Résumé Technique : Surmonter le Verrouillage de Fourier dans les Classificateurs de Ré-injection de Données Quantiques via l'Homotopie Spectrale

1. Énoncé du Problème

Les circuits quantiques paramétrés de ré-injection de données (DRU-PQC) sont théoriquement des approximateurs de fonctions universels capables de modéliser des frontières de décision complexes et non linéaires en imitant les réseaux de neurones profonds par une injection séquentielle de données. Cependant, leur haute expressivité crée des paysages de perte hautement oscillatoires et non convexes qui résistent à l'optimisation basée sur le gradient.

Alors que la littérature récente attribue les échecs d'entraînement de ces architectures aux « plateaux stériles » (où les gradients s'évanouissent en raison d'une expressivité chaotique) ou à une capacité insuffisante, cet article soutient que le principal goulot d'étranglement est un mode de défaillance structurelle distinct nommé Verrouillage de Fourier (VF). Dans les DRU-PQC, les poids d'encodage (qui sélectionnent les fréquences d'entrée) et les couches d'intrication (qui routent l'information quantique) sont couplés de manière non linéaire. Lorsqu'ils sont initialisés de manière aléatoire sur des cibles à haute fréquence, l'optimiseur fait souvent s'effondrer les paramètres d'encodage dans des minima locaux isolés et spécieux. Une fois « verrouillés », les poids d'encodage sélectionnent un spectre de fréquences mal aligné avec la frontière de décision cible. Par conséquent, les couches d'intrication ne peuvent pas router un signal qui, de fait, n'existe pas efficacement, provoquant l'échec du modèle malgré le maintien d'une pleine sensibilité géométrique à ses paramètres.

2. Méthodologie et Cadre Théorique

Métriques de Diagnostic

Les auteurs proposent que les magnitudes de gradient standards et la matrice d'information de Fisher quantique (QFIM) dans l'espace des paramètres sont insuffisantes pour diagnostiquer le VF. À la place, ils utilisent deux diagnostics de Fisher spécifiques :

1. Information de Fisher Quantique dans l'Espace d'Entrée ($F_x$) : Mesure le contenu fréquentiel effectif de l'état encodé (la susceptibilité de Fubini–Study aux données d'entrée). Dans un circuit verrouillé, $F_x$ reste gelé à une valeur mal alignée depuis l'initialisation.
2. Ratio de Discriminant de Fisher (FDR) : Mesure l'alignement des caractéristiques mesurées avec les étiquettes de classe. Dans un circuit verrouillé, le FDR s'effondre vers zéro, indiquant une « lecture dégénérée de classe » où l'état oscille avec l'entrée mais échoue à se mapper sur les étiquettes.

Crucialement, les auteurs démontrent que les circuits piégés conservent une QFIM non dégénérée dans l'espace des paramètres (indiquant que l'état reste réactif aux paramètres), prouvant que la défaillance est une question de désalignement spectral, et non d'insensibilité géométrique.

Conception Expérimentale

L'étude emploie un DRU-PQC de 4 qubits avec $L=2$ couches de ré-injection et 50 paramètres entraînables (40 quantiques, 10 classiques). Les expériences ont été menées sur 50 graines aléatoires indépendantes pour cartographier l'espace de probabilité bimodal de l'optimiseur (piégé vs échappé).

L'intervention centrale est l'Homotopie Spectrale, un protocole d'apprentissage curriculaire qui échelonne la fréquence cible ($f$) de basse à haute ($f: 1.0 \to 2.0 \to 3.0$). Cette approche vise à convexifier le paysage de perte précoce, permettant aux paramètres conjoints d'être transportés dans la bande de fréquence cible avant que les attracteurs à haute fréquence ne se matérialisent.

Les conditions de contrôle comprenaient :

• Entraînement Standard (STD) : Entraînement direct sur la cible à haute fréquence ($f=3.0$).
• Ablations de Routage : Tester si le pré-alignement des couches d'intrication (initialisation Identité ou Warmup Couplé) pouvait sauver un état d'encodage initialisé aléatoirement.
• Curriculum Inverse : Entraînement de la haute vers la basse fréquence ($3.0 \to 1.0$) pour tester l'irréversibilité.
• Curriculum Aléatoire : Ordre aléatoire des phases de fréquence pour contrôler les effets de diversité des données.

3. Résultats Clés

Diagnostic du Verrouillage de Fourier

• Effondrement de la Lecture : Les circuits piégés présentaient un Ratio de Discriminant de Fisher (FDR) s'effondrant vers zéro ($r_{pb} = 0.912, p < 0.001$), confirmant une défaillance de l'alignement des étiquettes lors de la lecture.
• Immobilité Spectrale : La signature définissante d'un circuit piégé était l'absence de mouvement de son contenu fréquentiel effectif ($F_x$). Les circuits piégés maintenaient un $F_x$ statique et mal aligné tout au long de l'entraînement, tandis que les circuits s'échappant migraient significativement leur contenu fréquentiel ($r_{pb} = -0.48, p < 0.001$).
• Sensibilité des Paramètres : Contrairement à l'hypothèse des plateaux stériles, les circuits piégés ne montraient pas d'effondrement de la trace de la QFIM dans l'espace des paramètres, confirmant que l'optimiseur était paralysé par le désalignement spectral plutôt que par une perte de sensibilité géométrique.

Efficacité de l'Homotopie Spectrale

• Amélioration du Taux d'Échappement : L'entraînement standard sur des cibles à haute fréquence présentait un taux d'échappement de 6 % (précision finale > 0.65). Le curriculum d'homotopie spectrale direct ($1.0 \to 2.0 \to 3.0$) a triplé ce taux pour atteindre 18 %.
• Mécanisme d'Action : Les « échappés » réussis sous le curriculum d'homotopie directe montraient une augmentation monotone de $F_x$ en suivant les phases du curriculum, tandis que les circuits piégés restaient spectralement statiques. Les phases de basse fréquence n'amélioraient pas la précision immédiatement (la précision restant au niveau du hasard jusqu'à la Phase 3), mais agissaient comme un « échafaudage latent », transportant les poids d'encodage dans le bon entonnoir spectral.
• Échec de Routage : Les études d'ablation ont montré que fixer les couches d'intrication (via l'initialisation Identité ou le warmup) n'a pas permis de sauver la performance. Cela confirme que l'initialisation de l'encodage est la variable dominante ; si les poids d'encodage s'engagent dans une mauvaise fréquence, les couches d'intrication ne peuvent pas router le signal.
• Irréversibilité : Le curriculum inverse ($3.0 \to 1.0$) a entraîné un taux d'échappement de 0 %. Même les graines ayant réussi à apprendre la frontière à haute fréquence lors de la Phase 1 ont subi un « oubli spectral catastrophique » lorsqu'elles ont été forcées vers des géométries de basse fréquence, indiquant que l'architecture ne peut pas conserver des représentations de fréquences concurrentes une fois que l'attracteur à haute fréquence est perdu.

4. Signification et Revendications

L'article recadre le goulot d'étranglement de l'optimisation dans les DRU-PQC expressifs. Il postule que l'échec ne provient pas d'un manque de capacité de représentation ou de l'aplatissement chaotique du paysage (plateaux stériles), mais d'un phénomène de Verrouillage de Fourier où les poids d'encodage deviennent structurellement désalignés avec la bande de fréquence cible.

La contribution principale est l'identification de la mobilité spectrale (la migration de $F_x$) comme le diagnostic critique pour un entraînement réussi, la distinguant d'une sensibilité de paramètre statique. L'étude démontre que le rythme de fréquence via l'homotopie spectrale peut contourner ces verrous en convexifiant le paysage précoce, agissant efficacement comme un échafaudage pour transporter les paramètres dans le bassin cible.

Cependant, les auteurs maintiennent une position modeste quant à l'exhaustivité de la solution. Malgré le succès de l'homotopie spectrale, 82 % des initialisations aléatoires restaient définitivement piégées, indiquant que si le rythme de fréquence atténue le problème, la « loterie de l'initialisation » demeure un facteur dominant. L'article conclut que l'initialisation aléatoire est insuffisante pour entraîner de manière fiable des DRU-PQC expressifs sur des cibles à haute fréquence et suggère que les travaux futurs doivent se concentrer sur une initialisation d'encodage déterministe (par exemple, en utilisant l'analyse spectrale classique pour pré-régler les poids) plutôt que de compter uniquement sur des curricula d'optimisation.