QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks

Resumen Técnico: QNAS

1. El Problema

El diseño de Redes Neuronales Cuánticas (QNN) que sean simultáneamente precisas y desplegable en hardware de la era NISQ (Noisy Intermediate-Scale Quantum) presenta desafíos significativos:

• Limitaciones de Hardware: Los dispositivos actuales tienen un número limitado de qubits. Para ejecutar circuitos más grandes, es necesario utilizar técnicas de "corte de circuitos" (circuit cutting), que dividen el circuito en subcircuitos más pequeños.
• Sobrecarga Exponencial: El corte de circuitos introduce una sobrecarga computacional exponencial ($O(4^k)$, donde $k$ es el número de cortes) debido a la necesidad de mediciones adicionales y post-procesamiento clásico.
• Brecha en la Búsqueda de Arquitectura (QAS): Los métodos existentes de búsqueda de arquitectura cuántica (QAS) suelen optimizar solo la precisión, controlando los recursos cuánticos (número de qubits, profundidad) de manera heurística. Rara vez consideran explícitamente el costo exponencial del corte de circuitos, lo que lleva a descubrir arquitecturas precisas pero prohibitivamente costosas de ejecutar en hardware real.
• Problemas de Entrenamiento: Las arquitectías diseñadas a mano a menudo sufren de "mesetas estériles" (barren plateaus), donde los gradientes desaparecen exponencialmente, dificultando el entrenamiento.

2. Metodología: El Framework QNAS

Los autores proponen QNAS, un marco de Búsqueda de Arquitectura Neural (NAS) diseñado específicamente para redes neuronales híbridas cuántico-clásicas (HQNN). El enfoque integra tres pilares fundamentales:

• Evaluación "One-Shot" Consciente del Hardware:

  • Utiliza una SuperCircuito compartida con parámetros compartidos.
  • En lugar de entrenar cada candidato exhaustivamente, QNAS entrena cada arquitectura candidata durante muy pocas épocas (2-5) en un subconjunto de datos para estimar su rendimiento.
  • Se valida que esta estrategia temprana tiene una correlación >0.9 con el rendimiento final, reduciendo drásticamente el costo computacional.

• Optimización Multi-Objetivo (NSGA-II):

  • QNAS emplea el algoritmo evolutivo NSGA-II para optimizar simultáneamente tres objetivos, generando un frente de Pareto:
    1. Error de Validación ($F_1$): Minimizar la pérdida de precisión.
    2. Costo de Tiempo de Ejecución ($F_2$): Un proxy medido por el tiempo de pared (wall clock time) por muestra, alineado con el costo real de ejecución.
    3. Sobrecarga de Corte ($F_3$): El número estimado de subcircuitos necesarios bajo un presupuesto de qubits objetivo ($Q_{target}$). Minimizar $F_3$ es crucial para evitar la penalización exponencial del corte.

• Espacio de Búsqueda Compacto y Flexible:

  • El "genoma" de cada arquitectura codifica:
    • Tipo de Codificación: Ángulo (X, Y, Z) o Amplitud.
    • Recursos: Número de qubits ($n$) y profundidad del circuito ($L$).
    • Entrelazamiento: Rango de entrelazamiento ($r$) y modo de puertas CNOT (todos, impar, par, ninguno).
    • Hiperparámetros: Tasa de aprendizaje.
  • Incluye un paso de transpilación simulada (usando "fake backends" de IBM con modelos de ruido) para evaluar la viabilidad de implementación en topologías de hardware específicas.

3. Contribuciones Clave

1. Pipeline QAS Consciente del Corte: Es el primer marco que integra explícitamente el conteo de subcircuitos como un objetivo de optimización, guiando la búsqueda hacia arquitecturas que son eficientes al ser particionadas para hardware limitado.
2. Descubrimiento de Diseños Óptimos: Automatiza la identificación de patrones de entrelazamiento y tipos de codificación óptimos para diferentes tipos de datos, evitando la necesidad de diseño manual propenso a errores.
3. Validación Empírica Rigurosa: Demuestra la eficacia del marco en tres benchmarks distintos (MNIST, Fashion-MNIST e Iris), mostrando cómo las mejores arquitecturas varían según la naturaleza de los datos.
4. Código de Código Abierto: El código fuente se ha liberado públicamente para facilitar la reproducibilidad.

4. Resultados Experimentales

Los experimentos se realizaron en MNIST, Fashion-MNIST y el conjunto de datos Iris, utilizando presupuestos de qubits objetivos de 4 y 2 respectivamente.

• MNIST (Imágenes en escala de grises):

  • Mejor Arquitectura: 97.16% de precisión en prueba.
  • Configuración: 8 qubits, 2 capas, codificación Angle-Y con modo CNOT "none-odd" (patrón disperso).
  • Hallazgo: Los patrones de entrelazamiento dispersos superan consistentemente a los densos (que tienden a caer en mesetas estériles).

• Fashion-MNIST (Imágenes más complejas):

  • Mejor Arquitectura: 87.38% de precisión en prueba.
  • Configuración: 5 qubits, 2 capas, codificación Angle-Y con modo CNOT "none-none".
  • Observación: La mayor variabilidad intraclase del dataset requiere arquitecturas ligeramente diferentes, pero la codificación Angle-Y sigue siendo dominante.

• Iris (Datos tabulares):

  • Mejor Arquitectura: 100% de precisión en validación.
  • Configuración: 4 qubits, 2 capas, codificación por Amplitud con modo CNOT "none-odd".
  • Hallazgo Crítico: A diferencia de las imágenes, la codificación por amplitud es superior para datos tabulares de baja dimensión, demostrando que no existe una solución única para todos los dominios.

• Análisis de Sobrecarga:

  • La inclusión de $F_3$ (número de subcircuitos) como objetivo redujo la sobrecarga de corte en un 62.8% en promedio en comparación con métodos que solo optimizan precisión y costo de tiempo, manteniendo una precisión similar.

5. Significado e Impacto

El trabajo de QNAS es significativo porque cierra la brecha entre la teoría de las redes neuronales cuánticas y su implementación práctica en hardware NISQ actual.

• Viabilidad de Despliegue: Al optimizar explícitamente para el corte de circuitos, QNAS descubre arquitecturas que no solo son precisas, sino que son económicamente viables de ejecutar en dispositivos con pocos qubits.
• Eficiencia Computacional: La estrategia de "pocas épocas" permite explorar espacios de búsqueda vastos sin el costo prohibitivo del entrenamiento completo de cada candidato.
• Guía para la Práctica: Proporciona a los investigadores y practicantes conocimientos accionables sobre qué configuraciones de entrelazamiento y codificación funcionan mejor para tipos específicos de datos, reduciendo la dependencia de la intuición manual.

En conclusión, QNAS establece un nuevo estándar para el diseño de algoritmos cuánticos híbridos, priorizando la eficiencia operativa y la adaptabilidad al hardware real junto con la precisión del modelo.