Merged amplitude encoding for Chebyshev quantum Kolmogorov--Arnold networks: trading qubits for circuit executions

यहाँ हिकारु वाकुरा के शोध पत्र "Merged amplitude encoding for Chebyshev quantum Kolmogorov–Arnold networks: trading qubits for circuit executions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम मशीन लर्निंग (QML) आर्किटेक्चर, विशेष रूप से वेरिएशनल क्वांटम एल्गोरिदम (VQAs), नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों पर एक मौलिक संसाधन व्यापार-बंद (resource trade-off) का सामना करते हैं: क्यूबिट संख्या बनाम सर्किट निष्पादन आवृत्ति (circuit execution frequency)।

• चेबिशेव-आधारित कंटीन्यूअस क्वांटम KAN (CCQKAN): यह आर्किटेक्चर एज एक्टिवेशन फंक्शन्स को क्वांटम इनर प्रोडक्ट के रूप में मूल्यांकन करता है।
• व्यापार-बंद (The Trade-off):
  • समानांतर मूल्यांकन (Parallel Evaluation): प्रत्येक एज (edge) के लिए एक अलग क्यूबिट रजिस्टर आवंटित करता है। उच्च क्यूबिट संख्या ($Q_{par}$), लेकिन केवल एक सर्किट निष्पादन प्रति लेयर।
  • अनुक्रमिक मूल्यांकन (Sequential Evaluation): सभी एजेस के लिए एक ही छोटे क्यूबिट रजिस्टर का पुन: उपयोग करता है। कम क्यूबिट संख्या ($Q_{seq}$), लेकिन कई अलग-अलग सर्किट निष्पादनों की आवश्यकता होती है ($C_{seq} = n^2 + n$)।
• अंतराल (The Gap): एक मध्यवर्ती रणनीति की आवश्यकता है जो क्यूबिट ओवरहेड और सर्किट निष्पादन विलंबता (latency) के बीच संतुलन बनाए, विशेष रूप से क्लाउड-पहुंच योग्य हार्डवेयर के लिए जहाँ जॉब सबमिशन विलंबता अक्सर गेट निष्पादन समय से अधिक होती है। इसके अलावा, जबकि एन्कोडिंग रणनीतियों के बीच गणितीय समानता मौजूद है, यह स्पष्ट नहीं है कि क्या वे शोर वाली स्थितियों में ग्रेडिएंट-आधारित अनुकूलन लूप के भीतर समान रूप से प्रशिक्षण योग्य (trainable) रहती हैं।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र मर्ज्ड एम्प्लीट्यूड एनकोडिंग (Merged Amplitude Encoding) पेश करता है और व्यवस्थित संख्यात्मक प्रयोगों के माध्यम से इसे सत्यापित करता है।

A. मर्ज्ड एम्प्लीट्यूड एनकोडिंग तकनीक

• अवधारणा: प्रत्येक एज को स्वतंत्र रूप से मूल्यांकन करने (अनुक्रमिक) या समानांतर रूप से करने के बजाय, यह तकनीक दिए गए आउटपुट नोड के सभी $n$ इनपुट एजेस के चेबिशेव गुणांक (coefficient) और बेसिस वेक्टर्स के एलीमेंट-वाइज उत्पादों को एक एकल एम्प्लीट्यूड स्टेट में पैक करती है।
• गणितीय आधार: यह इनर प्रोडक्ट की रैखिकता (linearity) पर निर्भर करता है। एज एक्टिवेशन का योग $S_j$ को एक यूनिफॉर्म स्टेट और एक मर्ज्ड स्टेट वेक्टर $| \tilde{m}_j \rangle$ के ओवरलैप के रूप में परिकलित किया जाता है।
• संसाधन आवश्यकताएँ:
  • क्यूबिट्स: $Q_{red} = \lceil \log_2(n(d + 1)) \rceil$। यह अनुक्रमिक बेसलाइन ($Q_{seq}$) से केवल 1-2 क्यूबिट अधिक है।
  • निष्पादन (Executions): अनुक्रमिक बेसलाइन की तुलना में सर्किट निष्पादन को $n$ के कारक से कम करता है ($C_{red} = n + 1$ बनाम $C_{seq} = n^2 + n$)।
  • साइन रिकवरी (Sign Recovery): चूंकि क्वांटम माप स्क्वेर्ड ओवरलैप ($|\langle \psi | \phi \rangle|^2$) प्रदान करते हैं, इसलिए इनर प्रोडक्ट के साइन को क्लासिकली या एक अतिरिक्त हैडामार्ड टेस्ट (एक अतिरिक्त अन्सिला क्यूबिट जोड़कर) के माध्यम से पुनः प्राप्त करना आवश्यक है। यह सीमा मूल आर्किटेक्चर के साथ साझा की जाती है।

B. प्रयोगात्मक सेटअप (Experimental Setup)

• नेटवर्क कॉन्फ़िगरेशन: [n, n, 1] नेटवर्क के 10 कॉन्फ़िगरेशन, चेबिशेव डिग्री $d \in \{2, 3, 4, 5\}$ के साथ।
• कार्य (Tasks):
  1. सिंथेटिक रिग्रेशन: 3 टार्गेट फंक्शन्स ($f_2, f_3, f_4$) का उपयोग करते हुए 30 ट्रेनिंग पॉइंट्स के साथ।
  2. MNIST क्लासिफिकेशन: 8×8 PCA-रिड्यूस्ड डेटा पर बाइनरी (0 बनाम 1) और 10-क्लास (One-vs-All)।
• सिमुलेशन स्थितियाँ (Simulation Conditions):
  1. आइडियल (Ideal): सटीक स्टेटवेक्टर सिमुलेशन।
  2. शॉट नॉइज़ (Shot Noise): प्रति इनर प्रोडक्ट 1000 मेजरमेंट शॉट्स।
  3. शॉट + डिवाइस नॉइज़ (Shot + Device Noise): स्टेट प्रिपरेशन में जोड़ा गया डेपोलराइजिंग नॉइज़ ($p=0.01$)।
• तुलना किए गए मॉडल:
  1. ओरिजिनल (Original): मानक अनुक्रमिक CCQKAN।
  2. Red-T: पैरामीटर ट्रांसफर (प्रशिक्षित ओरिजिनल मॉडल से वेट्स को इनिशियलाइज़ किया गया) के साथ मर्ज्ड एनकोडिंग।
  3. Red-I: स्वतंत्र रैंडम इनिशियलाइजेशन के साथ मर्ज्ड एनकोडिंग।
• सांख्यिकीय विश्लेषण: प्रत्येक स्थिति के लिए 16 रैंडम सीड्स। मॉडल्स के फाइनल मीन स्क्वेयर्ड एरर (MSE) लॉस की तुलना करने के लिए विल्कोक्सन साइन्ड-रैंक टेस्ट का उपयोग किया गया।

3. मुख्य योगदान (Key Contributions)

1. मर्ज्ड एम्प्लीट्यूड एनकोडिंग: एक नवीन एनकोडिंग रणनीति जो क्यूबिट्स में लॉगरिदमिक वृद्धि ($O(\log n)$) के बदले सर्किट निष्पादन में लीनियर कमी ($O(n)$) का व्यापार करती है।
2. अनुभवजन्य प्रशिक्षण क्षमता सत्यापन (Empirical Trainability Verification): यह शोध पत्र गणितीय समानता से आगे बढ़कर अनुभवजन्य रूप से सिद्ध करता है कि मर्ज्ड आर्किटेक्चर प्रशिक्षण क्षमता (trainability) को बनाए रखता है। यह इस खुले प्रश्न का समाधान करता है कि क्या सर्किट निष्पादन के बीच गणनाओं को पुनर्व्यवस्थित करने से अनुकूलन गतिशीलता (optimization dynamics) प्रभावित होती है।
3. संसाधन व्यापार-बंद विश्लेषण (Resource Trade-off Analysis): एक ठोस तुलना (तालिका I) प्रदान करता है जो दिखाता है कि मर्ज्ड दृष्टिकोण समानांतर (उच्च क्यूबिट, कम विलंबता) और अनुक्रमिक (कम क्यूबिट, उच्च विलंबता) चरम सीमाओं के बीच एक मध्यवर्ती स्थिति में स्थित है।
4. नॉइज़ संवेदनशीलता अध्ययन (Noise Sensitivity Study): यह दर्शाता है कि वास्तविक शोर वाली स्थितियों में आर्किटेक्चरल लाभ कैसे कम हो जाते हैं, जिससे NISQ परिनियोजन के लिए मार्गदर्शन मिलता है।

4. परिणाम (Results)

A. आदर्श स्थितियाँ (Ideal Conditions)

• पैरामीटर ट्रांसफर (Red-T): ओरिजिनल मॉडल से काफी बेहतर प्रदर्शन किया (10/10 कॉन्फ़िगरेशन में कम लॉस, $p < 0.001$)। यह पुष्टि करता है कि मर्ज्ड आर्किटेक्चर पूर्व-प्रशिक्षित मापदंडों को प्रभावी ढंग से परिष्कृत कर सकता है।
• स्वतंत्र इनिशियलाइजेशन (Red-I): 10 में से 9 कॉन्फ़िगरेशन में ओरिजिनल मॉडल की तुलना में कोई महत्वपूर्ण अंतर नहीं दिखाया ($p > 0.05$)। यह इंगित करता है कि मर्ज्ड एनकोडिंग स्वाभाविक रूप से प्रशिक्षण क्षमता को कम नहीं करता है।

B. शोर वाली स्थितियाँ (Noisy Conditions - Shot & Device Noise)

• प्रदर्शन समानीकरण (Performance Equalization): जैसे-जैसे शोर बढ़ा, ओरिजिनल, Red-T और Red-I के बीच प्रदर्शन के अंतर कम होते गए। शॉट+नॉइज़ के तहत, 9/10 या 10/10 तुलनाएं गैर-महत्वपूर्ण थीं।
• व्याख्या: हार्डवेयर शोर पैरामीटराइज्ड क्वांटम सर्किट्स की प्रभावी एक्सप्रेसिबिलिटी को सीमित करता है, जिससे आर्किटेक्चरल लाभ छिप जाते हैं।
• इनिशियलाइजेशन रणनीति: शॉट नॉइज़ के तहत, Red-T ने ओरिजिनल की तुलना में थोड़ा खराब प्रदर्शन किया (4/10 महत्वपूर्ण), जो सुझाव देता है कि आदर्श स्थितियों के लिए अनुकूलित मापदंड शोर वाले शासन (regimes) में अच्छी तरह से स्थानांतरित नहीं होते हैं। स्वतंत्र इनिशियलाइजेशन (Red-I) शोर वाले हार्डवेयर के लिए अधिक उपयुक्त है।

C. MNIST क्लासिफिकेशन

• बाइनरी (0 बनाम 1): सभी मॉडलों ने $\ge 99.8\%$ सटीकता प्राप्त की। कार्य आर्किटेक्चर के बीच अंतर करने के लिए बहुत आसान था।
• 10-क्लास (One-vs-All): टेस्ट एक्यूरेसी 53% से 78% के बीच रही।
  • Original बनाम Red-I: परीक्षण किए गए सभी 5 नेटवर्क आकारों में टेस्ट एक्यूरेसी या लॉस में कोई महत्वपूर्ण अंतर नहीं था (तालिका VI)।
  • निष्कर्ष: मर्ज्ड एनकोडिंग वास्तविक विभेदात्मक शक्ति वाले कार्यों पर प्रदर्शन को सुरक्षित रखता है।

5. महत्व और सीमाएँ (Significance and Limitations)

महत्व:

• NISQ अनुकूलन: मर्ज्ड दृष्टिकोण उन हार्डवेयर के लिए फायदेमंद है जहाँ प्रति-निष्पादन ओवरहेड (स्टेट प्रिपरेशन, मेजरमेंट, जॉब शेड्यूलिंग विलंबता) गेट-लेवल नॉइज़ संचय (जैसे, क्लाउड-एक्सेसिबल क्वांटम कंप्यूटर) पर हावी होता है।
• प्रशिक्षण क्षमता आश्वासन: यह पहली बार अनुभवजन्य साक्ष्य प्रदान करता है कि एम्प्लीट्यूड स्टेट्स को "मर्ज" करने से ऑप्टिमाइजेशन लैंडस्केप टूटता नहीं है, जो भविष्य के बड़े पैमाने के कार्यान्वयन के लिए इस तकनीक को मान्य करता है।
• संसाधन प्रबंधन: यह अभ्यासकर्ताओं को क्यूबिट उपलब्धता बनाम सर्किट निष्पादन सीमाओं के बीच संतुलन बनाने के लिए एक ट्यून करने योग्य विकल्प (tunable knob) प्रदान करता है।

सीमाएँ:

• पैमाना (Scale): प्रयोग क्लासिकल स्टेटवेक्टर सिमुलेशन का उपयोग करके छोटे पैमाने के थे ($n \le 4, Q_{red} \le 5$)। किसी क्वांटम लाभ (quantum advantage) का दावा नहीं किया गया है।
• नॉइज़ मॉडल: स्टेटवेक्टर स्तर पर सरल डेपोलराइजिंग नॉइज़ लागू किया गया; यह हार्डवेयर-विशिष्ट कनेक्टिविटी, क्रॉसटॉक या T1/T2 डिकोहेरेंस को कैप्चर नहीं करता है।
• गेट काउंट: हालांकि निष्पादन कम हो जाते हैं, लेकिन प्रति फॉरवर्ड पास कुल गेट काउंट लगभग स्थिर रहता है (मर्जिंग एक निष्पादन प्रति फॉरवर्ड पास में डेप्थ बढ़ाती है)। व्यावहारिक लाभ विशिष्ट हार्डवेयर लेटेंसी बनाम गेट एरर रेट पर निर्भर करता है।
• ट्रेनिंग बजट: प्रशिक्षण 20 स्टेप्स तक सीमित था; पूर्ण अभिसरण (convergence) प्राप्त नहीं हुआ था, जिसका अर्थ है कि लंबे समय के साथ कुछ प्रदर्शन अंतर उभर सकते हैं।

निष्कर्ष:
शोध पत्र निष्कर्ष निकालता है कि मर्ज्ड एम्प्लीट्यूड एनकोडिंग CCQKANs में क्वांटम संसाधनों को पुनर्वितरित करने के लिए एक व्यवहार्य रणनीति है। यह परीक्षित स्थितियों के तहत प्रशिक्षण क्षमता से समझौता किए बिना क्यूबिट्स के लिए सर्किट निष्पादन का सफलतापूर्वक व्यापार करता है, हालांकि वास्तविक शोर बाधाओं के तहत काम करते समय पैरामीटर ट्रांसफर के बजाय स्वतंत्र इनिशियलाइजेशन की सिफारिश की जाती है। भविष्य के कार्य के लिए वास्तविक क्वांटम हार्डवेयर पर सत्यापन और बड़े पैमाने के डेटासेट की आवश्यकता है।