Expressive Power and Limitations of Multi-photon Quantum Neural Networks

तकनीकी सारांश: मल्टी-फोटॉन क्वांटम न्यूरल नेटवर्क की अभिव्यंजना शक्ति और सीमाएँ

समस्या विवरण
क्वांटम न्यूरल नेटवर्क (QNNs), विशेष रूप से डेटा री-अपलोडिंग (DRQNNs) का उपयोग करने वाले, सार्वभौमिक सन्निकटन (universal approximation) क्षमताओं का प्रदर्शन कर चुके हैं। जबकि मल्टी-फोटॉन इनपुट (बोसॉन सैंपलिंग) वाले लीनियर ऑप्टिकल नेटवर्क ने कम्प्यूटेशनल कार्यों में क्वांटम लाभ दिखाया है, वह विशिष्ट तंत्र जिसके द्वारा फोटॉन की संख्या बढ़ाने से QNNs की अभिव्यंजना (expressivity) बढ़ती है, अभी तक अनछुआ है। विशेष रूप से, यह स्पष्ट नहीं है कि क्या मल्टी-फोटॉन क्वांटम न्यूरल नेटवर्क (MPQNNs) की अभिव्यंजना को फोटॉन की संख्या बढ़ाकर अनंत रूप से बढ़ाया जा सकता है या इसमें कुछ मौलिक सीमाएँ हैं। यह शोध पत्र MPQNN की अभिव्यंजना का मात्रात्मक लक्षण वर्णन और फोटॉन संख्या ($n$), मोड संख्या ($m$), और लेयर संख्या ($L$) का सन्निकटन त्रुटि (approximation error) पर प्रभाव को संबोधित करता है।

कार्यप्रणाली
लेखक MPQNNs के लिए एक ढांचा प्रस्तावित करते हैं जिसे लीनियर ऑप्टिकल नेटवर्क पर लागू किया गया है, जो मल्टी-फोटॉन फॉक स्पेस (Fock space) तक DRQNN आर्किटेक्चर का विस्तार करता है।

1. मॉडल परिभाषा: मॉडल में एक सर्किट भाग (डेटा री-अपलोडिंग के माध्यम से—फेज शिफ्टर्स के माध्यम से एन्कोडिंग ब्लॉक्स और यूनिवर्सल यूनिटरी लीनियर ऑप्टिकल नेटवर्क के माध्यम से ट्रेन करने योग्य ब्लॉक्स का बारी-बारी से उपयोग) और एक ऑब्जर्वेबल (observable) भाग शामिल है। इनपुट एक फॉक स्टेट $|n, 0, \dots, 0\rangle$ है जो $n$ समान फोटॉनों का प्रतिनिधित्व करता है।
2. हाइपोथीसिस स्पेस लक्षण वर्णन: लेखक MPQNNs के हाइपोथीसिस स्पेस को व्युत्पन्न करते हैं। वे स्थापित करते हैं कि आउटपुट फंक्शन $h(x)$ एक वास्तविक बहुपद $g$ (जो ऑब्जर्वेबल द्वारा निर्धारित होता है) और त्रिकोणमितीय बहुपदों $y_j$ (जो ट्रेन करने योग्य सर्किट मापदंडों द्वारा निर्धारित होते हैं) का संयोजन है।
3. त्रुटि सीमा व्युत्पत्ति: अध्ययन मापे गए ऑब्जर्वेबल की प्रकृति के आधार पर दो अलग-अलग मामलों का विश्लेषण करता है:
   • निश्चित ऑब्जर्वेबल (Fixed Observable): फोटॉन संख्या विभाजन के वेट (weights) पूर्व-निर्धारित होते हैं।
   • ट्रेन करने योग्य ऑब्जर्वेबल (Trainable Observable): वेट्स को सर्किट मापदंडों के साथ प्रशिक्षण के दौरान अनुकूलित (optimize) किया जाता है।
     जैक्सन की असमानता (Jackson's inequality) का उपयोग करते हुए, लेखक दोनों मामलों के लिए सन्निकटन त्रुटि पर ऊपरी सीमाएं व्युत्पन्न करते हैं, जो त्रुटि को लक्षित फंक्शन और $n, m, L$ के मापदंडों से जोड़ती हैं।
4. संख्यात्मक सिमुलेशन: अपने सैद्धांतिक निष्कर्षों को मान्य करने के लिए, लेखकों ने फॉक स्टेट्स द्वारा संचालित लीनियर ऑप्टिकल नेटवर्क के आउटपुट फोटॉन संख्या वितरण को कुशलतापूर्वक सिम्युलेट करने के लिए एक डायनेमिक प्रोग्रामिंग एल्गोरिदम विकसित किया है। यह दृष्टिकोण परमानेन्ट्स (permanents) की गणना के लिए राइसर (Ryser) के एल्गोरिदम में सुधार करता है, जिससे रनटाइम जटिलता कम हो जाती है।

प्रमुख योगदान और परिणाम
यह शोध पत्र इस बात का मात्रात्मक विश्लेषण प्रदान करता है कि फोटॉन संख्या MPQNN की अभिव्यंजना को कैसे प्रभावित करती है, जिससे निश्चित बनाम ट्रेन करने योग्य ऑब्जर्वेबल के लिए विपरीत परिणाम प्राप्त होते हैं:

• निश्चित ऑब्जर्वेबल मामला:

  • सन्निकटन त्रुटि $O((dL)^{-K})$ द्वारा सीमित है, जहाँ $d = \min\{n, m-2\}$।
  • थ्रेशोल्ड प्रभाव (Threshold Effect): $n = m-2$ पर एक महत्वपूर्ण थ्रेशोल्ड मौजूद है। इस थ्रेशोल्ड से नीचे, फोटॉन संख्या बढ़ाने से अभिव्यंजना बहुपद रूप से बढ़ती है।
  • सीमा: एक बार जब $n, m-2$ से अधिक हो जाता है, तो फोटॉन संख्या में और वृद्धि से अभिव्यंजना में सुधार नहीं होता है। ऐसा इसलिए है क्योंकि लीनियर ऑप्टिकल नेटवर्क में ट्रेन करने योग्य मापदंडों की संख्या (जो केवल $m$ और $L$ पर निर्भर है) बढ़ी हुई फोटॉन संख्या द्वारा उत्पन्न उच्च-आयामी फंक्शन स्पेस को कवर करने के लिए अपर्याप्त हो जाती है।

• ट्रेन करने योग्य ऑब्जर्वेबल मामला:

  • सन्निकटन त्रुटि $O(d^{-K})$ द्वारा सीमित है, जहाँ $d = \min\{nL, \max\{(m-2)L, n\lfloor\frac{m-1}{2}\rfloor\}\}$।
  • निरंतर संवर्धन (Continuous Enhancement): निश्चित मामले के विपरीत, फोटॉन संख्या बढ़ाने से MPQNN की अभिव्यंजना हमेशा बढ़ती है, भले ही लीनियर ऑप्टिकल नेटवर्क की संरचना में कोई बदलाव न किया जाए। जैसे-जैसे $n \to \infty$, त्रुटि सीमा शून्य की ओर बढ़ती है।
  • लागत: इस बढ़ी हुई अभिव्यंजना के लिए ऑब्जर्वेबल में $\binom{n+m-1}{m-1}$ अतिरिक्त ट्रेन करने योग्य मापदंडों को जोड़ने की लागत आती है, जो $n$ के साथ तेजी से (exponentially) बढ़ता है।

• संख्यात्मक सत्यापन: यूनिवेरिएट ट्रिगोनोमेट्रिक पॉलीनोमियल एप्रोक्सिमेशन कार्यों पर सिमुलेशन पुष्टि करते हैं कि औसत टेस्ट लॉस (mean test loss) जैसे-जैसे फोटॉन संख्या और लेयर संख्या बढ़ती है, वैसे-वैसे घटता जाता है, जो सैद्धांतिक सीमाओं के अनुरूप है।

महत्व
लेखक दावा करते हैं कि यह कार्य QNNs में मल्टी-फोटॉन क्वांटम फीचर्स के प्रदर्शन संवर्धन और अंतर्निहित सीमाओं को स्पष्ट करता है। फोटॉन संख्या और अभिव्यंजना के बीच संबंध का मात्रात्मक लक्षण वर्णन करके, यह शोध पत्र फोटोनिक प्लेटफॉर्म पर QNNs को लागू करने के लिए मार्गदर्शन प्रदान करता है। विशेष रूप से, यह स्पष्ट करता है कि जबकि मल्टी-फोटॉन इनपुट लाभ प्रदान करते हैं, उनकी उपयोगिता निश्चित ऑब्जर्वेबल परिदृश्य में ट्रेन करने योग्य ब्लॉक्स की संरचना द्वारा सीमित है। निष्कर्ष बताते हैं कि मल्टी-फोटॉन लाभों का पूरी तरह से लाभ उठाने के लिए, या तो ऑब्जर्वेबल को ट्रेन करने योग्य होना चाहिए या बढ़े हुए डिग्री ऑफ फ्रीडम (degrees of freedom) को समायोजित करने के लिए नेटवर्क संरचना को बदला जाना चाहिए। यह कार्य क्वांटम मशीन लर्निंग में पैरामीटर काउंट और एप्रोक्सिमेशन क्षमता के बीच ट्रेड-ऑफ को समझने के लिए एक संदर्भ के रूप में कार्य करता है।