Quantum Observers: A NISQ Hardware Demonstration of Chaotic State Prediction Using Quantum Echo-state Networks

Riepilogo Tecnico: Osservatori Quantistici: Una Dimostrazione Hardware NISQ della Previsione di Stati Caotici Utilizzando Reti a Stato di Eco Quantistiche

Enunciato del Problema
Sebbene l'intelligenza artificiale abbia dimostrato capacità straordinarie sull'hardware classico, la scalabilità e l'efficienza rimangono vincolate dai limiti computazionali. I computer quantistici offrono il potenziale per superare queste limitazioni; tuttavia, l'integrazione del calcolo quantistico con le reti neurali (NN) sull'hardware attuale Noisy Intermediate-Scale Quantum (NISQ) è ostacolata dalla decoerenza, dal rumore, da alti tassi di errore e da brevi tempi di coerenza (T1 e T2). Gli approcci esistenti al Reservoir Computing Quantistico (QRC) spesso si affidano a dispositivi analogici specializzati, richiedono il riavvio o l'arresto del circuito (portando a errori di "buffer overflow"), o mancano di memoria persistente. Inoltre, convertire concetti classici di reservoir—come la memoria sfumante, la stabilità asintotica (la proprietà "a stato di eco") e la non linearità—in circuiti quantistici universali basati su porte presenta sfide significative a causa dell'evoluzione unitaria dei sistemi chiusi e del collasso della misurazione dello stato.

Metodologia
Gli autori propongono una Quantum Echo-State Network (QESN) scalabile progettata per operare come un "osservatore quantistico", capace di ricostruire le variabili di stato latenti di un sistema dinamico a partire da misurazioni parziali. L'architettura è progettata specificamente per hardware NISQ universale basato su porte (in particolare qubit superconduttori IBM) ed evita la necessità di reset o arresti del circuito durante l'esecuzione di serie temporali lunghe.

I componenti metodologici chiave includono:

• Architettura del Circuito: La QESN utilizza un paradigma "misura e reset" in cui i qubit di lettura vengono misurati e resettati deterministicamente allo stato $|0\rangle$ ad ogni passo temporale, mentre i qubit di memoria mantengono lo stato. Ciò consente un'evoluzione continua su orizzonti temporali lunghi.
• Codifica dell'Input: I dati classici vengono incorporati utilizzando "embedding angolari" (rotazioni $R_z(\gamma)R_x(\beta)R_z(\alpha)$) sulla sfera di Bloch. Un approccio a "finestra di contesto" mappa dimensioni di input arbitrarie in questi angoli di rotazione tramite un livello classico completamente connesso ($W_{in}$), disaccoppiando la dimensione del reservoir dalla dimensione dell'input.
• Sparsità ed Entanglement: Per mitigare gli errori delle porte e ridurre la profondità del circuito (minimizzando le operazioni SWAP), gli autori introducono sparsità eliminando casualmente un sottoinsieme di porte di entanglement a due qubit. Il circuito impiega un blocco "data re-uploading" sintonizzabile, in cui rotazioni dipendenti dall'input vengono ripetute ($n_c$ volte) tra le porte di entanglement per aumentare la non linearità.
• Analisi della Risposta: Gli autori estendono l'analisi classica della risposta nel dominio del tempo, basata sulla teoria del controllo, al dominio quantistico. Analizzando la risposta del sistema a ingressi a gradino, a rampa e sinusoidali, caratterizzano la capacità di memoria, la non linearità e la stabilità della QESN. Questa analisi guida la selezione dei livelli di sparsità e del numero di blocchi di re-uploading.
• Addestramento e Ottimizzazione: Il circuito quantistico genera uno spazio delle caratteristiche ad alta dimensionalità (distribuzioni di probabilità sullo spazio di Hilbert). Queste caratteristiche vengono inviate a un modello classico di regressione ai minimi quadrati con regolarizzazione elastic net per prevedere gli output target.

Contributi Chiave

1. Nuovo Design QESN: Un circuito QESN universale basato su porte che opera continuamente sull'hardware NISQ senza arresti intermedi o reset completi del sistema, utilizzando uno schema di misura e reset per i qubit di lettura.
2. Framework di Analisi della Risposta: Un'estensione della teoria del controllo classica ai circuiti quantistici per sintonizzare sistematicamente sparsità e non linearità (tramite blocchi di re-uploading), dimostrando che una sparsità significativa (fino a ~50% di rimozione delle porte) può essere ottenuta senza compromettere la proprietà a stato di eco.
3. Validazione Hardware: Una dimostrazione completa del funzionamento della QESN come osservatore quantistico sulla QPU $ibm\_marrakesh$, con successo nella previsione della dinamica caotica di un sistema di Lorenz.

Risultati

• Simulazione: Le simulazioni sul simulatore Aer (utilizzando un modello di rumore $ibm\_fez$) hanno mostrato che l'uso della distribuzione di probabilità completa come caratteristiche ha prodotto un Errore Quadratico Medio (RMSE) inferiore rispetto all'uso dei soli valori di aspettazione. La QESN ha dimostrato prestazioni superiori rispetto alle ESN classiche nelle simulazioni senza rumore quando il numero di nodi del reservoir era corrispondente, sebbene gli autori notino che questo sia un guadagno modesto.
• Esecuzione Hardware: La QESN è stata eseguita sulla QPU $ibm\_marrakesh$ utilizzando 12 qubit per prevedere le coordinate $y(t+1)$ e $z(t+1)$ di un sistema di Lorenz dato solo l'input $x(t)$.
  • Il circuito è corso coerentemente per una durata di circa 48.000 $\mu$s, che è oltre 100 volte più lungo dei tempi di coerenza mediani T1 (213,92 $\mu$s) e T2 (119,57 $\mu$s) dei qubit.
  • L'esperimento ha elaborato con successo una serie temporale di 2.000 passi, superando significativamente dimostrazioni precedenti (ad esempio, 100 passi in [15], 20 passi in [14]).
  • I risultati hardware hanno raggiunto un RMSE di test di 0,0922, allineandosi strettamente alle aspettative della simulazione rumorosa.
  • Il sistema ha mitigato con successo gli errori di "buffer overflow" introducendo un ritardo di 24 $\mu$s post-misurazione, consentendo esecuzioni sequenziali più lunghe.

Significato e Affermazioni
Il documento afferma di dimostrare l'algoritmo di previsione di serie temporali con il tempo di esecuzione più lungo mai realizzato su hardware NISQ basato su porte a oggi. Gli autori sottolineano che i loro risultati dimostrano che i computer NISQ attuali sono capaci di mantenere una memoria coerente e di eseguire compiti predittivi per durate che superano di gran lunga i tempi di coerenza dei singoli qubit.

Il lavoro posiziona la QESN come un "osservatore quantistico" vitale per i sistemi dinamici, evidenziando che:

• La sparsità è un parametro di progettazione critico per l'ottimizzazione NISQ, riducendo i tassi di errore pur preservando memoria e non linearità.
• Il paradigma di misura e reset, combinato con il re-uploading dei dati, consente memoria persistente e operazioni stabili senza riinizializzazione del circuito.
• Sebbene il guadagno di prestazioni attuale rispetto ai metodi classici sia modesto, la crescita esponenziale dello spazio delle caratteristiche offerta dai computer quantistici suggerisce un potenziale per vantaggi significativi in futuro man mano che l'hardware migliora.

Gli autori dichiarano esplicitamente di non affermare un "vantaggio quantistico" definitivo a questo stadio, ma piuttosto di dimostrare la fattibilità pratica degli approcci di apprendimento automatico quantistico sull'hardware contemporaneo per sistemi dinamici complessi e caotici.