Hidden selection rules and amplitude ceilings in quantum Fourier models

Dans la quête de la construction de machines capables d'apprendre à partir de données, les scientifiques se tournent vers les lois étranges de la physique quantique. Au cœur de cet effort se trouvent les circuits quantiques, qui sont essentiellement des réseaux de minuscules interrupteurs manipulant l'information stockée dans des particules appelées qubits. Pour rendre ces machines utiles pour des tâches telles que la reconnaissance de formes ou la prédiction de tendances, les chercheurs doivent leur apprendre à traiter l'information de manière non linéaire, ce qui signifie que la sortie ne s'ajuste pas simplement de manière proportionnelle à l'entrée. Cette non-linéarité est le moteur de l'apprentissage, mais dans le monde quantique, c'est une chose fragile. Les circuits sont conçus pour calculer des motifs ondulatoires complexes, et leur capacité d'apprentissage dépend entièrement des motifs spécifiques qu'ils peuvent générer. Pendant des années, le domaine a fonctionné sur l'hypothèse que si un circuit est suffisamment complexe et entraîné suffisamment longtemps, il peut finir par apprendre presque n'importe quel motif. Cependant, une nouvelle étude suggère que cet espoir est souvent mal placé, non pas en raison d'un manque de puissance d'entraînement, mais à cause de murs invisibles intégrés dans la conception même du circuit.

Les chercheurs Pavel Sulimov et Claude Lehmann, de l'Université des sciences appliquées de Zurich, ont découvert que de nombreux circuits quantiques sont fondamentalement limités par des règles cachées qui les empêchent d'exprimer certains motifs, peu importe la quantité d'entraînement. Ces limitations ne sont pas causées par le bruit ou les erreurs qui accablent les ordinateurs quantiques actuels, et ne sont pas non plus le résultat de stratégies d'entraînement médiocres. Il s'agit plutôt de caractéristiques structurelles, comme la géométrie fixe d'un bâtiment qui dicte quelles pièces peuvent être connectées. L'équipe a découvert deux types spécifiques de ces barrières structurelles. Le premier agit comme un filtre strict, effaçant complètement certaines fréquences de la sortie du circuit, les rendant impossibles à apprendre. Le second agit comme un plafond, plafonnant la force des motifs qu'un circuit peut produire, garantissant que même si un motif est autorisé, il sera si faible qu'il sera effectivement inutile pour l'apprentissage.

Pour comprendre le fonctionnement de ces barrières, imaginez un circuit quantique comme une machine qui prend un nombre, le fait pivoter à travers une série de portes, et produit une sortie de type ondulatoire. Les chercheurs ont découvert que pour de nombreuses conceptions de circuits courants, il existe une symétrie cachée qui force la sortie à se comporter d'une manière spécifique. Si le circuit possède un certain arrangement de connexions, il obéit à une règle similaire à une symétrie de renversement du temps. Cette règle dicte que si vous déplacez le nombre d'entrée d'une quantité spécifique, la sortie doit inverser son signe. Cette contrainte mathématique force la machine à ignorer des familles entières de motifs. Par exemple, dans une conception spécifique utilisée dans un benchmark majeur de l'apprentissage automatique quantique, cette règle signifiait que le circuit ne pouvait apprendre que des motifs de nombre impair et était physiquement incapable d'apprendre les motifs de nombre pair. Les chercheurs ont développé une méthode informatique rapide pour vérifier ces règles avant tout entraînement. Ils ont testé des milliers de conceptions de circuits standards et ont constaté que cette règle de renversement du temps était présente dans près de 18 % d'entre eux, rendant de fait une partie significative du potentiel du circuit inutile avant même qu'un seul calcul ne soit effectué.

La seconde barrière est un plafond d'amplitude, qui limite la puissance ou la force d'un motif. Lorsqu'un circuit utilise une seule couche de qubits pour encoder des données, la force des motifs à haute fréquence les plus élevés qu'il peut produire chute de manière exponentielle à mesure que le nombre de qubits augmente. Avec seulement huit qubits, le motif de haute fréquence le plus fort possible est si faible qu'il peut expliquer moins de deux pour cent de la variation d'un ensemble de données. Il ne s'agit pas d'un problème de profondeur de circuit ; même si le circuit est rendu plus profond en réencodant les données plusieurs fois, la force de ces hautes fréquences reste plafonnée par la largeur de la première couche. Les chercheurs ont prouvé que ce plafond reste vrai indépendamment du bruit ou des erreurs dans le système. C'est une limite dure sur l'expressivité du modèle, ce qui signifie qu'aucun entraînement ne pourra jamais pousser le circuit au-delà de ce mur pour apprendre un signal de haute fréquence puissant.

Pour vérifier ces conclusions, l'équipe est passée de la théorie à la pratique, en menant des expériences sur de véritables processeurs quantiques fournis par IBM. Ils ont testé des circuits sur des dispositifs allant de quelques qubits jusqu'à une chaîne de 65 qubits. Dans chaque cas, les règles cachées ont tenu bon. Lorsqu'ils ont conçu un circuit censé être interdit de produire certains motifs, la machine n'a produit rien d'autre qu'un bruit de fond pour ces motifs, confirmant la prédiction théorique. Ils ont également démontré qu'ils pouvaient délibérément briser ces règles en ajoutant une seule porte simple au circuit, ce qui a immédiatement permis aux motifs interdits d'apparaître. De plus, ils ont montré que le bruit de la machine pouvait parfois imiter la rupture de ces règles, mais en analysant soigneusement les données, ils pouvaient distinguer une véritable violation structurelle d'un glitch temporaire causé par la machine se relaxant dans un état d'énergie plus bas.

Les implications de ces découvertes sont profondes pour le domaine de l'apprentissage automatique quantique. L'étude montre que la capacité d'un modèle quantique à apprendre n'est pas seulement une question de quantité de données ou de puissance de calcul ; c'est avant tout une question d'architecture. Avant même qu'un modèle ne soit entraîné, son potentiel est déjà déterminé par sa structure. Les chercheurs ont testé cela en figeant leurs prédictions sur ce qu'un circuit pourrait apprendre avant de lancer tout entraînement. Sur des ensembles de données réels, ces prédictions pré-entraînées étaient remarquablement précises, correspondant souvent à la performance finale des modèles entraînés avec une marge d'erreur infime. Dans les cas où les règles structurelles empêchaient un modèle d'apprendre, aucun entraînement ne pouvait y remédier. Inversement, lorsqu'ils identifiaient un défaut structurel et appliquaient une correction simple, la performance du modèle s'améliorait de manière spectaculaire, exactement comme prédit.

Ce travail déplace l'attention de la simple formation des modèles quantiques vers la compréhension de leurs limites fondamentales. Il révèle que beaucoup d'échecs observés dans les benchmarks de l'apprentissage automatique quantique ne sont pas dus à un manque d'optimisation ou de données, mais parce que les modèles tentent d'apprendre des motifs que leur conception physique leur interdit d'exprimer. Les chercheurs ont fourni une boîte à outils pour identifier ces limites tôt, permettant aux scientifiques de concevoir des circuits réellement capables des tâches qui leur sont assignées. En reconnaissant ces règles de sélection cachées et ces plafonds d'amplitude, le domaine peut s'éloigner des approches par essais et erreurs pour aller vers une compréhension plus fondée de ce que les ordinateurs quantiques peuvent et ne peuvent pas faire. L'étude conclut que la voie vers un apprentissage automatique quantique utile ne réside pas dans la création de circuits plus profonds ou plus complexes, mais dans la garantie que leur structure est alignée avec les motifs qu'ils sont censés apprendre.