Fourier Analysis of Variational Quantum Circuits for Supervised Learning

Sintesi Tecnica: Analisi di Fourier di Circuiti Quantistici Variazionali per l'Apprendimento Supervisionato

Definizione del Problema
I Circuiti Quantistici Variazionali (VQC) sono sempre più utilizzati come approssimatori di funzioni nell'apprendimento supervisionato. Sebbene sia stabilito che l'output di un VQC possa essere rappresentato come una somma di Fourier troncata dei dati di input, si assume spesso che l'insieme delle frequenze disponibili (lo spettro) sia determinato esclusivamente dai gate di codifica. Gli autori identificano un limite critico in questa ipotesi: la parte variazionale del circuito può vincolare specifici coefficienti di Fourier a zero, eliminando efficacemente frequenze che sarebbero altrimenti teoricamente disponibili basandosi solo sulla codifica. Inoltre, la dipendenza funzionale di questi coefficienti di Fourier dai parametri variazionali è rimasta in gran parte inesplorata. Questa mancanza di una precisa caratterizzazione spettrale ostacola la capacità di prevedere quale architettura VQC sia più adatta a un determinato dataset senza ricorrere all'addestramento completo.

Metodologia
Il documento propone un approccio metodologico a due fronti:

1. Calcolo Esatto dello Spettro e dei Coefficienti:
   Costruendo su base l'algoritmo di Nemkov et al. [18], gli autori sviluppano una procedura per calcolare lo spettro di Fourier esatto e i coefficienti per qualsiasi dato VQC (specificamente quelli trasponibili in circuiti Clifford + Pauli).

   • Algoritmo: Il metodo utilizza la costruzione di un albero binario in cui i nodi rappresentano circuiti in una forma normale canonica. Attraverso la traversata dei percorsi in questo albero e la moltiplicazione dei fattori trigonometrici associati alle rotazioni Pauli, l'algoritmo decompone il valore di aspettazione in una somma di polinomi trigonometrici.
   • Analisi dei Coefficienti: Gli autori derivano che i coefficienti di Fourier sono polinomi trigonometrici dei parametri variazionali $\theta$. Stabiliscono condizioni necessarie e sufficienti affinché le parti combinatorie di questi coefficienti si annullino, permettendo l'identificazione di frequenze che sono strettamente zero indipendentemente dai valori dei parametri.
   • Analisi dei Dati: Per confrontare lo spettro del circuito con un dataset, gli autori impiegano la Trasformata Rapida di Fourier Non Uniforme (NFFT) tramite inversione numerica iterativa. Ciò consente l'estrazione di rappresentazioni di frequenza da dati del mondo reale non uniformemente spaziati.

2. Euristica di Classificazione delle Architetture:
   Gli autori propongono un metodo consapevole del dataset per classificare le architetture VQC senza addestramento. L'ipotesi centrale è che un'architettura ottimale debba contenere le frequenze dominanti del dataset pur mantenendo una dimensione dello spettro sufficientemente piccola da garantire l'addestrabilità (affrontando il compromesso tra espressività e addestrabilità).

   • Metrica di Punteggio: Un punteggio viene calcolato sulla base di tre componenti:
     • $R_\Omega$: l'energia dei coefficienti di Fourier del dataset che giace al di fuori dello spettro disponibile del VQC.
     • $R_{corr}$: un'euristica basata sulla distanza di Mahalanobis che stima la probabilità che i parametri variazionali del VQC possano riprodurre le specifiche correlazioni e magnitudo dei coefficienti di Fourier del dataset.
     • $R_{punish}$: un termine di penalità proporzionale alla dimensione dello spettro, che scoraggia architetture eccessivamente espressive ma potenzialmente non addestrabili.
       L'architettura con il punteggio totale più basso è prevista come quella che meglio si adatta ai dati.

Contributi Chiave

• Caratterizzazione Spettrale Raffinata: Il documento dimostra che lo spettro di Fourier di un VQC non è determinato unicamente dai gate di codifica, ma è significativamente vincolato dai layer variazionali. Questo corregge la sovrastima delle frequenze disponibili trovata nella letteratura precedente [16].
• Dipendenza Funzionale: Gli autori forniscono la prima descrizione dei coefficienti di Fourier come espliciti polinomi trigonometrici dei parametri variazionali, includendo un algoritmo per calcolare lo spettio e i coefficienti esatti per qualsiasi circuito.
• Selezione Predittiva dell'Architettura: Viene introdotto un nuovo algoritmo che predice l'architettura VQC con il miglior adattamento per un dato dataset, confrontando la trasformata di Fourier del dataset contro lo spettro derivato analiticamente dei circuiti candidati.

Risultati
Gli autori hanno testato i loro metodi su undici diverse architetture VQC utilizzando due dataset: la funzione di regressione sintetica di Friedman e il dataset di cifre scritte a mano MNIST (ridotto a 2D tramite t-SNE).

• Variabilità Spettrale: Nonostante l'uso di identici gate di codifica in tutte le architetture, gli spettri di Fourier risultanti variavano significativamente, spaziando da 7 a oltre 6.000 frequenze. Ciò ha confermato che i layer variazionali filtrano attivamente lo spettro.
• Performance di Classificazione: Il metodo di punteggio proposto ha identificato con successo le architetture (specificamente i circuiti 2, 7 e 9) che hanno ottenuto i minimi errori di test sul dataset Friedman e che hanno performato competitivamente sul dataset MNIST.
• Limitazioni: Lo studio ha notato che, sebbene l'euristica correlasse generalmente con le performance, il termine $R_{corr}$ (basato su un sottoinsieme di coefficienti) talvolta non riusciva a distinguere perfettamente tra architetture con proprietà spettrali simili ma diverse correlazioni interne dei coefficienti. Inoltre, il costo computazionale del calcolo dello spettro completo scala esponenzialmente con la profondità del circuito, limitando l'attuale prova di concetto a piccoli circuiti (4 qubit, 3 layer).

Significatività e Rivendicazioni
Il documento sostiene di fornire il primo algoritmo capace di determinare la relazione funzionale esatta tra i parametri variazionali e i coefficienti di Fourier. Rivelando che la parte variazionale di un circuito vincola lo spettro, gli autori sostengono che i VQC debbano essere progettati specificamente per un compito piuttosto che massimizzare semplicemente l'espressività. Il metodo proposto offre uno strumento di simulazione classica per prevedere le prestazioni del modello e selezionare le architetture, risparmiando potenzialmente le risorse computazionali richieste per l'addestramento di modelli subottimali. Tuttavia, gli autori notano con modestia che il loro metodo è attualmente limitato a piccoli circuiti a causa della scalabilità esponenziale della simulazione classica e che l'euristica di classificazione, seppur promettente, richiede un ulteriore affinamento riguardo alla ponderazione dei suoi componenti.