Explicit Block Encoding of Difference-of-Gaussian Operators on a Periodic Grid

Título: Codificación de Bloque Explícita de Operadores Diferencia de Gaussianas (DoG) en una Cuadrícula Periódica

1. El Problema

El operador Diferencia de Gaussianas (DoG) es una herramienta fundamental en el procesamiento de imágenes (detección de características y bordes), el aprendizaje automático cuántico y los métodos de diferencias finitas (como aproximaciones del Laplaciano de Gaussianas). Sin embargo, representar estos operadores en hardware clásico para problemas de alta resolución y multidimensionales es intratable debido a la complejidad espacial que crece como $O(N^D)$, donde $N$ es el número de puntos de la cuadrícula y $D$ la dimensión.

En el ámbito cuántico, los enfoques existentes presentan limitaciones significativas:

• Codificaciones basadas en NEQR: Utilizan aritmética cuántica donde la profundidad del circuito y el conteo de puertas escalan con el tamaño de la imagen y la profundidad de bits de los píxeles, sin aprovechar la estructura especial de los coeficientes del filtro.
• Codificación de Bloque Estándar: Los métodos generales suelen depender de oráculos de caja negra (como memoria de acceso aleatorio cuántica, QRAM) o iteraciones unarias para cargar las entradas de la matriz. Estos métodos incurrirían en costos de puertas inmanejables incluso para tamaños de sistema modestos.

Existe una necesidad urgente de circuitos explícitos que aprovechen la estructura matemática de los operadores para lograr una codificación de bloque eficiente sin depender de oráculos costosos.

2. Metodología

Los autores proponen una construcción de codificación de bloque explícita para el operador DoG sobre una cuadrícula periódica, basándose en la observación central de que el stencil (plantilla) DoG posee una estructura probabilística natural.

• Descomposición Probabilística: El operador DoG discreto $A_h$ se descompone como la diferencia de dos distribuciones de probabilidad gaussianas discretas normalizadas ($p_t$ y $q_t$):
  $$A_h = \sum_{t \in T} (p_t - q_t) S_t$$
  Donde $S_t$ son operadores de desplazamiento cíclico.
• Marco LCU (Combinación Lineal de Unitarios): La metodología mapea esta estructura directamente al marco LCU. En lugar de cargar amplitudes con signo negativo (lo cual es costoso), el circuito utiliza:
  1. Preparación de Estados: Circuitos eficientes para preparar los estados cuánticos correspondientes a las magnitudes $\sqrt{p_t}$ y $\sqrt{q_t}$.
  2. Indicador de Signo: Un solo qubit auxiliar (registro indicador) se utiliza para diferenciar las dos ramas gaussianas. Una puerta Pauli-Z en este qubit introduce un desfase de $\pi$ relativo, convirtiendo efectivamente la suma de las dos ramas en su diferencia.
• Estructura del Circuito:
  • Registros: Un registro indicador, un registro de etiquetas de desplazamiento y un registro de datos.
  • Operaciones: Se emplean puertas de Clifford (Hadamard, Pauli-Z) y oráculos de preparación de estados gaussianos. No se requiere QRAM ni aritmética compleja para los coeficientes.

3. Contribuciones Clave

El artículo presenta tres contribuciones principales:

1. Codificación de Bloque Explícita y Eficiente:

   • Se construye un circuito cuántico que codifica $A_h$ con un factor de subnormalización constante $\lambda = 2$.
   • Este factor es independiente del tamaño de la cuadrícula ($N$), la dimensión espacial ($D$) y el ancho del stencil.
   • Elimina la necesidad de carga de amplitudes con signo, QRAM o oráculos de caja negra.

2. Caracterización Espectral:

   • Se demuestra que el operador DoG es diagonalizado por la base de Fourier discreta.
   • Los autovalores son la diferencia de las transformadas de Fourier de las distribuciones $p$ y $q$.
   • Bajo condiciones de simetría del kernel, el operador es hermítico, lo que permite su uso directo en primitivas cuánticas basadas en autovalores (como simulación de Hamiltonianos) sin necesidad de dilatación hermítica adicional.

3. Análisis de Probabilidad de Éxito:

   • Se deriva una expresión cerrada exacta para la probabilidad de éxito de la codificación, que depende del espectro de potencia de la señal de entrada ponderado por la función de transferencia del operador.
   • Se prueba que, para funciones suaves y a medida que la cuadrícula se refina ($h \to 0$), la probabilidad de éxito escala como $O(h^4)$.

4. Resultados

• Factor de Subnormalización Constante: A diferencia de las codificaciones de Laplaciano estándar que requieren un factor $\lambda$ que escala con $1/h^2$ (lo que reduce drásticamente la probabilidad de éxito), este método mantiene $\lambda = 2$. Esto significa que la amplitud de salida disminuye como $h^2$ para entradas suaves, logrando la misma escala de probabilidad $O(h^4)$ pero con una ventaja estructural.
• Eficiencia de Recursos: El costo no-Clifford se reduce a la preparación de estados gaussianos y a los operadores de desplazamiento controlados. Para kernels grandes, se pueden utilizar métodos que reducen el costo de $O(2^s)$ a $O(s^2)$ (donde $s$ es el número de qubits del stencil), aunque esto introduce una pequeña penalización en el factor de subnormalización efectivo.
• Validación Numérica: Los ejemplos numéricos en 1D confirman que la probabilidad de éxito calculada exactamente coincide con la fórmula asintótica $O(h^4)$ a medida que se refina la cuadrícula, validando la teoría.
• Comportamiento de Filtro: La respuesta en frecuencia confirma el comportamiento de filtro paso-banda, suprimiendo componentes de baja frecuencia (DC) y alta frecuencia, reteniendo solo las características en la escala intermedia definida por los parámetros $\sigma_p$ y $\sigma_q$.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Superación de Cuellos de Botella: Ofrece una ruta viable para implementar filtros DoG en computadoras cuánticas sin depender de recursos costosos como QRAM, haciendo que los algoritmos de procesamiento de imágenes cuánticos sean más prácticos.
• Optimización para Transformaciones Espectrales: La propiedad de tener un factor de subnormalización constante ($\lambda=2$) es crucial para técnicas avanzadas como la Transformación de Valor Singular Cuántico (QSVT). Permite realizar transformaciones espectrales (como umbralización o amplificación selectiva) sin comprimir el espectro de autovalores, lo cual es vital para la eficiencia de algoritmos posteriores.
• Generalización: La metodología no se limita a las Gaussianas; se aplica a cualquier operador expresable como una combinación lineal con signo de distribuciones normalizadas sobre desplazamientos unitarios.
• Aplicabilidad: Proporciona una construcción explícita para un filtro paso-banda de ancho de plantilla ajustable, controlado por dos parámetros de escala gaussianos, con una respuesta de frecuencia predecible y analíticamente caracterizada.

En resumen, el paper establece un nuevo estándar para la implementación de operadores de diferencias finitas y filtros de imagen en computación cuántica, combinando eficiencia de recursos con una caracterización matemática rigurosa.