Attributed-graphs kernel implementation using local detuning of neutral-atoms Rydberg Hamiltonian

1. El Problema

El aprendizaje automático en grafos estructurados (como moléculas químicas, redes sociales o análisis de programas) enfrenta dos desafíos principales:

1. Naturaleza no euclidiana: La métrica intrínseca de los grafos (distancia del camino más corto) es discreta, lo que hace inadecuadas las similitudes vectoriales clásicas.
2. Limitaciones de los grafos no atribuidos: La literatura actual sobre núcleos cuánticos (quantum kernels) se centra principalmente en grafos sin atributos (solo topología). Sin embargo, en aplicaciones reales como la química, los nodos (átomos) y las aristas (enlaces) poseen características o etiquetas (ej. masa atómica, tipo de enlace) que son cruciales para la discriminación.
3. Complejidad computacional: Las medidas exactas de similitud (como el isomorfismo de grafos o la distancia de edición) son computacionalmente prohibitivas a medida que crece el tamaño del grafo.

El objetivo es desarrollar un marco de núcleos cuánticos de características (quantum-feature kernels) que pueda manejar grafos atribuidos de manera eficiente en hardware cuántico de átomos neutros, superando a los métodos clásicos en expresividad y rendimiento.

---

2. Metodología

Los autores proponen un marco que extiende los núcleos cuánticos existentes en tres direcciones principales, utilizando procesadores cuánticos de átomos neutros (QPUs) de Pasqal:

A. Codificación de Grafos Atribuidos (Embedding)

Se introduce un esquema para incrustar grafos en la Hamiltoniana de átomos de Rydberg:

• Estructura (Aristas): La topología del grafo se codifica en las posiciones de los átomos. Los átomos conectados se colocan cerca para tener un acoplamiento fuerte ($J_{ij}$), mientras que los no conectados están lejos (acoplamiento débil). Esto genera una matriz de acoplamiento dependiente del grafo.
• Atributos (Nodos): A diferencia de trabajos anteriores que usaban un desacople (detuning) global uniforme, este trabajo introduce un desacople local ($\delta_i$).
  • Se codifica la masa atómica de cada nodo en el campo de desacople local mediante la fórmula: $\delta^G_i = \delta_0 (1 - m_C / m_i)$.
  • Esto permite que la evolución temporal del estado cuántico capture no solo la conectividad, sino también las propiedades químicas de los átomos.

B. Nuevos Núcleos Cuánticos

Se comparan y desarrollan dos tipos de núcleos basados en observables medidos tras la evolución temporal:

1. Núcleo de Evolución Cuántica (QEK): Basado en observables globales (probabilidad de excitación $P_k(t)$). Mide la distribución global de excitaciones en el sistema.
2. Núcleo de Correlación Cuántica de Distancia Generalizada (GDQC): Una nueva propuesta basada en observables locales (matriz de correlación $C_{ij}(t) = \langle \hat{n}_i \hat{n}_j \rangle$).
   • Combina la matriz de correlación cuántica con la matriz de distancias del grafo (camino más corto).
   • Utiliza un proceso de "binning" (agrupamiento en intervalos) para crear un vector de características que captura la relación entre la distancia topológica y la correlación cuántica.
   • Está inspirado en el núcleo clásico GD-WL (Weisfeiler-Lehman).

C. Estrategias de Agrupamiento (Pooling)

Para mejorar la expresividad, se combinan información de múltiples pasos de tiempo ($t_1, ..., t_N$) durante la evolución cuántica mediante operaciones de pooling:

• Suma: Combinación lineal de los núcleos de cada paso de tiempo.
• Producto: Producto puntual (Hadamard) de los núcleos.
  Esto permite capturar dinámicas en diferentes regímenes temporales.

D. Evaluación

• Datos: Se utilizan dos conjuntos de datos de referencia (benchmark) de química: MUTAG (mutagénesis) y PTC_FM (toxicidad).
• Simulación: Se emula la dinámica cuántica utilizando la librería Pulser y el backend EMU-MPS (estado de producto matricial).
• Clasificación: Se entrena una Máquina de Soporte Vectorial (SVM) utilizando los núcleos calculados y se evalúa mediante la puntuación F1 ponderada.

---

3. Contribuciones Clave

1. Codificación de Atributos en Átomos Neutros: Demostración teórica y empírica de que el uso de campos de desacople local para codificar características de nodos (masa atómica) aumenta significativamente la expresividad del núcleo cuántico en comparación con la codificación global (sin atributos).
2. Propuesta del Núcleo GDQC: Introducción de un nuevo núcleo basado en observables locales (correlaciones) que, aunque muestra un rendimiento competitivo con QEK, ofrece una mayor expresividad teórica al capturar propiedades locales del grafo. Se demuestra que satisface las propiedades de un núcleo válido (semidefinido positivo).
3. Mejora mediante Pooling Temporal: Evidencia de que combinar información de múltiples pasos de tiempo mediante pooling permite a los núcleos cuánticos superar a los algoritmos clásicos de vanguardia en tareas de clasificación.
4. Análisis de Expresividad: Demostración formal de que los núcleos con incrustación de atributos son estrictamente más expresivos para distinguir grafos atribuidos que sus contrapartes sin atributos.

---

4. Resultados

Los resultados se obtuvieron mediante simulaciones extensas en los conjuntos de datos MUTAG y PTC_FM:

• Rendimiento vs. Clásicos:
  • Los núcleos cuánticos (QEK y GDQC) sin pooling ya mostraron un rendimiento competitivo con los mejores algoritmos clásicos (como Weisfeiler-Lehman optimal assignment).
  • Superación de Baselines: Al aplicar las estrategias de pooling (suma o producto), los núcleos cuánticos lograron superar consistentemente a los baselines clásicos.
    • En MUTAG, el núcleo GDQC con pooling alcanzó un F1 de 90.83%, superando al mejor clásico (86.88%).
    • En PTC_FM, el núcleo QEK con pooling alcanzó un F1 de 69.55%, superando al mejor clásico (63.40%).
• Impacto de los Atributos:
  • La versión del núcleo que utiliza desacople local (con atributos) superó sistemáticamente a la versión con desacople global (sin atributos), confirmando que la inclusión de características de nodos es vital para la discriminación en estos conjuntos de datos.
• Expresividad y Rank:
  • El análisis del rango de la matriz de Gram mostró que el núcleo GDQC con binning fino puede distinguir un mayor número de grafos no isomorfos que los métodos clásicos, aunque esto no siempre se traduce linealmente en mejor precisión de clasificación sin la optimización adecuada (regularización).

---

5. Significado e Impacto

Este trabajo representa un avance significativo en el aprendizaje automático de grafos potenciado por la cuántica (Quantum Graph Machine Learning):

• Viabilidad en Hardware Real: Demuestra que las plataformas de átomos neutros, que actualmente son accesibles, pueden implementar esquemas complejos de incrustación de grafos que van más allá de la simple topología, incluyendo atributos químicos.
• Ventaja Cuántica Empírica: Aunque no se logra una ventaja asintótica en velocidad de cálculo (la complejidad sigue siendo alta debido a la simulación y el pooling), se logra una ventaja empírica en rendimiento predictivo. Los métodos cuánticos logran una precisión superior a la de los métodos clásicos más avanzados en tareas de clasificación molecular.
• Nuevas Direcciones: La propuesta del núcleo GDQC y el uso de observables locales abren una nueva vía de investigación que se aleja de las mediciones globales tradicionales, aprovechando la riqueza de las correlaciones cuánticas locales para tareas de aprendizaje de máquinas.

En resumen, el artículo valida que la combinación de incrustación de atributos locales, observables cuánticos locales y agrupamiento temporal es una estrategia efectiva para construir núcleos de grafos cuánticos superiores a los clásicos en problemas del mundo real.