Encoding Numerical Data for Generative Quantum Machine Learning

Resumen Técnico: Codificación de Datos Numéricos para el Aprendizaje Automático Cuántico Generativo

1. Planteamiento del Problema

El aprendizaje automático cuántico generativo (QML), y específicamente las Máquinas Nacidas de Circuitos Cuánticos (QCBM), están diseñados para inferir distribuciones de probabilidad subyacentes y generar nuevas muestras sintéticas. Sin embargo, existe una brecha fundamental entre la naturaleza de estos modelos y los datos del mundo real:

• Limitación Binaria: La mayoría de los modelos QML operan a nivel binario (cadenas de bits), midiendo estados cuánticos para obtener resultados en $\{0, 1\}^n$.
• Naturaleza de los Datos Reales: Los datos del mundo real (imágenes, mediciones físicas, series temporales) suelen ser numéricos y continuos.
• El Problema de la Codificación: Para entrenar un QCBM con datos continuos, estos deben discretizarse y mapearse a cadenas de bits. El enfoque estándar utiliza la codificación binaria natural (Standard Code - SC).
• Consecuencias Negativas: La codificación binaria estándar no preserva la proximidad numérica. Por ejemplo, los enteros consecutivos 3 (011) y 4 (100) tienen una distancia de Hamming de 3 (requieren cambiar 3 bits). Esto obliga al modelo cuántico a aprender correlaciones artificiales y complejas (entrelazamiento no local) que son un artefacto de la codificación y no de los datos reales, ocultando la estructura original y dificultando la generalización.

2. Metodología

Los autores proponen y evalúan una estrategia de codificación alternativa basada en Códigos de Gray, específicamente el Código Gray Reflejado (RGC), para mapear datos numéricos a espacios de bits.

• Marco Teórico:
  • Se define una función biyectiva $f$ que mapea índices de datos $j$ a cadenas de bits $b$.
  • Se analizan cuatro tipos de codificaciones:
    1. Código Estándar (SC): Binario natural. No preserva la vecindad (alta distancia de Hamming entre enteros consecutivos).
    2. Código Aleatorio (RC): Mapeo aleatorio. Destruye toda estructura.
    3. Código Gray Reflejado (RGC): Garantiza que enteros consecutivos difieran en exactamente un bit ($H(f(i), f(i+1)) = 1$). Preserva la estructura de vecindad y simetrías.
    4. Código Gray Monótono (MGC): Intenta aumentar el peso de Hamming de forma casi monótona, pero carece de la jerarquía de bits del RGC.
• Configuración Experimental:
  • Modelo: QCBM utilizando un ansatz eficiente de hardware (HEA) con topología lineal de entrelazamiento (puertas CNOT en bloques).
  • Función de Pérdida: Se utiliza la discrepancia media máxima al cuadrado (MMD²) con kernels gaussianos, ya que es adecuada para modelos implícitos y no requiere conocer la distribución completa.
  • Optimización: Se emplea el optimizador Adam y la regla de desplazamiento de parámetros (parameter-shift rule) para calcular gradientes.
  • Datasets: Se probaron tres distribuciones objetivo en 1D:
    1. Gaussiana centrada (simétrica).
    2. Múltiples Gaussianas (sin simetría global).
    3. Múltiples distribuciones en forma de sierra (datos no continuos).

3. Contribuciones Clave

1. Identificación de la Codificación como Factor Crítico: El trabajo demuestra que la elección del mapa binario es tan crucial como la arquitectura del circuito. Una codificación inadecuada puede ocultar la estructura de los datos y prevenir la generalización.
2. Propuesta del Código Gray Reflejado (RGC): Se propone el uso de RGC como una solución de bajo costo computacional (sin sobrecarga) que conserva la estructura de datos continuos y evita correlaciones artificiales.
3. Inducción de Sesgo (Inductive Bias): El RGC introduce un sesgo inductivo favorable para datos continuos al mapear puntos de datos cercanos a cadenas de bits cercanas (distancia de Hamming 1), facilitando que el modelo cuántico aprenda distribuciones suaves sin necesidad de circuitos excesivamente profundos.
4. Validación Empírica: Se demuestra que el RGC supera consistentemente al código estándar en la mayoría de los escenarios, permitiendo un entrenamiento más rápido y preciso.

4. Resultados

Los experimentos simulados con 6 a 16 qubits arrojaron los siguientes hallazgos:

• Distribución Gaussiana Centrada:
  • El código estándar (SC) requiere al menos 3 capas de entrelazamiento para capturar las correlaciones necesarias, y converge lentamente.
  • El código Gray Reflejado (RGC) logra converger en ~50 épocas, incluso con circuitos sin entrelazamiento ($L=0$) para datos simples, demostrando que la codificación correcta reduce drásticamente la complejidad del aprendizaje.
• Múltiples Gaussianas (Sin simetría global):
  • El RGC supera al SC en el 85% de las combinaciones de profundidad y número de qubits.
  • Los modelos con SC y códigos aleatorios (RC) sufren de "mesetas estériles" (barren plateaus) y degradación del rendimiento al aumentar el número de qubits, mientras que el RGC mantiene la estabilidad.
• Distribuciones en Sierra (Datos no continuos):
  • El RGC sigue siendo superior en distribuciones de ancho intermedio.
  • Esto confirma que el RGC no está restringido a datos continuos; su ventaja proviene de la preservación de la estructura de vecindad, no solo de la simetría.
• Métricas de Calidad: Utilizando la métrica $QMMD^2$ (media geométrica de la pérdida a lo largo de las épocas), los modelos con RGC mostraron valores significativamente más bajos (mejor ajuste) y una dependencia mucho menor de la profundidad del circuito en comparación con el código estándar.

5. Significado e Impacto

Este trabajo es fundamental para el avance del QML generativo en aplicaciones prácticas:

• Viabilidad de Datos Reales: Proporciona una solución directa para integrar datos numéricos del mundo real en modelos cuánticos sin perder información estructural crítica.
• Eficiencia de Recursos: Al facilitar el aprendizaje con circuitos más superficiales y menos entrelazamiento, el uso de RGC hace que los modelos sean más viables en hardware cuántico actual (NISQ), donde la profundidad del circuito es limitada por el ruido.
• Generalización: Evita que el modelo aprenda "ruido" introducido por la codificación, mejorando la capacidad de generalización a datos no vistos.
• Dirección Futura: Sugiere que la elección de la codificación debe alinearse con la topología del circuito (ansatz). Para topologías lineales, códigos con jerarquía lineal (como SC y RGC) son superiores, abriendo nuevas líneas de investigación sobre la interacción entre codificación y arquitectura cuántica.

En conclusión, el artículo establece que el Código Gray Reflejado es una mejora estándar y esencial para la codificación de datos numéricos en QCBMs, ofreciendo un rendimiento superior con una implementación trivial.