Resumen Técnico: Modelos de Difusión Schrödinger Estocástica para la Generación de Conjuntos de Estados Puros

1. Planteamiento del Problema

En el Aprendizaje Automático Cuántico (QML), los datos clásicos se codifican frecuentemente como estados puros cuánticos (vectores en un espacio de Hilbert módulo fase global) para aprovechar los espacios de características cuánticos. Cuando los datos cuánticos son escasos, un enfoque natural es aumentar el conjunto de datos muestreando nuevos estados desde el conjunto subyacente. Sin embargo, perturbar ingenuamente las entradas clásicas y volver a codificarlas a menudo produce estados cuánticos patológicos, como estados de características casi ortogonales o estructuras de entrelazamiento colapsadas, lo cual perjudica la estabilidad del entrenamiento y la generalización.

El desafío radica en extender los modelos de difusión basados en puntuación (score-based) al espacio de estados puros cuánticos. A diferencia de los espacios euclidianos, los estados puros residen en la variedad proyectiva compleja $\mathbb{CP}^{d-1}$, dotada de la métrica de Fubini–Study (FS). Esta geometría no euclidiana presenta dos obstáculos principales:

1. Densidades de Transición Intratables: Las densidades de transición requeridas para el entrenamiento estándar basado en puntuación generalmente no están disponibles en forma cerrada en $\mathbb{CP}^{d-1}$.
2. Complejidad Geométrica: Definir difusiones hacia adelante, puntuaciones (scores) y muestreadores de tiempo inverso requiere un manejo cuidadoso de la curvatura de la variedad y la invariancia de fase global.

Los enfoques existentes de "difusión cuántica" a menudo se centran en la recuperación de estados mediante canales ruidosos o la evolución de matrices de densidad, en lugar del modelado generativo de conjuntos de estados puros para la augmentación de datos.

2. Metodología: Modelos de Difusión Schrödinger Estocástica (SSDMs)

Los autores proponen los Modelos de Difusión Schrödinger Estocástica (SSDMs), un marco generativo intrínseco basado en puntuación definido directamente sobre la variedad de estados puros $\mathbb{CP}^{d-1}$.

2.1. Difusión Hacia Adelante y Realización SSE

El marco construye una difusión hacia adelante en tiempo continuo $\{\psi_t\}_{t \in [0,T]}$ sobre la variedad $(\mathbb{CP}^{d-1}, g_{FS})$.

• Proceso Riemanniano OU: El proceso hacia adelante se modela como una difusión Riemanniana Ornstein–Uhlenbeck (OU) no homogénea en el tiempo:
  $$d\psi_t = b(\psi_t, t) dt + \sigma(t) dW^{(M)}_t$$
  donde $W^{(M)}_t$ es un movimiento browniano sobre la variedad bajo la métrica FS, y $b$ es un término de deriva (por ejemplo, que atrae hacia un estado de referencia).
• Realización de la Ecuación Schrödinger Estocástica (SSE): Para conectar esta difusión en la variedad con la dinámica cuántica física, los autores proporcionan una realización SSE sobre la esfera de Hilbert. La dinámica es impulsada por una evolución unitaria estocástica que involucra un Hamiltoniano y términos de ruido tipo Lindblad. Al cocientar la fase global, esto induce la difusión isotrópica deseada en $\mathbb{CP}^{d-1}$.

2.2. Dinámicas de Tiempo Inverso y Puntuación Riemanniana

Basándose en la teoría de reversión temporal para difusiones en variedades Riemannianas, el proceso de tiempo inverso es también una difusión en $\mathbb{CP}^{d-1}$ con el mismo coeficiente de difusión pero una deriva modificada:
$$d\psi_t = \left( b(\psi_t, t) - \sigma(t)^2 \nabla_{FS} \log p_t(\psi) \right) dt + \sigma(t) d\bar{W}^{(M)}_t$$
Aquí, $\nabla_{FS} \log p_t(\psi)$ es la puntuación Riemanniana, definida como el gradiente de la densidad logarítmica con respecto a la métrica FS. Este término impulsa el proceso generativo desde un prior simple (por ejemplo, un conjunto de diseño Clifford $t$) de vuelta a la distribución de datos.

2.3. Objetivo de Aprendizaje de Tiempo Local

Dado que la densidad de transición $p_t(\psi)$ y la puntuación global son intratables, los SSDMs emplean un objetivo de aprendizaje de tiempo local:

1. Aproximación Local: En coordenadas normales de Fubini–Study centradas en un punto $\phi$, la difusión intrínseca en la variedad admite una aproximación local euclidiana OU/VP de primer orden para pasos de tiempo pequeños $\delta t$. Los efectos de curvatura aparecen solo en órdenes superiores.
2. Puntuación Docente Analítica: Esta aproximación local produce una densidad condicional gaussiana en forma cerrada en el espacio tangente. El gradiente del logaritmo de esta gaussiana proporciona una puntuación docente analítica en coordenadas normales.
3. Mapeo a la Variedad: Esta puntuación docente se mapea de vuelta a la variedad utilizando el adjunto de la diferencial del mapa logaritmo, $(d \log_\phi)^*_\psi$.
4. Entrenamiento: Una red de puntuación $s_\theta(\psi, t)$ se entrena para minimizar el objetivo de ajuste de puntuación de desruido Riemanniano, aproximando la verdadera puntuación Riemanniana mediante el ajuste de las puntuaciones docentes analíticas derivadas de transiciones de corto tiempo.

2.4. Muestreo

El muestreo se realiza integrando la EDE de tiempo inverso aprendida sobre la variedad. El proceso comienza desde un prior tratable (aproximado por diseños Clifford $t$) y utiliza un esquema de Euler–Maruyama en marcos tangentes locales, seguido de una retracción (o mapa exponencial) para proyectar de vuelta sobre $\mathbb{CP}^{d-1}$.

3. Contribuciones Clave

1. Marco SSDM: Introducción de un marco generativo basado en puntuación específicamente para distribuciones sobre estados puros cuánticos en $\mathbb{CP}^{d-1}$.
2. Diseño de Difusión Intrínseca: Diseño de una difusión hacia adelante Riemanniana OU con una realización de Ecuación Schrödinger Estocástica (SSE), estableciendo un puente entre trayectorias cuánticas físicas y difusión en variedades.
3. Entrenamiento de Tiempo Local: Propuesta de un objetivo de entrenamiento práctico que aprovecha el límite euclidiano local en coordenadas normales FS para derivar puntuaciones docentes analíticas, evitando la necesidad de densidades de transición globales en forma cerrada.
4. Generalización de Puntuación Riemanniana: Derivación de las dinámicas de tiempo inverso impulsadas por la puntuación Riemanniana bajo la métrica FS, proporcionando una generalización principista del modelado euclidiano basado en puntuación a conjuntos de estados puros cuánticos.

4. Resultados Experimentales

Los autores evalúan los SSDMs en la generación de conjuntos de estados puros para $n=2, 4, 6$ qubits y su utilidad en tareas de QML aguas abajo.

• Calidad Generativa: Los SSDMs superan consistentemente a las líneas base (incluyendo VP-SDE euclidiana, Modelos Generativos Basados en Puntuación Riemanniana (RSGM), QGANs y QuDDPMs) en todos los tamaños de sistema.
  • Métricas: Los SSDMs logran una mayor fidelidad de estado ($F_0$) y una menor Discrepancia Media Máxima (MMD), desajuste de observables ($\Delta_{obs}$) y distancia de Wasserstein de entrelazamiento.
  • Impacto Geométrico: El modelado intrínseco de la geometría FS produce mejoras significativas sobre las líneas base euclidianas, particularmente a medida que aumenta la dimensión del sistema, confirmando que aprender puntuaciones tangentes intrínsecamente en $\mathbb{CP}^{d-1}$ es crucial.
• Supervisión de Tiempo Local: Estudios de ablación muestran que el uso de puntuaciones docentes analíticas de tiempo local OU mejora significativamente la calidad del muestreo en comparación con aproximaciones de diferencias finitas o modelos sin supervisión local.
• Utilidad en QML Aguas Abajo: En tareas de augmentación de datos a nivel de representación, los estados cuánticos generados por SSDM mejoran la generalización de clasificadores aguas abajo (por ejemplo, Kernel SVM, clasificadores variacionales) bajo datos etiquetados limitados, evidenciado por una mejor alineación de kernels, brecha de kernels y margen medio.

5. Significado y Afirmaciones

El artículo afirma que los SSDMs proporcionan una ruta fundamentada físicamente y principista geométricamente para el modelado generativo basado en puntuación de conjuntos de estados puros cuánticos.

• Augmentación a Nivel de Representación: El marco permite la generación de nuevas representaciones cuánticas directamente en el espacio de características, ofreciendo una solución a la escasez de datos en QML sin las patologías de la perturbación de entradas clásicas.
• Necesidad Geométrica: Los resultados demuestran que respetar la geometría de Fubini–Study no es meramente un refinamiento teórico, sino una necesidad práctica para un muestreo estable y preciso en espacios de estados cuánticos de alta dimensión.
• Puente entre Física y ML: Al utilizar la realización SSE, el trabajo conecta la dinámica cuántica estocástica con el modelado generativo moderno, ofreciendo un principio de diseño flexible para difusiones hacia adelante estables en variedades curvas.

Los autores señalan limitaciones, incluyendo la dependencia de aproximaciones de pasos pequeños para la señal docente local, el enfoque actual en estados puros (excluyendo estados mixtos) y los desafíos de escalabilidad inherentes al crecimiento exponencial del espacio de Hilbert y a la geometría no lineal de $\mathbb{CP}^{d-1}$. Sin embargo, posicionan a los SSDMs como un paso fundamental hacia sustitutos clásicos eficientes para la simulación de conjuntos de estados cuánticos en la era cuántica a corto plazo.