Scaling Adaptive Non-Local Observable Quantum Super-Resolution via Matrix Product States

Resumen Técnico: Escalamiento de la Super-Resolución Cuántica Adaptativa de Observables No Locales mediante Estados de Producto de Matrices

Planteamiento del Problema
La super-resolución (SR) de imágenes tiene como objetivo reconstruir imágenes de alta resolución a partir de entradas de baja resolución. Mientras que el aprendizaje profundo clásico domina este campo, los Circuitos Cuánticos Variacionales (VQC) han surgido como un marco alternativo. Una arquitectura específica, los VQC de Observables No Locales Adaptativos (ANO-VQC), mejora a los VQC estándar al tratar los operadores de medición hermitianos como componentes entrenables en lugar de observables de Pauli fijos. Esto permite combinaciones de correlaciones multiqubit dependientes de la tarea.

Sin embargo, simular los ANO-VQC para la SR de imágenes enfrenta un severo cuello de botella de escalabilidad. Usando una codificación de un-píxel-a-un-qubit, una imagen de entrada de tamaño $p \times p$ requiere $n = p^2$ qubits. La simulación convencional de vector de estado (statevector) requiere almacenar $2^n$ amplitudes complejas, lo cual se vuelve intratable incluso para tamaños de entrada modestos (por ejemplo, los cuellos de botella de memoria ocurren en entradas de $6 \times 6$ o 36 qubits). La contracción de redes de tensores exactas (Exact TN) ofrece una alternativa, pero también se vuelve computacionalmente impráctica más allá de ciertos tamaños de entrada (por ejemplo, $12 \times 12$ o 144 qubits). Se necesita un backend de simulación escalable que pueda manejar mayores conteos de qubits manteniendo la precisión para el entrenamiento de algoritmos cuánticos variacionales.

Metodología
Los autores proponen un marco de simulación de Estados de Producto de Matrices (MPS) diseñado para la SR de imágenes mediante ANO-VQC. El flujo de trabajo consta de cuatro etapas principales:

1. Codificación y Diseño del Circuito:

   • Las imágenes de baja resolución (por ejemplo, $7 \times 7$) se mapean a qubits mediante codificación de un-píxel-a-un-qubit. Los valores de los píxeles $x_i \in [0, 1]$ se convierten en ángulos de rotación $\phi_i = 2\pi x_i - \pi$.
   • El circuito de codificación aplica compuertas Hadamard, seguidas de rotaciones $RY(\phi_i)$ dependientes del píxel y compuertas CNOT de vecinos cercanos escalonadas.
   • La profundidad del circuito $L$ se define por el número de capas de codificación-entrelazamiento repetidas. Notablemente, las compuertas de codificación dependen de la entrada pero no son independientemente entrenables; los parámetros entrenables residen en los observables y en la capa de reconstrucción clásica.

2. Extracción de Características de Observables Adaptativos:

   • En lugar de mediciones de Pauli fijas, el marco utiliza observables hermitianos entrenables $H_q$ que actúan sobre pares de qubits (específicamente vecinos locales de la imagen: horizontales, verticales y diagonales).
   • Para aprovechar eficientemente el backend de MPS, cada observable adaptativo se expande en la base de Pauli: $H_q = \sum_\alpha c_{q,\alpha} P_\alpha$.
   • El valor de la esperanza $\langle H_q \rangle$ se calcula como una combinación lineal de valores de esperanza de Pauli fijos $\langle P_\alpha \rangle$. Dado que el circuito de codificación depende únicamente de la imagen de entrada, estos valores de esperanza de Pauli se calculan una vez y se almacenan en caché. Los parámetros entrenables ($A_q, B_q, D_q$) solo actualizan los coeficientes $c_{q,\alpha}$, separando la evaluación de características cuánticas costosa de la optimización del observable y las capas de reconstrucción.

3. Simulación MPS:

   • El estado cuántico $|\psi\rangle$ se representa como una cadena de tensores locales conectados por dimensiones de enlace virtuales con dimensión $\chi$.
   • El almacenamiento escala aproximadamente como $O(n\chi^2)$ en lugar de $O(2^n)$.
   • Las compuertas de un solo qubit actualizan los tensores locales, mientras que las compuertas de dos qubits actualizan los tensores adyacentes seguidos de la truncación de la dimensión de enlace.

4. Reconstrucción y Entrenamiento:

   • El vector de características cuánticas extraído se pasa a una capa lineal clásica para reconstruir la imagen de alta resolución.
   • El entrenamiento minimiza una función de pérdida ponderada que combina el Error Cuadrático Medio (MSE) y la Similitud de Parches de Imagen Perceptual Aprendida (LPIPS).
   • Los experimentos se realizaron en una única GPU NVIDIA RTX 4070 utilizando el conjunto de datos Fashion-MNIST ($7 \times 7$ entrada $\to$ $28 \times 28$ salida).

Contribuciones Clave y Resultados

• Benchmarks de Escalabilidad:

  • El estudio compara la simulación de vector de estado, la contracción de redes de tensores exactas (Exact TN) y la simulación MPS.
  • Vector de estado: Alcanza un cuello de botella de memoria con entradas de $6 \times 6$ (36 qubits).
  • Exact TN: Se vuelve computacionalmente impráctica más allá de entradas de $12 \times 12$ (144 qubits).
  • MPS: Completa con éxito la extracción de características hacia adelante para entradas de hasta $16 \times 16$ píxeles (256 qubits) con una dimensión de enlace fija $\chi=8$. En el rango de traslape, MPS es más rápido que Exact TN y supera a la simulación de vector de estado para entradas mayores a $4 \times 4$.

• Compromiso Precisión-Costo (Barrido de Dimensión de Enlace):

  • Para una entrada fija de $7 \times 7$ (49 qubits), los autores realizaron un barrido de la dimensión de enlace $\chi$ de 2 a 2048 a través de profundidades de circuito $L=1$ a $L=4$.
  • La $\chi$ requerida para alcanzar el régimen "casi exacto" (donde el error de MPS se acerca a la precisión de la máquina respecto a Exact TN) aumenta con la profundidad del circuito:
    • $L=1$: $\chi=2$
    • $L=2$: $\chi=4$
    • $L=3$: $\chi=8$
    • $L=4$: $\chi=16$
  • En $\chi=16$, el Error Absoluto Medio (MAE) para $L=4$ cae a $\approx 10^{-15}$, igualando efectivamente los resultados de Exact TN sin el costo exponencial.

• Desempeño de Super-Resolución:

  • Usando $\chi=16$ (asegurando una simulación casi exacta para todas las profundidades probadas), los autores entrenaron modelos para SR de Fashion-MNIST de $7 \times 7 \to 28 \times 28$.
  • Hallazgo Contraintuitivo: El circuito más superficial ($L=1$) logró el mejor desempeño en todas las métricas (Pérdida, LPIPS, PSNR, SSIM).
    • $L=1$: Pérdida 0.4864, PSNR 20.87 dB, SSIM 0.4248.
    • $L=4$: Pérdida 0.6984, PSNR 18.80 dB, SSIM 0.2922.
  • Aumentar la profundidad del circuito no mejoró la calidad de la reconstrucción bajo este ajuste de MPS casi exacto; de hecho, los circuitos más profundos degradaron el desempeño y aumentaron el tiempo de entrenamiento.

Significancia y Reivindicaciones
El artículo posiciona a MPS como un backend de simulación escalable y controlable para la SR de imágenes mediante ANO-VQC. Su principal significancia radica en extender el rango de simulación práctica de los algoritmos cuánticos más allá de los límites de los métodos de vector de estado y de redes de tensores exactas, permitiendo el estudio de sistemas de hasta 256 qubits en una sola GPU.

Los autores afirman modestamente que sus resultados resaltan la importancia de seleccionar conjuntamente la profundidad del circuito con el diseño del observable y las capas de reconstrucción, señalando que los circuitos más profundos no necesariamente producen una mejor calidad de SR. Concluyen que MPS sirve como una herramienta práctica para estudiar circuitos cuánticos variacionales a gran escala, con planes futuros para incorporar paralelización y computación de redes de tensores distribuidas para extender aún más la escala de simulación.