A Continuous-Variable Quantum Fourier Layer: Applications to Filtering and PDE Solving

Resumen Técnico: Una Capa de Transformada de Fourier Cuántica de Variables Continuas (CV-QFL)

1. El Problema

La transformada de Fourier es una herramienta fundamental en el procesamiento de señales y la resolución numérica de ecuaciones diferenciales parciales (EDP). Sin embargo, existen desafíos significativos al integrar estas operaciones en el aprendizaje automático cuántico (QML):

• Codificación de Datos: La mayoría de los enfoques de QML codifican datos clásicos como vectores unidimensionales o características locales, lo que dificulta la representación de campos multidimensionales estructurados (como imágenes o soluciones de EDP) en estados cuánticos.
• Limitaciones de la FFT Clásica: La Transformada Rápida de Fourier (FFT) clásica tiene una complejidad computacional de $O(N \log N)$ para señales de tamaño $N$. Para datos 2D de tamaño $m \times n$, la complejidad escala como $O(mn \log(mn))$.
• Brecha Estructural: Aunque la descomposición de Cooley-Tukey (CT) de la FFT tiene una estructura de "mariposa" que se asemeja a operaciones ópticas (divisores de haz y desplazadores de fase), la conexión entre este algoritmo clásico y las arquitecturas cuánticas de variables continuas (CV) no había sido explotada sistemáticamente para realizar transformadas de Fourier 2D exactas dentro de circuitos fotónicos gaussianos.

2. Metodología

Los autores proponen una arquitectura novedosa llamada Capa de Transformada de Fourier Cuántica de Variables Continuas (CV-QFL), basada en la isomorfismo estructural entre la red de mariposas de Cooley-Tukey y las puertas cuánticas fotónicas gaussianas.

A. Codificación Bipartita de Matrices Gaussianas
Para manejar datos 2D (matrices $D \in \mathbb{R}^{m \times n}$), se introduce un esquema de codificación que utiliza dos registros de modos bosónicos ($r_1$ con $m$ modos y $r_2$ con $n$ modos):

1. Descomposición SVD: La matriz de entrada $D$ se descompone en $D = U \Sigma V^\top$.
2. Entrelazamiento: Se utilizan puertas de aplastamiento de dos modos (TMS) para codificar los valores singulares ($\Sigma$) en las correlaciones cruzadas entre los dos registros. Esto crea un estado gaussiano bipartito donde la información de la matriz reside en la estructura de entrelazamiento.
3. Reconstrucción: Se aplican interferómetros pasivos (representados por $U$ y $V$) en cada registro para reconstruir la matriz original en el bloque de covarianza cruzada del estado cuántico.

B. Implementación de la Transformada de Fourier (CV-QFL)
La capa CV-QFL aplica la transformada de Fourier 2D directamente sobre el estado codificado:

• Se aplica una Transformada de Fourier Cuántica (QFT) 1D independiente a cada registro ($r_1$ y $r_2$) simultáneamente.
• La estructura de Cooley-Tukey se mapea nativamente a operaciones ópticas:
  • Las rotaciones de fase implementan los factores de "twiddle" ($\omega_k^n$).
  • Los divisores de haz (Beam Splitters) implementan la combinación lineal de los modos.
• Resultado: La transformada 2D completa se obtiene leyendo los momentos de segundo orden (covarianza) del estado resultante. Específicamente, la matriz transformada $\hat{D}$ se extrae combinando el bloque de covarianza cruzada de posición ($\sigma_{x_1 x_2}$) y el bloque cruzado posición-momento ($\sigma_{x_1 p_2}$):
  $$\hat{D} = \sigma'_{x_1 x_2} + i \sigma'_{x_1 p_2} = F_m D F_n^\top$$

C. Complejidad Computacional

• Clásica (FFT 2D): $O(mn \log(mn))$.
• Propuesta (CV-QFL): Al ejecutar las transformadas 1D en paralelo sobre registros disjuntos, la complejidad de puertas ópticas se reduce a $O(m \log m + n \log n)$. Esto representa una mejora significativa en la eficiencia de recursos para dominios grandes.

3. Contribuciones Clave

1. Esquema de Codificación Bipartita: Introducción de un método para incrustar exactamente una matriz 2D en el bloque de covarianza cruzada de un estado gaussiano multimodo, preservando la estructura espacial separable.
2. Arquitectura CV-QFL: Diseño de una capa que realiza una transformada de Fourier cuántica 2D exacta utilizando únicamente puertas gaussianas nativas (divisores de haz y desplazadores de fase), aprovechando la isomorfía con el algoritmo de Cooley-Tukey.
3. Reducción de Complejidad: Demostración teórica de que la implementación bipartita reduce la complejidad de puertas de $O(mn \log(mn))$ a $O(m \log m + n \log n)$.
4. Validación Experimental: Implementación y prueba de la arquitectura en dos tareas críticas: filtrado espectral y resolución de EDPs.

4. Resultados

Los autores validaron la CV-QFL utilizando el simulador de Strawberry Fields (backend gaussiano) en dos escenarios:

• Filtrado Espectral de Baja Frecuencia:

  • Tarea: Eliminar ruido gaussiano de una imagen de $64 \times 64$ conservando solo componentes de baja frecuencia.
  • Método: Se aplicó un canal de pérdida (LossChannel) en el dominio de Fourier para atenuar modos de alta frecuencia (enmascarado espectral).
  • Rendimiento: La reconstrucción de la imagen filtrada por el circuito cuántico coincidió con la referencia clásica con un error máximo de $3.8 \times 10^{-15}$ (precisión de máquina). La mejora de la relación señal-ruido (SNR) fue de +9.4 dB, comparable al método clásico (+10.7 dB).

• Resolución de la Ecuación de Calor 2D:

  • Tarea: Integrar la ecuación de calor $\partial_t u = \alpha \nabla^2 u$ en el dominio de Fourier.
  • Método: Se implementó el propagador espectral exacto $G(k, \Delta t) = e^{-\alpha|k|^2 \Delta t}$ ajustando la transmitancia de los canales de pérdida en el dominio de Fourier.
  • Rendimiento: La solución evolucionada por el circuito CV-QFL coincidió con la solución del pseudoespectro clásico en todos los pasos de tiempo, con errores absolutos máximos del orden de $10^{-16}$ (precisión de punto flotante).

5. Significado e Impacto

• Procesamiento Nativo Óptico: La arquitectura permite procesar señales que ya existen como campos ópticos coherentes (por ejemplo, en sensores de frente de onda) sin necesidad de una costosa etapa de codificación clásica a cuántica. Esto es crucial para el "aprendizaje de operadores" (Operator Learning) en hardware nativo.
• Fundamento para Operadores Cuánticos: Proporciona un bloque de construcción fundamental para arquitecturas de "Operadores Neuronales Cuánticos" (Quantum Neural Operators) dentro del marco de variables continuas, permitiendo el aprendizaje de mapeos entre funciones en lugar de vectores discretos.
• Limitaciones y Futuro: Actualmente, la implementación es puramente gaussiana, lo que significa que es simulable clásicamente y no ofrece una ventaja cuántica computacional inmediata para problemas puramente clásicos. Sin embargo, establece la base para futuras extensiones que incorporen recursos no gaussianos para abordar problemas intrínsecamente cuánticos (como dinámicas de Hamiltonianos de muchos cuerpos) donde la simulación clásica es intractable.

En conclusión, este trabajo cierra la brecha entre la estructura algorítmica clásica de la FFT y las operaciones cuánticas fotónicas, ofreciendo una ruta eficiente y precisa para el procesamiento espectral 2D en computación cuántica de variables continuas.