Kernel Alignment for Quantum Support Vector Machines Using Genetic Algorithms

Ce papier présente un cadre automatisé utilisant des algorithmes génétiques pour optimiser les circuits de codage de données dans les machines à vecteurs de support quantiques, démontrant que les noyaux résultants atteignent une précision de classification comparable ou supérieure aux techniques standard tout en révélant une corrélation positive entre la précision de test et l'entropie du noyau quantique.

L'essentiel

Imaginez que vous essayez de trier un immense tas de chaussettes mélangées en deux piles : « gauche » et « droite ». Dans le monde de l'informatique, cela s'appelle la classification. Un outil populaire pour y parvenir est appelé une Machine à Vecteurs de Support (SVM). Imaginez une SVM comme un robot très intelligent qui tente de tracer la ligne parfaite (ou le mur) entre deux groupes d'objets afin qu'ils ne se mélangent pas.

Cependant, lorsque nous déplaçons ce robot dans le domaine de l'Informatique Quantique (où les ordinateurs utilisent les lois étranges de la physique pour traiter l'information), le robot a besoin d'un ensemble d'instructions spécial pour comprendre les données. Ces instructions sont appelées un Noyau Quantique.

Le Problème : Concevoir les Instructions est Difficile

Habituellement, les scientifiques doivent concevoir manuellement ces instructions quantiques. C'est comme essayer de construire une machine Lego complexe à la main, en devinant quelles pièces s'emboîtent où, et en espérant que cela fonctionne. Cela prend beaucoup de temps, et souvent, la machine ne fonctionne pas très bien.

La Solution : Laissez l'Évolution Faire le Travail

Ce papier présente une nouvelle méthode appelée GEKO (Optimisation de Noyau Génétiquement Ingénierée). Au lieu qu'un humain conçoive les instructions, les chercheurs laissent un programme informatique agir comme l'évolution naturelle.

Voici comment ils ont procédé, en utilisant une analogie simple :

1. La Population : Imaginez une boîte remplie de différentes machines Lego construites au hasard (ce sont les « circuits »).
2. Le Test : Ils mettent ces machines au travail pour trier les chaussettes.
3. La Survie du Plus Apt : Les machines qui trient le mieux les chaussettes sont conservées. Celles qui échouent sont jetées.
4. Mutation : Les machines réussies sont copiées, mais avec de petits changements aléatoires (comme remplacer une brique rouge par une bleue, ou ajouter une nouvelle pièce).
5. Répétition : Ce cycle se répète encore et encore. Tout comme dans la nature, au fil de nombreuses générations, les « machines » deviennent de mieux en mieux dans le tri des chaussettes, sans qu'un humain ne leur dise exactement comment faire.

Les chercheurs ont utilisé une « boîte à outils » spécifique de pièces Lego quantiques (portes comme X, CNOT, etc.) pour construire ces circuits.

Deux Façons de Juger le Succès

Le papier a testé deux façons différentes de décider quelle machine était la « plus apte » :

• La Méthode du « Professeur » (Supervisée) : L'ordinateur reçoit les chaussettes avec les étiquettes correctes (par exemple, « C'est une chaussette gauche »). Il vérifie si la machine a trouvé la bonne réponse. C'est comme un professeur qui corrige une copie.
• La Méthode de la « Découverte de Soi » (Non Supervisée) : L'ordinateur reçoit les chaussettes sans étiquettes. Au lieu de vérifier les bonnes réponses, il examine à quel point l'état interne de la machine est « complexe » ou « intriqué ». L'idée est qu'une structure interne plus complexe pourrait être meilleure pour trouver des motifs cachés. C'est comme juger une machine par la complexité de ses engrenages, plutôt que par le résultat final.

Ce qu'ils ont Découvert

Les chercheurs ont testé cette méthode « évolutive » sur plusieurs ensembles de données, allant de formes simples fabriquées (comme des lunes et des cercles) à des données réelles comme des types de vin, des dossiers de cancer du sein et des classifications de médicaments.

• Meilleur que la Norme : Les machines évoluées par cet algorithme génétique ont performé aussi bien, voire mieux, que les méthodes standard que les humains utilisent habituellement. Elles ont constamment battu une méthode quantique courante appelée « PauliZZ ».
• Décisions Fluides : Lorsque les chercheurs ont examiné comment les machines prenaient leurs décisions, l'algorithme génétique a créé des frontières très fluides et claires entre les groupes. Les méthodes standard créaient parfois des frontières « tachetées » ou désordonnées.
• Le Mystère de l'Entropie : Les chercheurs se sont demandé si une machine avec plus de « chaos » (entropie) à l'intérieur serait plus intelligente. Ils ont trouvé aucun lien fort entre le degré de chaos de la machine et ses performances. Une machine désordonnée n'était pas nécessairement une machine intelligente.

Le Conclusion

Ce papier montre que vous n'avez pas besoin d'un génie humain pour concevoir les meilleures instructions quantiques pour trier des données. En utilisant un algorithme génétique (une version numérique de l'évolution), vous pouvez faire croître automatiquement ces instructions. Le résultat est une machine quantique qui trie les données efficacement, rendant potentiellement les futurs outils pour la finance, la santé et la science beaucoup plus puissants.

En bref : Au lieu de construire le cerveau quantique à la main, ils l'ont laissé s'évoluer lui-même, et il s'est avéré être un très bon élève.

Résumé technique

Résumé technique : Alignement de noyaux pour les Machines à Vecteurs de Support Quantiques utilisant des algorithmes génétiques

Énoncé du problème
Les Machines à Vecteurs de Support Quantiques (QSVM) reposent sur des fonctions de noyau quantique pour mesurer la similarité entre les points de données, offrant des avantages potentiels par rapport aux SVM classiques dans la gestion de données non linéairement séparables et le fonctionnement dans des espaces de caractéristiques de dimension supérieure. Cependant, la conception manuelle des circuits quantiques (cartes de caractéristiques) nécessaires pour encoder les données dans ces noyaux est une tâche non triviale. Les techniques de conception existantes — méthodes analytiques, numériques et variationnelles — présentent chacune des limites concernant l'efficacité computationnelle, la flexibilité ou la capacité à produire des résultats optimaux pour des ensembles de données spécifiques. Il existe un besoin d'une approche automatisée pour optimiser ces circuits d'encodage afin d'améliorer la précision de classification sans recourir à des essais et erreurs manuels.

Méthodologie
Les auteurs proposent un cadre automatisé intitulé « Optimisation de noyaux par ingénierie génétique » (GEKO), une extension du cadre GASP (Algorithme génétique pour la préparation d'états). Cette approche utilise un algorithme génétique (AG) pour rechercher des structures de circuits quantiques optimales pour les noyaux QSVM et les cartes de caractéristiques des Réseaux de Neurones Quantiques (QNN).

• Construction du circuit : L'AG recherche des circuits utilisant un ensemble de portes universel natif au matériel IBM : les portes à un qubit $X$, $\sqrt{X}$ et $R_z$, et la porte à deux qubits CNOT.
• Stratégies d'optimisation : L'étude évalue deux fonctions de fitness distinctes pour l'AG :
  1. GEKO supervisé : La fitness est évaluée en fonction de la précision de classification d'une QSVM entraînée sur des données étiquetées utilisant le noyau généré.
  2. GEKO non supervisé : La fitness est évaluée par une analyse des valeurs propres de la matrice de noyau, spécifiquement en maximisant la plus grande valeur propre normalisée. Cette méthode n'utilise pas les étiquettes de données lors du processus de sélection du circuit.
• Processus évolutif : L'algorithme initialise une population de circuits quantiques. Les individus sont mutés (avec une probabilité de 50 %) pour créer de nouveaux candidats. L'individu le plus apte est sélectionné en fonction des performances d'entraînement. Pour assurer la généralisabilité et prévenir le surapprentissage, l'individu de base n'est mis à jour que si le nouveau candidat démontre une fitness supérieure sur un ensemble de validation. Le nombre de gènes (profondeur/complexité du circuit) est ajusté dynamiquement par recherche binaire pour trouver le circuit minimal requis pour atteindre un seuil de fitness cible.
• Ensembles de données : Le cadre a été testé sur neuf ensembles de données : trois synthétiques (Moons, XOR, Circles) et six réels (Iris, Wine, Breast Cancer, Irrigation, Parkinson's, Drug Classification). L'Analyse en Composantes Principales (ACP) a été utilisée pour réduire les dimensions des caractéristiques à celles expliquant 95 % de la variance.

Contributions clés

1. Génération automatisée de circuits : L'article démontre l'application des algorithmes génétiques pour générer automatiquement des circuits d'encodage quantique pour les QSVM et les QNN, éliminant la dépendance à la conception manuelle de circuits.
2. Analyse comparative des fonctions de fitness : Le travail introduit et compare des fonctions de fitness supervisées (basées sur la précision) et non supervisées (basées sur les valeurs propres) pour l'optimisation de noyaux, en analysant leur impact sur les performances des circuits.
3. Corrélation Entropie-Précision : L'étude examine la relation entre l'entropie de Von Neumann de l'intrication dans les circuits générés et la précision de test, fournissant des données empiriques sur le fait qu'une intrication plus élevée corrèle-t-elle avec une meilleure performance de classification.
4. Implémentation native au matériel : Les circuits générés utilisent un ensemble de portes compatible avec le matériel quantique IBM actuel, assurant une applicabilité pratique.

Résultats

• Performances par rapport aux références : Sur tous les ensembles de données testés, les noyaux générés par GEKO (supervisé et non supervisé) ont systématiquement surpassé le noyau quantique standard PauliZZ. Ils ont obtenu des performances comparables, et dans certains cas supérieures, aux noyaux classiques à base de fonctions de base radiale (RBF).
• Frontières de décision : L'analyse visuelle des frontières de décision a révélé que les noyaux GEKO et RBF produisaient des frontières lisses et bien définies séparant efficacement les classes, tandis que le noyau PauliZZ entraînait souvent des frontières irrégulières qui ne parvenaient pas à séparer correctement les classes.
• Supervisé vs Non supervisé : Les techniques GEKO supervisée et non supervisée ont produit des performances comparables sur les ensembles de données. Cela suggère que pour ces tâches spécifiques, la métrique non supervisée basée sur les valeurs propres est un proxy viable pour la précision de classification, réduisant potentiellement le besoin de données étiquetées lors de la phase d'optimisation.
• Entropie et Précision : L'analyse de la précision de test par rapport à l'entropie de Von Neumann a montré peu ou pas de forte corrélation. Alors que certains ensembles de données présentaient des gradients positifs faibles, d'autres montraient des corrélations négatives ou négligeables. Les auteurs concluent que l'augmentation de l'entropie du circuit ne garantit pas nécessairement une amélioration de la précision de test.
• Optimisation des QNN : Lorsqu'appliqués aux QNN, les cartes de caractéristiques optimisées par AG ont permis aux réseaux de surmonter les plateaux d'optimisation, atteignant une haute précision de test sur des ensembles de données synthétiques avec des frontières de décision lisses.

Signification et revendications
L'article revendique que l'utilisation d'algorithmes génétiques pour l'optimisation de circuits quantiques offre une alternative prometteuse à la conception manuelle, capable de produire des circuits qui égalent ou dépassent les performances des techniques de noyaux classiques et quantiques standard. Les auteurs postulent que ce cadre automatisé réduit les essais et erreurs, en faisant un outil viable pour améliorer les performances des QSVM et des QNN dans des domaines tels que la finance, la santé et la science des matériaux.

L'étude conclut modestement que si la méthode montre un potentiel significatif pour les tâches de classification standard, des recherches supplémentaires sont nécessaires pour valider son efficacité sur des ensembles de données réels plus vastes et plus complexes. Les auteurs suggèrent également de futures pistes pour combiner les fonctions de fitness supervisées et non supervisées afin de créer des modèles à la fois hautement généralisés et spécifiquement optimisés pour les données cibles.