQC sin necesidad de entrenamiento. La hipótesis central es que una arquitectura óptima debe contener las frecuencias dominantes del conjunto de datos manteniendo un tamaño de espectro lo suficientemente pequeño como para asegurar la entrenabilidad (abordando el compromiso entre expresividad y entrenabilidad).

• Métrica de Puntuación: Se calcula una puntuación basada en tres componentes:
  • $R_\Omega$: La energía de los coeficientes de Fourier del conjunto de datos que se encuentran fuera del espectro disponible del VQC.
  • $R_{corr}$: Una heurística de distancia de Mahalanobis que estima la probabilidad de que los parámetros variacionales del VQC puedan reproducir las correlaciones y magnitudes específicas de los coeficientes de Fourier del conjunto de datos.
  • $R_{punish}$: Un término de penalización proporcional al tamaño del espectro, que desaconseja arquitecturas excesivamente expresivas pero potencialmente no entrenables.
• La arquitectura con la puntuación total más baja es la que se predice que mejor se ajusta a los datos.

Contribuciones Clave

• Caracterización Espectral Refinada: El artículo demuestra que el espectro de Fourier de un VQC no está determinado únicamente por las compuertas de codificación, sino que está significativamente restringido por las capas variacionales. Esto corrige la sobreestimación de las frecuencias disponibles hallada en la literatura previa [16].
• Dependencia Funcional: Los autores proporcionan la primera descripción de los coeficientes de Fourier como polinomios trigonométricos explícitos de los parámetros variacionales, incluyendo un algoritmo para calcular el espectro y los coeficientes exactos para cualquier circuito dado.
• Selección Predictiva de Arquitectura: Se introduce un nuevo algoritmo que predice la arquitectura de VQC que mejor se ajusta a un conjunto de datos determinado, comparando la transformada de Fourier del conjunto de datos contra el espectro derivado analíticamente de los circuitos candidatos.

Resultados
Los autores probaron sus métodos en once arquitecturas de VQC diferentes utilizando dos conjuntos de datos: la función de regresión de Friedman sintética y el conjunto de datos de dígitos escritos a mano MNIST (reducido a 2D mediante t-SNE).

• Variabilidad Espectral: A pesar de utilizar compuertas de codificación idénticas en todas las arquitecturas, los espectros de Fourier resultantes variaron significativamente, oscilando entre 7 y más de 6,000 frecuencias. Esto confirmó que las capas variacionales podan activamente el espectro.
• Desempeño de Clasificación: El método de puntuación propuesto identificó con éxito las arquitecturas (específicamente los circuitos 2, 7 y 9) que lograron las pérdidas de prueba más bajas en el conjunto de datos de Friedman y que funcionaron de manera competitiva en el conjunto de datos MNIST.
• Limitaciones: El estudio señaló que, si bien la heurística generalmente se correlacionó con el desempeño, el término $R_{corr}$ (basado en un subconjunto de coeficientes) a veces falló en distinguir perfectamente entre arquitecturas con propiedades espectrales similares pero diferentes correlaciones internas de coeficientes. Además, el costo computacional de calcular el espectro completo escala exponencialmente con la profundidad del circuito, lo que limita la prueba de concepto actual a circuitos pequeños (4 qubits, 3 capas).

Significancia y Reivindicaciones
El artículo afirma proporcionar el primer algoritmo capaz de determinar la relación funcional exacta entre los parámetros variacionales y los coeficientes de Fourier. Al revelar que la parte variacional de un circuito restringe el espectro, los autores argumentan que los VQC deben diseñarse específicamente para una tarea en lugar de simplemente maximizar la expresividad. El método propuesto ofrece una herramienta de simulación clásica para predecir el rendimiento del modelo y seleccionar arquitecturas, lo que potencialmente ahorra los recursos computacionales requeridos para entrenar modelos subóptimos. Sin embargo, los autores señalan modestamente que su método está actualmente limitado a circuitos pequeños debido al escalamiento exponencial de la simulación clásica y que la heurística de clasificación, aunque prometedora, requiere un mayor refinamiento respecto a la ponderación de sus componentes.