Fourier Analysis of Variational Quantum Circuits for Supervised Learning

Résumé technique : Analyse de Fourier des circuits quantiques variationnels pour l'apprentissage supervisé

Énoncé du problème
Les circuits quantiques variationnels (VQC) sont de plus en plus utilisés comme approximateurs de fonctions dans l'apprentissage supervisé. Bien qu'il soit établi que la sortie d'un VQC peut être représentée par une somme de Fourier tronquée des données d'entrée, l'ensemble des fréquences disponibles (le spectre) est souvent supposé être déterminé uniquement par les portes d'encodage. Les auteurs identifient une limitation critique dans cette hypothèse : la partie variationnelle du circuit peut contraindre certains coefficients de Fourier à zéro, éliminant ainsi des fréquences qui seraient autrement théoriquement disponibles sur la base du seul encodage. De plus, la dépendance fonctionnelle de ces coefficients de Fourier par rapport aux paramètres variationnels est restée largement inexplorée. Ce manque de caractérisation spectrale précise entrave la capacité de prédire quelle architecture de VQC est la mieux adaptée à un ensemble de données spécifique sans recourir à un entraînement complet.

Méthodologie
Les auteurs proposent une approche méthodologique à deux volets :

1. Calcul exact du spectre et des coefficients :
   S'appuyant sur l'algorithme de Nemkov et al. [18], les auteurs développent une procédure pour calculer le spectre de Fourier exact et les coefficients pour n'importe quel VQC (spécifiquement ceux transpilables en circuits Clifford + Pauli).

• Algorithme : La méthode utilise la construction d'un arbre binaire où les nœuds représentent des circuits dans une forme normale canonique. En traversant les chemins de cet arbre et en multipliant les facteurs trigonométriques associés aux rotations de Pauli, l'algorithme décompose la valeur d'espérance en une somme de polynômes trigonométriques.
• Analyse des coefficients : Les auteurs démontrent que les coefficients de Fourier sont des polynômes trigonométriques des paramètres variationnels $\theta$. Ils établissent les conditions nécessaires et suffisantes pour que les parties combinatoires de ces coefficients s'annulent, permettant l'identification des fréquences qui sont strictement nulles, quelles que soient les valeurs des paramètres.
• Analyse des données : Pour comparer le spectre du circuit avec un ensemble de données, les auteurs emploient la transformée de Fourier rapide non uniforme (NFFT) via une inversion numérique itérative. Cela permet d'extraire les représentations fréquentielles à partir de données réelles espacées de manière non uniforme.

2. Heuristique de classement d'architecture :
   Les auteurs proposent une méthode de classement des architectures de VQC sensible aux données, sans entraînement. L'hypothèse centrale est qu'une architecture optimale doit contenir les fréquences dominantes de l'ensemble de données tout en maintenant une taille de spectre suffisamment petite pour garantir l'entraînabilité (abordant le compromis expressivité-entraînabilité).

• Métrique de score : Un score est calculé sur la base de trois composantes :
  • $R_\Omega$ : L'énergie des coefficients de Fourier de l'ensemble de données qui se situent en dehors du spectre disponible du VQC.
  • $R_{corr}$ : Une heuristique de distance de Mahalanobis estimant la probabilité que les paramètres variationnels du VQC puissent reproduire les corrélations et les amplitudes spécifiques des coefficients de Fourier de l'ensemble de données.
  • $R_{punish}$ : Un terme de pénalité proportionnel à la taille du spectre, décourageant les architectures excessivement expressives mais potentiellement impossibles à entraîner.
• L'architecture présentant le score total le plus bas est prédite comme étant celle qui s'ajuste le mieux aux données.

Contributions clés

• Caractérisation spectrale raffinée : L'article démontre que le spectre de Fourier d'un VQC n'est pas uniquement déterminé par les portes d'encodage, mais est significativement contraint par les couches variationnelles. Cela corrige la surestimation des fréquences disponibles trouvée dans la littérature précédente [16].
• Dépendance fonctionnelle : Les auteurs fournissent la première description des coefficients de Fourier en tant que polynômes trigonométriques explicites des paramètres variationnels, incluant un algorithme pour calculer le spectre et les coefficients exacts pour n'importe quel circuit donné.
• Sélection prédictive d'architecture : Un nouvel algorithme est introduit qui prédit la meilleure architecture de VQC pour un ensemble de données donné en comparant la transformée de Fourier des données avec le spectre analytiquement dérivé des circuits candidats.

Résultats
Les auteurs ont testé leurs méthodes sur onze architectures de VQC différentes en utilisant deux ensembles de données : la fonction de régression de Friedman synthétique et l'ensemble de données de chiffres manuscrits MNIST (réduit en 2D via t-SNE).

• Variabilité spectrale : Malgré l'utilisation de portes d'encodage identiques pour toutes les architectures, les spectres de Fourier résultants variaient considérablement, allant de 7 à plus de 6 000 fréquences. Cela a confirmé que les couches variationnelles priment activement le spectre.
• Performance de classement : La méthode de score proposée a identifié avec succès les architectures (spécifiquement les circuits 2, 7 et 9) qui ont obtenu les pertes de test les plus faibles sur le jeu de données Friedman et ont performé de manière compétitive sur le jeu de données MNIST.
• Limites : L'étude a noté que si l'heuristique est généralement corrélée à la performance, le terme $R_{corr}$ (basé sur un sous-ensemble de coefficients) échoue parfois à distinguer parfaitement les architectures ayant des propriétés spectrales similaires mais des corrélations de coefficients internes différentes. De plus, le coût computationnel du calcul du spectre complet augmente exponentiellement avec la profondeur du circuit, limitant la preuve de concept actuelle à de petits circuits (4 qubits, 3 couches).

Signification et affirmations
L'article affirme fournir le premier algorithme capable de déterminer la relation fonctionnelle exacte entre les paramètres variationnels et les coefficients de Fourier. En révélant que la partie variationnelle d'un circuit contraint le spectre, les auteurs soutiennent que les VQC doivent être conçus spécifiquement pour une tâche plutôt que de simplement maximiser l'expressivité. La méthode proposée offre un outil de simulation classique pour prédire la performance du modèle et sélectionner les architectures, ce qui pourrait économiser les ressources de calcul requises pour l'entraînement de modèles sous-optimaux. Cependant, les auteurs notent modestement que leur méthode est actuellement limitée aux petits circuits en raison de la mise à l'échelle exponentielle de la simulation classique et que l'heuristique de classement, bien que prometteuse, nécessite un affinement concernant le pondération de ses composantes.