Fourier Analysis of Variational Quantum Circuits for Supervised Learning

तकनीकी सारांश: सुपरवाइज्ड लर्निंग के लिए वेरिएशनल क्वांटम सर्किट्स का फूरियर विश्लेषण

समस्या विवरण
वेरिएशनल क्वांटम सर्किट्स (VQCs) का उपयोग सुपरवाइजड लर्निंग में फंक्शन एप्रोक्सिमेटर के रूप में तेजी से किया जा रहा है। जबकि यह स्थापित है कि एक VQC के आउटपुट को इनपुट डेटा के ट्रंकेटेड फूरियर सम (truncated Fourier sum) के रूप में दर्शाया जा सकता है, उपलब्ध आवृत्तियों (स्पेक्ट्रम) का सेट अक्सर केवल एनकोडिंग गेट्स द्वारा निर्धारित माना जाता है। लेखक इस धारणा में एक महत्वपूर्ण सीमा की पहचान करते हैं: सर्किट का वेरिएशनल हिस्सा विशिष्ट फूरियर गुणांकों (Fourier coefficients) को शून्य करने के लिए मजबूर कर सकता है, जिससे वे आवृत्तियाँ प्रभावी रूप से हट जाती हैं जो केवल एनकोडिंग के आधार पर सैद्धांतिक रूप से उपलब्ध होनी चाहिए थीं। इसके अलावा, वेरिएशनल पैरामीटर्स के साथ इन फूरियर गुणांकों की कार्यात्मक निर्भरता (functional dependence) का अन्वेषण काफी हद तक अनछुआ रहा है। स्पेक्ट्रम के इस सटीक लक्षण वर्णन की कमी यह अनुमान लगाने की क्षमता को बाधित करती है कि किसी विशिष्ट डेटासेट के लिए कौन सा VQC आर्किटेक्चर सबसे उपयुक्त है, बिना पूर्ण प्रशिक्षण (full training) के।

कार्यप्रणाली
लेखक एक दो-आयामी कार्यप्रणाली प्रस्तावित करते हैं:

1. सटीक स्पेक्ट्रम और गुणांक गणना:
   नेमकोव एट अल. [18] के एल्गोरिदम पर निर्माण करते हुए, लेखक किसी भी दिए गए VQC (विशेष रूप से वे जो क्लिफोर्ड + पॉली (Clifford + Pauli) सर्किट्स में ट्रांसपाइल करने योग्य हैं) के लिए सटीक फूरियर स्पेक्ट्रम और गुणांकों की गणना करने की एक प्रक्रिया विकसित करते हैं।

• एल्गोरिदम: यह विधि एक बाइनरी ट्री निर्माण का उपयोग करती है जहाँ नोड्स एक कैनोनिकल नॉर्मल फॉर्म में सर्किटों का प्रतिनिधित्व करते हैं। इस ट्री के माध्यम से पथों (paths) का अनुसरण करके और पॉली रोटेशन से जुड़े त्रिकोणमितीय कारकों को गुणा करके, एल्गोरिदम एक्सपेक्टेशन वैल्यू को त्रिकोणमितीय बहुपदों (trigonometric polynomials) के योग में विघटित करता है।
• गुणांक विश्लेषण: लेखक यह व्युत्पन्न करते हैं कि फूरियर गुणांक $\theta$ के त्रिकोणमितीय बहुपद हैं। वे उन आवश्यक और पर्याप्त शर्तों को स्थापित करते हैं जिनके तहत गुणांकों के कॉम्बिनेटरियल हिस्से शून्य हो जाते हैं, जिससे उन आवृत्तियों की पहचान संभव होती है जो पैरामीटर मानों के बावजूद सख्ती से शून्य रहती हैं।
• डेटा विश्लेषण: अपने सर्किट के स्पेक्ट्रम की तुलना एक डेटासेट से करने के लिए, लेखक इटरेटिव न्यूमेरिकल इन्वर्जन के माध्यम से नॉन-यूनिफॉर्म फास्ट फूरियर ट्रांसफॉर्म (NFFT) का उपयोग करते हैं। यह गैर-समान रूप से व्यवस्थित वास्तविक दुनिया के डेटा से फ्रीक्वेंसी रिप्रजेंटेशन निकालने की अनुमति देता है।

2. आर्किटेक्चर रैंकिंग ह्यूरिस्टिक:
   लेखक बिना ट्रेनिंग के VQC आर्किटेक्चर को रैंक करने के लिए एक डेटासेट-अवेयर विधि प्रस्तावित करते हैं। मुख्य परिकल्पना यह है कि एक इष्टतम आर्किटेक्चर में डेटासेट की प्रमुख आवृत्तियाँ होनी चाहिए, जबकि स्पेक्ट्रम का आकार इतना छोटा होना चाहिए कि प्रशिक्षण क्षमता सुनिश्चित हो सके (एक्सप्रेसिविटी-ट्रेनैबिलिटी ट्रेड-ऑफ को संबोधित करते हुए)।

• स्कोरिंग मेट्रिक: एक स्कोर तीन घटकों के आधार पर गणना किया जाता है:
  • $R_\Omega$: डेटासेट के फूरियर गुणांकों की ऊर्जा जो VQC के उपलब्ध स्पेक्ट्रम के बाहर स्थित हैं।
  • $R_{corr}$: एक महलानोबिस डिस्टेंस (Mahalanobis distance) ह्यूरिस्टिक जो इस बात का अनुमान लगाता है कि VQC के वेरिएशनल पैरामीटर्स डेटासेट के विशिष्ट सहसंबंधों (correlations) और परिमाणों को पुनरुत्पादित करने की कितनी संभावना रखते हैं।
  • $R_{punish}$: स्पेक्ट्रम के आकार के समान एक दंड (penalty) शब्द, जो अत्यधिक एक्सप्रेसिव लेकिन संभावित रूप से अनट्रेन करने योग्य आर्किटेक्चर को हतोत्साहित करता है।
• जिस आर्किटेक्चर का कुल स्कोर सबसे कम होता है, उसे डेटा के लिए सबसे अच्छा फिट होने वाला माना जाता है।

मुख्य योगदान

• परिष्कृत स्पेक्ट्रल लक्षण वर्णन: यह पेपर प्रदर्शित करता है कि एक VQC का फूरियर स्पेक्ट्रम केवल एनकोडिंग गेट्स द्वारा निर्धारित नहीं होता है, बल्कि वेरिएशनल लेयर्स द्वारा महत्वपूर्ण रूप से सीमित होता है। यह पिछले साहित्य [16] में पाई गई उपलब्ध आवृत्तियों की अतिरंजित गणना को सुधारता है।
• कार्यात्मक निर्भरता: लेखक वेरिएशनल पैरामीटर्स के स्पष्ट त्रिकोणमितीय बहुपदों के रूप में फूरियर गुणांकों का पहला विवरण प्रदान करते हैं, जिसमें किसी भी दिए गए सर्किट के लिए सटीक स्पेक्ट्रम और गुणांकों की गणना करने के लिए एक एल्गोरिदम शामिल है।
• अनुमानित आर्किटेक्चर चयन: एक नया एल्गोरिदम पेश किया गया है जो उम्मीदवार सर्किट्स के विश्लेषणात्मक रूप से प्राप्त स्पेक्ट्रम की तुलना डेटासेट के फूरियर ट्रांसफॉर्म से करके, सबसे अच्छा फिट होने वाले VQC आर्किटेक्चर की भविष्यवाणी करता है।

परिणाम
लेखकों ने दो डेटासेट्स का उपयोग करके ग्यारह अलग-अलग VQC आर्किटेक्चर पर अपने तरीकों का परीक्षण किया: सिंथेटिक फ्राइडमैन रिग्रेशन फंक्शन और MNIST हस्तलिखित अंक डेटासेट (t-SNE के माध्यम से 2D में संक्षिप्त)।

• स्पेक्ट्रल परिवर्तनशीलता: सभी आर्किटेक्चर में समान एनकोडिंग गेट्स का उपयोग करने के बावजूद, परिणामी फूरियर स्पेक्ट्रा काफी भिन्न थे, जो 7 से लेकर 6,000 से अधिक आवृत्तियों तक रहे। इसने पुष्टि की कि वेरिएशनल लेयर्स स्पेक्ट्रम को सक्रिय रूप से कम (prune) करती हैं।
• रैंकिंग प्रदर्शन: प्रस्तावित स्कोरिंग पद्धति ने सफलतापूर्वक उन आर्किटेक्चर (विशेष रूप से सर्किट 2, 7 और 9) की पहचान की जिन्होंने फ्राइडमन डेटासेट पर सबसे कम टेस्टिंग लॉस प्राप्त किया और MNIST डेटासेट पर प्रतिस्पर्धी प्रदर्शन किया।
• सीमाएँ: अध्ययन ने नोट किया कि हालांकि ह्यूरिस्टिक आमतौर पर प्रदर्शन के साथ सह-संबंधित था, लेकिन $R_{corr}$ टर्म (गुणांकों के एक उपसमूह पर आधारित) कभी-कभी उन आर्किटेक्चर के बीच अंतर करने में विफल रहा जिनके स्पेक्ट्रल गुण समान थे लेकिन आंतरिक गुणांक सहसंबंध अलग थे। इसके अतिरिक्त, पूरे स्पेक्ट्रम की गणना करने की कम्प्यूटेशनल लागत सर्किट डेप्थ के साथ तेजी से (exponentially) बढ़ती है, जो वर्तमान प्रूफ-ऑफ-कांसेप्ट को छोटे सर्किट्स (4 क्वबिट्स, 3 लेयर्स) तक सीमित करती है।

महत्व और दावे
पेपर का दावा है कि यह पहला एल्गोरिदम प्रदान करता है जो वेरिएशनल पैरामीटर्स और फूरियर गुणांकों के बीच सटीक कार्यात्मक संबंध निर्धारित करने में सक्षम है। यह प्रकट करते हुए कि एक सर्किट का वेरिएशनल हिस्सा स्पेक्ट्रम को सीमित करता है, लेखक तर्क देते हैं कि VQCs को केवल एक्सप्रेसिविटी को अधिकतम करने के बजाय विशेष रूप से किसी कार्य के लिए इंजीनियर किया जाना चाहिए। प्रस्तावित विधि एक क्लासिकल सिमुलेशन टूल प्रदान करती है जो मॉडल के प्रदर्शन की भविष्यवाणी करने और आर्किटेक्चर चुनने में सक्षम है, जिससे सब-ऑप्टिमल मॉडल्स को प्रशिक्षित करने के लिए आवश्यक कम्प्यूटेशनल संसाधनों को बचाया जा सकता है। हालांकि, लेखक विनम्रतापूर्वक नोट करते हैं कि उनका तरीका वर्तमान में क्लासिकल सिमुलेशन के एक्सपोनेंशियल स्केलिंग के कारण छोटे सर्किट्स तक सीमित है और रैंकिंग ह्यूरिस्टिक, जो आशाजनक है, को इसके घटकों के वेटिंग (weighting) के संबंध में और अधिक शोधन की आवश्यकता है।