Resumen Técnico: Evolución de Hamiltoniano Cuántico para el Aprendizaje Cuántico Coherente

Planteamiento del Problema

Los enfoques actuales de Aprendizaje Automático Cuántico (QML) dependen predominantemente de un paradigma híbrido donde los modelos cuánticos se entrenan mediante bucles de optimización clásicos. En este marco estándar, los circuitos cuánticos parametrizados se evalúan en configuraciones de parámetros específicas, los gradientes se estiman mediante mediciones repetidas (por ejemplo, utilizando la regla de desplazamiento de parámetros o parameter-shift rule) y los parámetros se actualizan mediante un optimizador clásico. Este proceso retiene la dinámica clásica: la coherencia, la superposición y la interferencia cuántica no desempeñan un papel activo en el propio mecanismo de entrenamiento.

Esta dependencia de la optimización clásica introduce varias limitaciones:

1. Incertidumbre Estadística: La optimización híbrida hereda el ruido de las mediciones cuánticas.
2. Mesetas Áridas (Barren Plateaus): Los circuitos parametrizados expresivos suelen sufrir de gradientes evanescentes que escalan exponencialmente con el tamaño del sistema, dificultando la entrenabilidad.
3. Restricciones Fundamentales: La retropropagación clásica no puede transferirse directamente a sistemas cuánticos sin acceso a múltiples copias del estado cuántico, ya que el colapso de la medición impide la reutilización de la información intermedia.

El artículo postula que el aprendizaje debe formularse como un proceso físico cuántico nativo en lugar de un algoritmo clásico aplicado a un modelo cuántico.

Metodología: Aprendizaje Cuántico Coherente (CQL)

Los autores introducen el Aprendizaje Cuántico Coherente (CQL), un marco donde el entrenamiento de un modelo cuántico se realiza como una evolución unitaria coherente de los propios parámetros del modelo.

Concepto Central

En CQL, los parámetros del modelo $\theta$ son promovidos a grados de libertad cuánticos. En lugar de que un optimizador clásico actualice $\theta$ basándose en estimaciones de gradiente, el registro de parámetros evoluciona bajo un Hamiltoniano dependiente del tiempo $\hat{H}_{CQL}(t)$ que codifica el objetivo de aprendizaje (función de pérdida).

El Hamiltoniano se define como:
$$\hat{H}_{CQL}(t) = e^{\phi(t)} \left( -\frac{1}{2} \hat{P}_\theta^2 \right) + e^{\chi(t)} \hat{H}_L(x, \hat{\theta})$$
Donde:

• $\hat{P}_\theta$ es el operador de momento en la base de parámetros (actuando como un término cinético para la exploración).
• $\hat{H}_L(x, \hat{\theta})$ es un Hamiltoniano diagonal que codifica la función de pérdida $L(x, \theta)$.
• $e^{\phi(t)}$ y $e^{\chi(t)}$ son cronogramas de amortiguación dependientes del tiempo que controlan el equilibrio entre la exploración cinética y la convergencia impulsada por el potencial.

Implementación Técnica

Para implementar esto en una computadora cuántica basada en puertas, los autores emplean varias técnicas algorítmicas cuánticas avanzadas:

1. Discretización y Dimensión de Reloj: El espacio de parámetros continuo se discretiza utilizando $m$ qubits. Para manejar la dependencia temporal del Hamiltoniano (que no es nativa al modelo de puertas), los autores utilizan una técnica de "dimensión de reloj". Esto implica ampliar el espacio de Hilbert con un registro de reloj ancila, transformando el Hamiltoniano dependiente del tiempo en uno independiente del tiempo donde la dependencia temporal se codifica como un operador de posición en el registro del reloj.
2. Codificación por Bloques (Block Encoding) y Simulación de Hamiltoniano: El Hamiltoniano de pérdida $\hat{H}_L$ se construye utilizando codificación por bloques. Un primitivo clave es una unitaria de evaluación de modelo coherente $U_{x,\theta}$ que evalúa el modelo cuántico simultáneamente sobre todos los valores de los parámetros en la rejilla.
   • Para una tarea de clasificación binaria, la pérdida está relacionada con la probabilidad de clasificación correcta. Los autores construyen una codificación por bloques de la raíz cuadrada del operador de pérdida utilizando técnicas de conversión de amplitud a diagonal (haciendo referencia a la Ref. [46]).
   • El Hamiltoniano de pérdida completo se obtiene multiplicando las codificaciones por bloques de los operadores de raíz cuadrada.
3. Qubitización: La evolución temporal del estado inicial (típicamente una superposición uniforme sobre el espacio de parámetros) se implementa mediante qubitización, permitiendo la simulación eficiente de la dinámica del Hamiltoniano.
4. Entrenamiento por Lotes (Batched Training): Para abordar la escalabilidad para grandes conjuntos de datos, los autores proponen una estrategia de entrenamiento por lotes CQL iterativa. El conjunto de datos se particiona en mini-lotes. El sistema evoluciona bajo el Hamiltoniano del primer lote, y el estado cuántico resultante sirve como la condición inicial para el siguiente lote. Este proceso secuencial evita la necesidad de un registro ancila masivo para codificar todo el conjunto de datos simultáneamente.

Contribuciones Clave

1. Definición del Marco: La propuesta de CQL como un marco de aprendizaje general donde el aprendizaje es un proceso cuántico coherente, eliminando la necesidad de estimación de gradiente clásica y bucles de retroalimentación.
2. Construcción Explícita: Una construcción algorítmica detallada para circuitos parametrizados arbitrarios utilizando codificaciones por bloques, simulación de Hamiltoniano y el método de dimensión de reloj para manejar la dependencia temporal.
3. Versatilidad: Demostración de que el marco se aplica no solo a tareas estándar de aprendizaje automático (entrenamiento de circuitos cuánticos variacionales) sino también a problemas de inferencia física (estimación de parámetros de un Hamiltoniano desconocido).
4. Protocolo por Lotes: Una estrategia de entrenamiento por lotes secuencial que equilibra el ajuste local con la generalización global, análogo a los métodos de mini-lotes en el aprendizaje clásico pero implementado mediante la evolución del estado cuántico.

Resultados Numéricos

Los autores validan el marco a través de dos experimentos numéricos:

1. Clasificación Binaria:

   • Configuración: Un modelo de re-carga de datos (data re-uploading) de un solo qubit con dos parámetros entrenables entrenado en una tarea de clasificación binaria 1D.
   • Resultado: Partiendo de una superposición uniforme, la distribución de probabilidad del estado de los parámetros evoluciona bajo el Hamiltoniano CQL. La distribución se concentra progresivamente alrededor de los mínimos del paisaje de pérdida. El estado final exhibe una distribución bimodal correspondiente a los parámetros óptimos, coincidiendo con el rendimiento de los métodos basados en gradientes pero sin el cálculo explícito del gradiente.

2. Estimación de Fase Interferométrica:

   • Configuración: Aprendizaje de un desplazamiento de fase $\phi$ desconocido en un interferómetro de Mach–Zehnder. El parámetro $\theta$ controlable es el parámetro a aprender.
   • Resultado: La evolución coherente conduce la función de onda hacia el mínimo global del paisaje de pérdida interferométrica ($L \propto \sin^2((\theta-\phi)/2)$). La amplitud de probabilidad se localiza alrededor de la verdadera fase desconocida $\phi$, demostrando una estimación de parámetros exitosa sin pasos de optimización clásica.

Significado y Reivindicaciones

El artículo afirma que CQL representa un cambio de paradigma en cómo se formula el aprendizaje cuántico. Al tratar el aprendizaje como un proceso físico gobernado por la dinámica cuántica, el marco aprovecha la superposición y la interferencia como recursos computacionales activos.

• Entrenamiento Cuántico Nativo: A diferencia de los enfoques híbridos que imponen estructuras clásicas a los sistemas cuánticos, CQL utiliza principios nativos de la mecánica cuántica.
• Posibles Ventajas: Los autores sugieren que la optimización basada en Hamiltonianos puede ofrecer ventajas computacionales demostrables sobre la optimización clásica en ciertos entornos, mitigando potencialmente problemas como las mesetas áridas y el ruido de medición.
• Escalabilidad: La construcción es compatible con arquitecturas de computación cuántica tolerantes a fallos y se extiende al entrenamiento por lotes, lo que la convierte en una candidata viable para futuras aplicaciones de aprendizaje cuántico a gran escala.

El trabajo concluye que, mientras que los esfuerzos actuales de QML a menudo buscan reproducir paradigmas de entrenamiento clásicos dentro de entornos cuánticos, un enfoque más fundamental puede ser ver el aprendizaje mismo como una evolución cuántica coherente.