Scalable Memory Sharing in Photonic Quantum Memristors for Reservoir Computing

Resumen Técnico: Compartición de Memoria Escalable en Memristores Fotónicos Cuánticos para Computación de Reservorio

Planteamiento del Problema
Aunque los fotones son portadores robustos y operan a temperatura ambiente, ideales para el aprendizaje automático cuántico (QML), su naturaleza de interacción débil impide las interacciones intrínsecas fotón-fotón. Esta limitación dificulta la realización de funcionalidades de memoria esenciales para capturar dependencias temporales y contexto de largo alcance en sistemas fotónicos. Aunque implementaciones recientes basadas en mediciones de memristores cuánticos fotónicos (PQMR) han permitido respuestas no markovianas ajustables, la memoria existente permanece confinada a elementos locales. A diferencia de las redes biológicas o artificiales donde la memoria se comparte en todo el sistema, las redes actuales de PQMR carecen de un mecanismo escalable para la compartición de memoria distribuida. Además, aunque se han utilizado pares de fotones entrelazados para sondear la dinámica local, los obstáculos prácticos para generar entrelazamiento multifotónico de alta fidelidad hacen que la compartición de memoria escalable a través de redes de PQMR sea un desafío abierto.

Metodología
Los autores proponen un esquema de compartición de memoria escalable y basado en mediciones para redes de PQMR. La metodología central involucra:

1. Modelo de Transistor Cuántico Fotónico (PQMT): Para analizar la compartición de memoria a nivel de dispositivo, los autores introducen el modelo PQMT. A diferencia de un PQMR estándar, que actualiza su estado interno (desplazamiento de fase $\theta$) basándose únicamente en la historia de su propio número de fotones de entrada ($\langle n_A \rangle$), el PQMT actualiza su estado basándose en las evoluciones históricas tanto de su propia entrada como de la entrada de un nodo vecino. Esto se logra mediante el enrutamiento de una medición desde un puerto vecino (que actúa como una "compuerta") para influir en la actualización de la transmitancia local.
2. Arquitectura de Red: Los autores construyen una red de $N$ PQMTs conectados en paralelo con un acoplamiento de compuerta cíclico. En esta arquitectura, el resultado de la medición del puerto $D_{q+1}$ (o $D_1$) se retroalimenta para actualizar la transmitancia del $q$-ésimo (o $$N$$-ésimo) PQMR. Esto crea un bucle de retroalimentación no local donde el estado de cada nodo se ve influenciado por la historia colectiva de la red.
3. Simulación y Modelado: El sistema se modela utilizando estados de entrada sinusoidalmente oscilantes para evaluar la histéresis clásica (número de fotones) y cuántica (coherencia). La fuerza de la compartición de memoria se controla mediante un parámetro $d$, que modula una función de compuerta sigmoidea.
4. Aplicación de Computación de Reservorio Cuántico (QRC): La arquitectura propuesta se integra entre circuitos fotónicos unitarios de Haar aleatorios para formar un reservorio cuántico. El sistema se prueba en la tarea de clasificación Fashion-MNIST. El rendimiento se evalúa basándose en la separabilidad de los datos (distancia entre vectores de transmitancia) y en la métrica combinada de precisión y confianza.

Contribuciones Clave

• Esquema de Compartición de Memoria Escalable: El artículo propone un método para lograr memoria distribuida en redes cuánticas fotónicas sin depender de la generación compleja de entrelazamiento de múltiples fotones. En su lugar, utiliza extracciones basadas en mediciones de las historias de entrada a través del circuito.
• Modelo de Dispositivo PQMT: La introducción del modelo PQMT demuestra que la compartición de memoria puede realizarse asignando una población de estado de Fock cercana a una trayectoria de compuerta cuántica, creando efectivamente una "compuerta" que modula el comportamiento memristivo.
• Histéresis Mejorada: El estudio demuestra que la compartición de memoria conduce a mejoras pronunciadas en las respuestas de histéresis tanto clásica como cuántica a nivel de dispositivo, así como una histéresis cuántica mejorada a nivel de red.
• Mejora del Rendimiento de QRC: La arquitectura se aplica a un marco de computación de reservorio cuántico, mostrando mejoras significativas en las tareas de clasificación en comparación con las configuraciones de memoria localizada.

Resultados

• Histéresis a Nivel de Dispositivo: Las simulaciones muestran que reducir el número de fotones a nivel de compuerta ($\langle n_E \rangle$), lo que corresponde a una mayor compartición de memoria, mejora el contraste del bucle de histéresis clásica. Crucialmente, mientras que la compuerta reduce la transmitancia general, la histéresis de coherencia cuántica mantiene su área de bucle al aumentar el contraste entre los subbucles, lo que indica respuestas memristivas preservadas y diversificadas.
• Histéresis a Nivel de Red: En una red de cuatro PQMTs, el área de histéresis cuántica ($S_\gamma$) de las coherencias multimodo se incrementa significativamente para una mayor compartición de memoria (mayor $d$). Esta mejora es robusta a través de un conjunto de recursos multifotónicos arbitrarios y es particularmente pronunciada para ventanas de memoria ($\tau_{int}/\tau_{osc}$) superiores a 0.5.
• Rendimiento de Clasificación: Al aplicarse a la clasificación Fashion-MNIST, la red PQMT con compartición de memoria logra una mejora de más del doble en la métrica combinada de precisión-confianza en comparación con la red PQMR original (donde $d=0$). La configuración de compartición de memoria expande el espacio vectorial utilizado, lo que conduce a una mejor separabilidad de los datos y una reducción del agrupamiento de las representaciones de las imágenes.

Significancia
El artículo afirma que este enfoque allana el camino para un aprendizaje automático cuántico de alta capacidad utilizando dispositivos memristivos compatibles con la computación cuántica óptica lineal (LOQC). Al extender la dinámica no markoviana localizada hacia una memoria correlacionada a nivel de red, el esquema propuesto aborda el cuello de botella crítico de la funcionalidad de memoria en el QML fotónico. Los resultados sugieren que las configuraciones escalables basadas en mediciones pueden proporcionar funcionalidades de memoria fortalecidas sin necesidad de una generación de entrelazamiento compleja, ofreciendo una ruta práctica hacia una computación de reservorio fotónico más potente. Los autores señalan que, si bien la demostración actual utiliza una topología de anillo cíclico simple, el marco permite la exploración futura de arquitecturas de red más complejas (por ejemplo, grados de nodo más altos, redes de mundo pequeño) para mejorar aún más el rendimiento.