Superposed parameterised quantum circuits

A continuación presento un resumen técnico detallado del artículo "Superposed Parameterised Quantum Circuits" (Circuitos Cuánticos Parametrizados Superpuestos), basado en el documento proporcionado.

1. Planteamiento del Problema

El aprendizaje automático cuántico (QML) actual, basado principalmente en Circuitos Cuánticos Parametrizados (PQC), enfrenta limitaciones fundamentales que restringen su capacidad para competir con las redes neuronales profundas clásicas:

• Linealidad y falta de no-linealidad: Los modelos PQC estándar implementan transformaciones unitarias lineales. Sin mecanismos de activación no lineales explícitos, estos modelos se comportan esencialmente como métodos de kernel, incapaces de capturar relaciones no lineales complejas o de superar la "expresividad" de las redes profundas clásicas.
• Limitaciones de escalabilidad y recursos: Las arquitecturas existentes a menudo dependen de operaciones unitarias compartidas o requieren un aumento lineal en el número de qubits y la profundidad del circuito para manejar múltiples sub-modelos (ensambles), lo cual es prohibitivo en hardware de la era NISQ (Noisy Intermediate-Scale Quantum).
• Mesetas áridas (Barren Plateaus) y mínimos locales: Los circuitos profundos y aleatorios sufren de gradientes que decaen exponencialmente, y los modelos anchos tienen un número exponencial de mínimos locales subóptimos, dificultando el entrenamiento.

2. Metodología: Circuitos Cuánticos Parametrizados Superpuestos (SPQC)

Los autores proponen una nueva arquitectura, los SPQC, que integra dos técnicas avanzadas para superar las limitaciones anteriores:

A. Memoria Cuántica de Acceso Aleatorio Flip-Flop (FFQRAM)

Para lograr la escalabilidad y el paralelismo sin un costo exponencial de qubits:

• Se utiliza un registro de direcciones de $m$ qubits ancilla para indexar un conjunto exponencial de $L = 2^m$ conjuntos de parámetros distintos $\{\theta^{(k)}\}$.
• Mediante rotaciones controladas uniformemente, se cargan estos $L$ sub-modelos en superposición sobre un único registro de datos.
• Ventaja: Permite ejecutar $L$ sub-modelos independientes en paralelo utilizando solo $m = \log_2 L$ qubits adicionales, reduciendo la sobrecarga de recursos de lineal a logarítmica.

B. Protocolos "Repeat-Until-Success" (RUS) para No-Linealidad

Para introducir no-linealidades controladas (funciones de activación):

• Se emplean protocolos RUS que involucran qubits ancilla y post-selección.
• El circuito se ejecuta repetidamente hasta que los qubits ancilla miden un patrón de "éxito" específico.
• Mecanismo de activación: Al duplicar la capa y post-seleccionar solo cuando ambas copias colapsan al mismo estado, las amplitudes de probabilidad se transforman. Por ejemplo, duplicar la capa y post-seleccionar genera una activación cuadrática ($p \to p^2$). Esto permite construir funciones polinómicas no lineales directamente en las amplitudes del estado cuántico.

Estructura de la Arquitectura

El SPQC funciona como una red neuronal profunda cuántica:

1. Codificación de datos: Se mapean los datos clásicos a un estado cuántico.
2. Paralelización: La FFQRAM carga múltiples conjuntos de parámetros en superposición.
3. Transformación no lineal: Las capas RUS aplican funciones de activación polinómicas a las amplitudes de los resultados de las capas anteriores.
4. Iteración: Este proceso se repite para crear capas profundas, propagando las "activaciones" a través de las amplitudes del vector de estado.

3. Contribuciones Clave

• Marco Unificado: Introduce la primera arquitectura que combina la superposición de parámetros (ensamble cuántico) con transformaciones no lineales inducidas por RUS en un solo circuito coherente.
• Eficiencia de Recursos: Demuestra que se pueden entrenar múltiples sub-modelos en paralelo con un costo logarítmico en qubits ancilla, evitando el "estallido" de recursos de los enfoques de réplicas clásicas.
• Superación de la Linealidad: Proporciona un mecanismo para inducir funciones de activación polinómicas (cuadráticas, cúbicas, etc.) que amplían el espacio de hipótesis más allá de los kernels cuánticos lineales tradicionales.
• Análisis Teórico y Empírico: Ofrece una descripción analítica de cómo múltiples conjuntos de parámetros se entrenan en paralelo y cómo las transformaciones de amplitud no lineales mejoran el poder representacional.

4. Resultados Numéricos

Los autores validaron el SPQC en dos tareas sintéticas:

A. Regresión de Función Escalonada (1D)

• Tarea: Aproximar una función de onda cuadrada (discontinua).
• Comparación: Un SPQC de 2 qubits de datos con 2 ancillas (4 sub-modelos) vs. un PQC estándar de profundidad equivalente (mismo número total de parámetros).
• Resultado: El SPQC redujo el error cuadrático medio (MSE) en tres órdenes de magnitud ($2.8 \times 10^{-5}$ vs $3.8 \times 10^{-2}$) y logró un $R^2 \approx 1.0$, mientras que el PQC lineal falló en capturar las discontinuidades.
• Escalabilidad: Aumentar el número de qubits ancilla ($m$) de 1 a 4 mejoró drásticamente la precisión, mostrando que el ensamble coherente es crucial para aproximar funciones complejas.

B. Clasificación en Estrella (2D)

• Tarea: Clasificar puntos dentro/fuera de un polígono de estrella de cinco brazos (frontera de decisión altamente no lineal).
• Comparación: SPQC lineal vs. SPQC con activación cuadrática.
• Resultado: La introducción de la activación cuadrática aumentó la precisión del 80.37% al 81.38% y redujo la varianza de las ejecuciones en un factor de tres, indicando una convergencia más estable. Aunque el MSE aumentó ligeramente (dentro de la desviación estándar), la capacidad de modelar la geometría compleja mejoró significativamente.

5. Significado e Impacto

Este trabajo es significativo porque:

1. Puente hacia el Aprendizaje Profundo Cuántico: Los SPQC cierran la brecha entre los modelos cuánticos actuales (lineales) y las redes neuronales profundas clásicas, incorporando conceptos clave como bagging (ensambles) y funciones de activación no lineales.
2. Viabilidad en Hardware NISQ: La arquitectura es eficiente en recursos, requiriendo solo $n + \log L$ qubits y una profundidad de circuito no-Clifford que escala logarítmicamente, lo que la hace candidata para implementación en procesadores cuánticos actuales.
3. Nueva Dirección de Investigación: Sugiere que la ventaja cuántica en ML no solo proviene de kernels complejos, sino de la capacidad de construir arquitecturas profundas y no lineales eficientes.

Limitaciones y Futuro:
El principal desafío es la sobrecarga de disparos (shot overhead) debido a la post-selección en los protocolos RUS, donde la tasa de retención escala como $p_{succ}^r$ para activaciones de orden $r$. Los autores proponen futuras mejoras mediante amplificación de amplitud, corrección de errores y compilación consciente del ruido para mitigar estos costos.

En conclusión, los SPQC representan un paso crucial hacia circuitos cuánticos parametrizados más profundos, versátiles y capaces de aprender fronteras de decisión complejas, posicionándose como una ruta eficiente hacia el aprendizaje automático cuántico práctico.