Resumen Técnico: Superación del Bloqueo de Fourier en Clasificadores de Re-carga de Datos Cuánticos mediante Homotopía Espectral

1. Declaración del Problema

Los Circuitos Cuánticos Parametrizados de Re-carga de Datos (DRU-PQCs, por sus siglas en inglés) son aproximadores de funciones universales teóricamente capaces de modelar fronteras de decisión complejas y no lineales mediante la inyección secuencial de datos. Sin embargo, su alta expresividad crea paisajes de pérdida altamente oscilatorios y no convexos que resisten la optimización basada en gradientes.

Mientras que la literatura reciente atribuye los fallos de entrenamiento en estas arquitecturas a los "plateaus barrenos" (donde los gradientes se desvanecen debido a una expresividad caótica) o a una capacidad insuficiente, este artículo argumenta que el principal cuello de botella es un modo de fallo estructural distinto denominado Bloqueo de Fourier (FL). En los DRU-PQCs, los pesos de codificación (que seleccionan las frecuencias de entrada) y las capas de entrelazamiento (que enrutan la información cuántica) están acoplados de forma no lineal. Cuando se inicializan aleatoriamente sobre objetivos de alta frecuencia, el optimizador a menudo colapsa los parámetros de codificación en mínimos locales aislados y espurios. Una vez "bloqueados", los pesos de codificación seleccionan un espectro de frecuencias desalineado con la frontera de decisión objetivo. En consecuencia, las capas de entrelazamiento no pueden enrutar una señal que, efectivamente, no existe, causando que el modelo falle a pesar de retener la plena sensibilidad geométrica hacia sus parámetros.

2. Metodología y Marco Teórico

Métricas de Diagnóstico

Los autores proponen que las magnitudes de gradiente estándar y la Matriz de Información de Fisher Cuántica (QFIM) en el espacio de parámetros son insuficientes para diagnosticar el FL. En su lugar, utilizan dos diagnósticos de Fisher específicos:

1. Información de Fisher Cuántica en el Espacio de Entrada ($F_x$): Mide el contenido de frecuencia efectivo del estado codificado (la susceptibilidad de Fubini–Study a los datos de entrada). En un circuito bloqueado, $F_x$ permanece congelado en un valor desalineado desde la inicialización.
2. Relación de Discriminante de Fisher (FDR): Mide la alineación de las características medidas con las etiquetas de clase. En un circuito bloqueado, el FDR colapsa hacia cero, indicando una "lectura degenerada de clase" donde el estado oscila con la entrada pero no logra mapearse a las etiquetas.

Crucialmente, los autores deminan que los circuitos atrapados retienen una QFIM no degenerada en el espacio de parámetros (indicando que el estado sigue siendo sensible a los parámetros), lo que demuestra que el fallo es de desalineación espectral, no de insensibilidad geométrica.

Diseño Experimental

El estudio emplea un DRU-PQC de 4 cúbits con $L=2$ capas de re-carga y 50 parámetros entrenables (40 cuánticos, 10 clásicos). Los experimentos se realizaron a través de 50 semillas aleatorias independientes para mapear el espacio de probabilidad bimodal del optimizador (atrapado vs. escapado).

La intervención central es la Homotopía Espectral, un protocolo de aprendizaje por currículo que estagia la frecuencia del objetivo ($f$) de baja a alta ($f: 1.0 \to 2.0 \to 3.0$). Este enfoque busca convexificar el paisaje de pérdida temprano, permitiendo que los parámetros conjuntos sean transportados hacia la banda de frecuencia objetivo antes de que se materialicen los atractores de alta frecuencia.

Las condiciones de control incluyeron:

• Entrenamiento Estándar (STD): Entrenamiento directo sobre el objetivo de alta frecuencia ($f=3.0$).
• Ablaciones de Enrutamiento: Probar si la pre-alineación de las capas de entrelazamiento (inicialización de Identidad o calentamiento Acoplado) podía rescatar un estado de codificación inicializado aleatoriamente.
• Currículo Inverso: Entrenamiento de alta a baja frecuencia ($3.0 \to 1.0$) para probar la irreversibilidad.
• Currículo Aleatorio: Ordenamiento aleatorio de las fases de frecuencia para controlar los efectos de la diversidad de datos.

3. Resultados Clave

Diagnóstico del Bloqueo de Fourier

• Colapso de la Lectura: Los circuitos atrapados exhibieron una Relación de Discriminante de Fisher (FDR) colapsando hacia cero ($r_{pb} = 0.912, p < 0.001$), confirmando un fallo de alineación de etiquetas en la lectura.
• Inmovilidad Espectral: La firma definitoria de un circuito atrapado fue la falta de movimiento en su contenido de frecuencia efectivo ($F_x$). Los circuitos atrapados mantuvieron un $F_x$ estático y desalineado durante todo el entrenamiento, mientras que los circuitos que escaparon migraron significativamente su contenido de frecuencia ($r_{pb} = -0.48, p < 0.001$).
• Sensibilidad de Parámetros: Contrario a la hipótesis del plateau otherwise, los circuitos atrapados no mostraron un colapso en la traza de la QFIM del espacio de parámetros (confirmando que el optimizador estaba paralizado por la desalineación espectral y no por una pérdida de sensibilidad geométrica).

Eficacia de la Homotopía Espectral

• Mejora en la Tasa de Escape: El entrenamiento estándar en objetivos de alta frecuencia produjo una tasa de escape del 6% (precisión final > 0.65). El currículo de homotopía espectral hacia adelante ($1.0 \to 2.0 \to 3.0$) triplicó esta tasa a un 18%.
• Mecanismo de Acción: Los "escapados" exitosos bajo el currículo de homotopía hacia adelante mostraron un aumento monotónico de $F_x$ en sincronía con las fases del currículo, mientras que los circuitos atrapados permanecieron espectralmente estáticos. Las fases de baja frecuencia no mejoraron la precisión inmediatamente (la precisión se mantuvo en niveles de azar hasta la Fase 3), pero actuaron como un "andamio latente", transportando los pesos de codificación hacia el embudo espectral correcto.
• Fallo de Enrutamiento: Los estudios de ablación mostraron que fijar las capas de entrelazamiento (mediante inicialización de Identidad o calentamiento) no rescató el rendimiento. Esto confirma que la inicialización de la codificación es la variable dominante; si los pesos de codificación se comprometen con una frecuencia errónea, las capas de entrelazamiento no pueden enrutar la señal.
• Irreversibilidad: El currículo inverso ($3.0 \to 1.0$) resultó en una tasa de escape del 0%. Incluso las semillas que aprendieron con éxito la frontera de alta frecuencia en la Fase 1 sufrieron un "olvido espectral catastrófico" al ser forzadas hacia geometrías de menor frecuencia, lo que indica que la arquitectura no puede retener representaciones de frecuencia competidoras una vez perdido el atractor de alta frecuencia.

4. Significado y Reivindicaciones

El artículo redefine el cuello de botella de optimización en los DRU-PQCs altamente expresivos. Postula que el fallo no se debe a una falta de capacidad de representación o al aplanamiento caótico del paisaje (plateaus barrenos), sino a un fenómeno de Bloqueo de Fourier donde los pesos de codificación quedan estructuralmente desalineados con la banda de frecuencia objetivo.

La contribución principal es la identificación de la movilidad espectral (la migración de $F_x$) como el diagnóstico crítico para un entrenamiento exitoso, distinguiéndola de la sensibilidad de parámetros estática. El estudio demuestra que la dosificación de frecuencia mediante homotopía espectral puede sortear estos bloqueos al convexificar el paisaje temprano, actuando efectivamente como un andamio para transportar los parámetros hacia el pozo de atracción.

Sin embargo, los autores mantienen una postura modesta respecto a la completitud de la solución. A pesar del éxito de la homotopía espectral, el 82% de las inicializaciones aleatorias permanecieron permanentemente atrapadas, lo que indica que, si bien la dosificación de frecuencia mitiga el problema, la "lotería de inicialización" sigue siendo un factor dominante. El artículo concluye que la inicialización aleatoria es insuficiente para entrenar de manera fiable DRU-PQCs expresivos en objetivos de alta frecuencia y sugiere que el trabajo futuro debe centrarse en la inicialización determinista de la codificación (por ejemplo, utilizando análisis espectral clásico para preestablecer los pesos) en lugar de depender únicamente de currículos de optimización.