Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks

Resumen Técnico: Shot-Based Quantum Encoding (SBQE)

1. El Problema: El Cuello de Botella en la Carga de Datos

El aprendizaje automático cuántico (QML) en la era de los dispositivos cuánticos de escala intermedia ruidosos (NISQ) enfrenta dos obstáculos principales: la codificación eficiente de datos clásicos en registros cuánticos y la extracción de información a través de mediciones limitadas por el ruido.

• Codificación Angular: Mapea características a rotaciones de un solo qubit. Es de bajo profundidad, pero su capacidad representacional escala linealmente con el número de qubits, subutilizando la dimensión exponencial del espacio de Hilbert.
• Codificación de Amplitud: Permite cargar $2^n$ características en $n$ qubits, saturando la capacidad cuántica. Sin embargo, requiere circuitos de preparación de estado con profundidad exponencial ($O(2^n)$), lo que excede los presupuestos de coherencia y fidelidad del hardware actual.
• Necesidad: Se requiere una estrategia que aproveche la capacidad exponencial sin aumentar la profundidad del circuito ni la susceptibilidad al ruido.

2. Metodología: Codificación Cuántica Basada en Disparos (SBQE)

Los autores proponen SBQE, una estrategia que traslada la carga de trabajo de la codificación desde "puertas coherentes" hacia la capa de control clásico que orquesta las ejecuciones repetidas del circuito ("disparos" o shots).

• Concepto Central: En lugar de preparar un único estado puro por dato, SBQE asigna a cada punto de datos un vector de probabilidad clásico $p(x)$. Este vector dicta cuántos disparos deben iniciarse desde cada miembro de un conjunto fijo y fácil de preparar de estados base (por ejemplo, $|0\rangle, |1\rangle, |+\rangle, |-\rangle$).
• Formulación de Matriz de Densidad:
  • El estado codificado es una mezcla estadística clásica: $\rho(x) = \sum p_j(x) |\psi_j\rangle\langle\psi_j|$.
  • Este estado mixto se alimenta a un circuito variacional superficial $U(\theta)$.
  • Los valores esperados de las observables son lineales en las probabilidades clásicas $p_j(x)$, lo que permite su composición directa con funciones de activación no lineales clásicas.
• Analogía con Perceptrones Multicapa (MLP):
  • SBQE es estructuralmente equivalente a un MLP clásico.
  • La capa cuántica actúa como una transformación lineal donde los "pesos" son los valores esperados de las observables sobre los estados base ($W_{ij} = \langle \psi_j | U^\dagger O U | \psi_j \rangle$).
  • Se introduce una función de activación (basada en log-ReLU y normalización) que transforma el vector de salida en un nuevo vector de probabilidad válido, permitiendo apilar capas cuánticas ("perceptrones cuánticos").
• Ventaja Clave: No se requieren puertas de codificación adicionales. La información se codifica exclusivamente mediante la redistribución clásica de los disparos disponibles.

3. Contribuciones Clave

1. Nuevo Paradigma de Codificación: Introduce SBQE como una alternativa viable a la codificación angular y de amplitud, utilizando los disparos (un recurso abundante en experimentos NISQ) como grado de libertad aprendible.
2. Equivalencia Estructural: Establece formalmente la conexión entre SBQE y las redes neuronales clásicas, demostrando que las capas cuánticas pueden verse como transformaciones lineales sobre distribuciones de probabilidad.
3. Protocolo de Implementación: Describe un protocolo compatible con hardware que elimina las puertas de codificación, reduciendo la profundidad del circuito y la acumulación de errores coherentes.
4. Capacidad de Escala Logarítmica: Permite codificar hasta $2^q$ características en un registro de $q$ qubits sin aumentar la profundidad del circuito, superando la limitación lineal de la codificación angular.

4. Resultados Experimentales

Los autores evaluaron SBQE en tareas de clasificación de imágenes (Fashion-MNIST y dígitos escritos a mano Semeion) comparándolo con:

• Híbrido de Amplitud: Codificación de amplitud estándar con capas variacionales.
• MLP Lineal Clásico: Una red clásica con un número de parámetros igualado al de los modelos cuánticos.

Rendimiento en Semeion (Dígitos escritos a mano):

• Precisión de SBQE: $89.1\% \pm 0.9\%$.
• Mejora: Reducción del error del $5.3\%$ en comparación con la codificación de amplitud.
• Comparación Clásica: Equivalente estadísticamente a una red MLP clásica de ancho igualado ($89.6\%$), a pesar de usar un hardware cuántico limitado.

Rendimiento en Fashion-MNIST:

• Precisión de SBQE: $80.95\% \pm 0.10\%$.
• Mejora: Supera a la codificación de amplitud en un $2.0\%$ absoluto y a un MLP lineal en un $1.3\%$.
• Contexto: Logra cerrar la brecha con modelos lineales clásicos utilizando el mismo presupuesto de hardware cuántico, pero redirigiéndolo hacia la mezcla probabilística.

Análisis Estadístico:
Pruebas t pareadas confirman que SBQE es significativamente mejor que la codificación de amplitud en ambos conjuntos de datos ($p < 0.01$).

5. Significado e Implicaciones

• Superación de Limitaciones NISQ: SBQE demuestra que es posible lograr un rendimiento competitivo en hardware ruidoso sin depender de circuitos profundos o complejos de preparación de estado.
• Aprovechamiento de Recursos Existentes: Utiliza los disparos, un recurso que ya se requiere para la estimación de observables, transformándolo en un canal de información para la codificación de datos.
• Flexibilidad para Datos de Alta Dimensión: La capacidad de codificar $2^q$ características en $q$ qubits sin puertas de codificación lo hace ideal para entradas de alta dimensionalidad (como imágenes completas) que anteriormente requerían técnicas de reducción de dimensionalidad agresivas o circuitos prohibitivamente profundos.
• Regularización por Ruido: Al evitar la preparación de estados puros complejos, el esquema es inherentemente más robusto frente a la acumulación de errores coherentes.

En conclusión, el artículo presenta SBQE como un método práctico y eficiente para la carga de datos en QML, sugiriendo que la asignación de disparos es un canal de información subutilizado pero potente para los clasificadores cuánticos en la era actual.