Expressive Power and Limitations of Multi-photon Quantum Neural Networks

Resumen Técnico: Poder Expresivo y Limitaciones de las Redes Neuronales Cuánticas de Fotones Múltiples

Planteamiento del Problema
Las Redes Neuronales Cuánticas (QNNs), particularmente aquellas que utilizan la re-carga de datos (DRQNNs), han demostrado capacidades de aproximación universal. Si bien las redes ópticas lineales con entradas de fotones múltiples (muestreo de bosones) han mostrado ventajas cuánticas en tareas computacionales, el mecanismo específico por el cual el aumento del número de fotones potencia la expresividad de las QNNs permanece inexplorado. Específicamente, no está claro si la expresividad de las Redes Neuronales Cuánticas de Fotones Múltiples (MPQNNs) puede incrementarse infinitamente aumentando el número de fotones o si existen limitaciones fundamentales. Este artículo aborda la caracterización cuantitativa de la expresividad de las MPQNNs y el impacto del número de fotones ($n$), el número de modos ($m$) y el número de capas ($L$) en el error de aproximación.

Metodología
Los autores proponen un marco para las MPQNNs implementadas en redes ópticas lineales, extendiendo la arquitectura DRQNN al espacio de Fock de fotones múltiples.

1. Definición del Modelo: El modelo consiste en una parte de circuito con re-carga de datos (bloques de codificación alternos mediante desplazadores de fase y bloques entrenables mediante redes ópticas lineales unitarias universales) y una parte de observable. La entrada es un estado de Fock $|n, 0, \dots, 0\rangle$ que representa $n$ fotones idénticos.
2. Caracterización del Espacio de Hipótesis: Los autores derivan el espacio de hipótesis de las MPQNNs. Establecen que la función de salida $h(x)$ es una composición de un polinomio real $g$ (determinado por el observable) y polinomios trigonométricos $y_j$ (determinados por los parámetros del circuito entrenables).
3. Derivación del Límite de Error: El estudio analiza dos casos distintos basados en la naturaleza del observable medido:
   • Observable Fijo: Los pesos de las particiones del número de fotones están predeterminados.
   • Observable Entrenable: Los pesos se optimizan junto con los parámetros del circuito durante el entrenamiento.
     Utilizando la desigualdad de Jackson, los autores derivan límites superiores en el error de aproximación para ambos casos, relacionando el error con la suavidad de la función objetivo y los parámetros $n, m, L$.
4. Simulación Numérica: Para validar los hallazgos teóricos, los autores desarrollaron un algoritmo de programación dinámica para simular eficientemente la distribución del número de fotones de salida de las redes ópticas lineales impulsadas por estados de Fock. Este enfoque mejora el algoritmo de Ryser para el cálculo de permanentes, reduciendo la complejidad del tiempo de ejecución.

Contribuciones Clave y Resultados
El artículo proporciona un análisis cuantitativo de cómo el número de fotones afecta la expresividad de las MPQNNs, arrojando resultados contrastantes para observables fijos frente a entrenables:

• Caso de Observable Fijo:

  • El error de aproximación está acotado por $O((dL)^{-K})$, donde $d = \min\{n, m-2\}$.
  • Efecto de Umbral: Existe un umbral crítico en $n = m-2$. Por debajo de este umbral, el aumento del número de fotones potencia la expresividad de forma polinómica.
  • Limitación: Una vez que $n$ supera a $m-2$, incrementos adicionales en el número de fotones no mejoran la expresividad. Esto se debe a que el número de parámetros entrenables en la red óptica lineal (que depende solo de $m$ y $L$) resulta insuficiente para abarcar el espacio de funciones de mayor dimensión generado por el aumento del número de fotones.

• Caso de Observable Entrenable:

  • El error de aproximación está acotado por $O(d^{-K})$, donde $d = \min\{nL, \max\{(m-2)L, n\lfloor\frac{m-1}{2}\rfloor\}\}$.
  • Mejora Continua: A diferencia del caso fijo, aumentar el número de fotones siempre potencia la expresividad de la MPQNN, incluso sin alterar la estructura de la red óptica lineal. A medida que $n \to \infty$, el límite del error tiende a cero.
  • Costo: Esta expresividad mejorada conlleva el costo de introducir $\binom{n+m-1}{m-1}$ parámetros entrenables adicionales en el observable, lo cual crece exponencialmente con $n$.

• Validación Numérica: Las simulaciones en tareas de aproximación de polinomios trigonométricos univariantes confirman que la pérdida media de prueba disminuye a medida que tanto el número de fotones como el número de capas aumentan, alineándose con los límites teóricos.

Significancia
Los autores afirman que este trabajo esclarece la mejora del rendimiento y las limitaciones inherentes de las características de fotones múltiples en las QNNs. Al caracterizar cuantitativamente la relación entre el número de fotones y la expresividad, el artículo ofrece orientación para la implementación de QNNs en plataformas fotónicas. Específicamente, aclara que si bien las entradas de fotones múltiples ofrecen ventajas, su utilidad está limitada por la arquitectura de los bloques entrenables en el escenario de observable fijo. Los hallazgos sugieren que para aprovechar plenamente las ventajas de los fotones múltiples, el observable debe ser entrenable o la estructura de la red debe ajustarse para acomodar el aumento de los grados de libertad. El trabajo sirve como referencia para comprender los compromisos entre el número de fotones, el conteo de parámetros y la capacidad de aproximación en el aprendizaje automático cuántico.