Scaling Adaptive Non-Local Observable Quantum Super-Resolution via Matrix Product States

Résumé Technique : Mise à l'échelle de la super-résolution quantique adaptative par observables non locales via les réseaux de tenseurs à produit de matrices (MPS)

Énoncé du problème
La super-résolution d'image (SR) vise à reconstruire des images haute résolution à partir d'entrées basse résolution. Bien que l'apprentissage profond classique domine ce domaine, les circuits quantiques variationnels (VQC) ont émergé comme une alternative. Une architecture spécifique, les VQC à observables non locaux adaptatifs (ANO-VQC), améliore les VQC standards en traitant les opérateurs de mesure hermitiens comme des composants entraînables plutôt que comme des observables de Pauli fixes. Cela permet des combinaisons de corrélations multi-qubits dépendantes de la tâche.

Cependant, la simulation des ANO-VQC pour la SR d'images fait face à un goulot d'étranglement critique en matière de scalabilité. En utilisant un codage d'un pixel pour un qubit, une image d'entrée de taille $p \times p$ nécessite $n = p^2$ qubits. La simulation conventionnelle par vecteur d'état (statevector) nécessite de stocker $2^n$ amplitudes complexes, ce qui devient intractable même pour des tailles d'entrée modestes (par exemple, des goulots d'étranglement de mémoire surviennent dès des entrées de $6 \times 6$ ou 36 qubits). Bien que la contraction de réseaux de tenseurs exacts (Exact TN) offre une alternative, elle devient également pratiquement irréalisable au-delà de certaines tailles d'entrée (par exemple, $12 \times 12$ ou 144 qubits). Il est nécessaire de disposer d'un backend de simulation scalable capable de gérer un nombre plus élevé de qubits tout en maintenant la précision pour l'entraînement d'algorithmes quantiques variationnels.

Méthodologie
Les auteurs proposent un cadre de simulation par réseaux de tenseurs à produit de matrices (MPS) adapté à la SR d'images par ANO-VQC. Le flux de travail se compose de quatre étapes principales :

1. Codage et conception du circuit :

   • Les images basse résolution (par exemple, $7 \times 7$) sont mappées sur des qubits via un codage d'un pixel par un qubit. Les valeurs de pixels $x_i \in [0, 1]$ sont converties en angles de rotation $\phi_i = 2\pi x_i - \pi$.
   • Le circuit de codage applique des portes Hadamard, suivies de rotations $RY(\phi_i)$ dépendantes du pixel et de portes CNOT de voisinage immédiat échelonnées.
   • La profondeur du circuit $L$ est définie par le nombre de couches de codage-intrication répétées. Notamment, les portes de codage dépendent de l'entrée mais ne sont pas indépendamment entraînables ; les paramètres entraînables résident dans les observables et la couche de reconstruction classique.

2. Extraction de caractéristiques par observables adaptatives :

   • Au lieu de mesures de Pauli fixes, le cadre utilise des observables hermitiennes entraînables $H_q$ agissant sur des paires de qubits (spécifiquement les voisins locaux de l'image : horizontaux, verticaux et diagonaux).
   • Pour exploiter efficacement le backend MPS, chaque observable adaptative est développée dans la base de Pauli : $H_q = \sum_\alpha c_{q,\alpha} P_\alpha$.
   • La valeur d'espérance $\langle H_q \rangle$ est calculée comme une combinaison linéaire des valeurs d'espérance de Pauli fixes $\langle P_\alpha \rangle$. Puisque le circuit de codage dépend uniquement de l'image d'entrée, ces valeurs d'espérance de Pauli sont calculées une seule fois et mises en cache. Les paramètres entraînables ($A_q, B_q, D_q$) ne mettent à jour que les coefficients $c_{q,\alpha}$, séparant ainsi l'évaluation coûteuse des caractéristiques quantiques de l'optimisation de l'observable et des couches de reconstruction.

3. Simulation MPS :

   • L'état quantique $|\psi\rangle$ est représenté comme une chaîne de tenseurs locaux connectés par des liaisons virtuelles de dimension $\chi$.
   • Le stockage passe approximativement de $O(2^n)$ à $O(n\chi^2)$.
   • Les portes mono-qubit mettent à jour les tenseurs locaux, tandis que les portes deux-qubits mettent à jour les tenseurs adjacents suivis d'une troncature de la dimension de liaison.

4. Reconstruction et entraînement :

   • Le vecteur de caractéristiques quantiques extrait est transmis à une couche linéaire classique pour reconstruire l'image haute résolution.
   • L'entraînement minimise une fonction de perte pondérée combinant l'erreur quadratique moyenne (MSE) et la similitude de patch d'image perceptuelle apprise (LPIPS).
   • Les expériences ont été menées sur un GPU NVIDIA RTX 4070 unique en utilisant le jeu de données Fashion-MNIST ($7 \times 7$ entrée $\to$ $28 \times 28$ sortie).

Contributions clés et résultats

• Benchmarks de scalabilité :

  • L'étude compare la simulation par vecteur d'état, la contraction de réseaux de tenseurs exacts (Exact TN) et la simulation MPS.
  • Vecteur d'état : Atteint un goulot d'étranglement de mémoire à $6 \times 6$ entrées (36 qubits).
  • Exact TN : Devient informatiquement impraticable au-delà de $12 \times 12$ entrées (144 qubits).
  • MPS : Réussit l'extraction de caractéristiques (forward) pour des entrées allant jusqu'à $16 \times 16$ pixels (256 qubits) avec une dimension de liaison fixe $\chi=8$. Dans la zone de chevauchement, le MPS est plus rapide que l'Exact TN et surpasse la simulation par vecteur d'état pour des entrées supérieures à $4 \times 4$.

• Compromis Précision-Coût (Balayage de la dimension de liaison) :

  • Pour une entrée fixe de $7 \times 7$ (49 qubits), les auteurs ont balayé la dimension de liaison $\chi$ de 2 à 2048 à travers des profondeurs de circuit $L=1$ à $L=4$.
  • La dimension $\chi$ requise pour atteindre le régime "quasi-exact" (où l'erreur MPS approche la précision machine par rapport à l'Exact TN) augmente avec la profondeur du circuit :
    • $L=1$ : $\chi=2$
    • $L=2$ : $\chi=4$
    • $L=3$ : $\chi=8$
    • $L=4$ : $\chi=16$
  • À $\chi=16$, l'erreur absolue moyenne (MAE) pour $L=4$ chute à $\approx 10^{-15}$, égalant ainsi les résultats de l'Exact TN sans le coût exponentiel.

• Performance de la super-résolution :

  • En utilisant $\chi=16$ (garantissant une simulation quasi-exacte pour toutes les profondeurs testées), les auteurs ont entraîné des modèles pour la SR de Fashion-MNIST $7 \times 7 \to 28 \times 28$.
  • Résultat contre-intuitif : Le circuit le plus court ($L=1$) a obtenu les meilleures performances sur tous les indicateurs (Perte, LPIPS, PSNR, SSIM).
    • $L=1$ : Perte 0.4864, PSNR 20.87 dB, SSIM 0.4248.
    • $L=4$ : Perte 0.6984, PSNR 18.80 dB, SSIM 0.2922.
  • L'augmentation de la profondeur du circuit n'a pas amélioré la qualité de la reconstruction sous ce réglage MPS quasi-exact fixe ; au contraire, des circuits plus profonds ont dégradé les performances et augmenté le temps d'entraînement.

Signification et revendications
L'article positionne le MPS comme un backend de simulation scalable et contrôlable pour la SR d'images par ANO-VQC. Sa principale signification réside dans l'extension de la plage de simulation pratique des algorithmes quantiques au-delà des limites des méthodes par vecteur d'état et de réseaux de tenseurs exacts, permettant l'étude de systèmes allant jusqu'à 256 qubits sur un seul GPU.

Les auteurs affirment avec modestie que leurs résultats soulignent l'importance de la sélection conjointe de la profondeur du circuit avec la conception de l'observable et les couches de reconstruction, notant que des circuits plus profonds ne produisent pas nécessairement une meilleure qualité de SR. Ils concluent que le MPS sert d'outil pratique pour étudier les circuits quantiques variationnels à grande échelle, avec des travaux futurs prévoyant d'incorporer la parallélisation et les calculs de réseaux de tenseurs distribués pour étendre davantage l'échelle de simulation.