Sintesi Tecnica: Approcci Pratici sui PQC in CNN Quantistiche e Ibride

Definizione del Problema

L'integrazione di Circuiti Quantistici Parametrizzati (PQC) nelle architetture di apprendimento automatico offre un paradigma flessibile per il Quantum Machine Learning (QML). Tuttavia, l'efficacia di questi modelli è altamente sensibile alle scelte di progettazione, specificamente alle tecniche di codifica dei dati, agli ansätze variazionali e alle strategie di misurazione. Mentre la letteratura esistente si concentra spesso sulla scalabilità degli iperparametri o sulle implicazioni teoriche dell'entanglement, vi è una mancanza di analisi empirica sistematica riguardante la composibilità strutturale delle architetture QML. Questo studio affronta tale lacuna investigando come questi elementi centrali di progettazione influenzino il comportamento e l'efficacia dei modelli nel contesto della classificazione di immagini satellitari, senza necessariamente rivendicare prestazioni allo stato dell'arte o utilità quantistica immediata.

Metodologia

Gli autori hanno condotto una valutazione sistematica di circa 500 distinte configurazioni di modelli utilizzando il dataset EuroSAT (27.000 immagini RGB satellitari suddivise in 10 classi di copertura del suolo). Per garantire la trattabilità computazionale nell'era NISQ (Noisy Intermediate-Scale Quantum), le immagini sono state ridimensionate a risoluzioni di $32 \times 32$ e $16 \times 16$. Tutti gli esperimenti sono stati eseguiti tramite simulazione sulla piattaforma CTIC Quantum Testbed (QUTE), implementando PQC con PennyLane e strati classici con PyTorch.

Lo studio ha valutato tre paradigmi architettonici:

1. Ibrido "Quantum-First" (HQNN-Parallel): I PQC agiscono come uno strato lineare quantistico che segue l'estrazione di feature convoluzionali classiche.
2. Ibrido "Quantum-Later" (HQNN-Quanv): I PQC sostituiscono lo strato convoluzionale classico iniziale, agendo come un kernel quantistico con pesi vincolati (quanvolution) su patch di immagini.
3. Modelli Puramente Quantistici: Architetture standalone che includono una QCNN (ispirata alle CNN classiche con pooling), una Shaped Embedding Quantum Neural Network (SEQNN) e un baseline Fully Connected (FC).

Variabili Testate:

• Codifiche: Angolo (RX, RY, RZ, varianti QAOA), Ampiezza, Instantaneous Quantum Polynomial-time (IQP), Ring e Waterfall.
• Ansätze Variazionali: Nessun entanglement, Full entanglement (StronglyEntanglingLayers), Ring, NQ e strutture QCNN.
• Misurazioni: Base Z, Base X, Base Y, Istogramma (frequenza dello stato) e stringhe di Pauli.

Ogni architettura ibrida è stata confrontata con un "gemello strutturale" classico (sostituendo gli strati quantistici con equivalenti strati classici) per isolare l'impatto delle prestazioni dei componenti PQC. I modelli sono stati addestrati utilizzando l'ottimizzatore AdamWScheduleFree con iperparametri fissi per garantire un confronto equo.

Contributi Chiave e Risultati

1. Gerarchia di Influenza nelle Architetture Ibride

Lo studio rivela una chiara gerarchia di influenza sulle prestazioni del modello per i modelli ibridi:

• La Codifica dei Dati è Dominante: La scelta della strategia di codifica è il determinante primario delle prestazioni. L'accuratezza di validazione è variata di oltre il 30% a seconda dell'embedding. Ad esempio, nella HQNN-Parallel, la codifica IQP combinata con un ansatz non entangled ha raggiunto un'accuratezza del 75,1%, superando il baseline classico (67,1%). Al contrario, la codifica angolare basata su RZ ha costantemente fallito (10% di accuratezza) a causa dell'aggiunta di fasi globali irrilevanti.
• Ansatz e Misurazione sono Marginali: In contrasto con la codifica, la selezione degli ansätze variazionali e delle basi di misurazione ha avuto un effetto comparativamente minore, con variazioni dell'accuratezza di validazione inferiori al 5%. Per la HQNN-Parallel, tutti gli ansätze testati hanno prodotto prestazioni simili, suggerendo che per questo specifico problema, la specifica struttura di entanglement non è un fattore critico.

2. Risultati Specifici dell'Architettura

• HQNN-Parallel: Ha performato leggermente meglio del suo controparte classico quando utilizzava codifiche specifiche (es. IQP, QAOA Z). Il modello beneficia dell'aumento dell'allocazione di qubit per circuito per accedere a correlazioni a lungo raggio.
• HQNN-Quanv: Nessuna delle configurazioni quantistiche ha superato il baseline classico. Tuttavia, è stato scoperto che l'entanglement è necessario per le prestazioni massime in questa architettura; i circuiti non entangled hanno performato peggio di quelli entangled. La codifica di ampiezza è fallita in questo contesto, probabilmente perché la normalizzazione di piccole patch di pixel diluisce i gradienti essenziali per l'apprendimento degli strati iniziali.
• Modelli Puramente Quantistici: Limitati alla codifica di ampiezza, questi modelli hanno mostrato la più alta dipendenza dal protocollo di misurazione e dalla mappatura dato-ampiezza.
  • Misurazione: La scelta della strategia di misurazione ha variato l'accuratezza di validazione fino al 30%. Le misurazioni di Pauli Z hanno generalmente performato meglio, mentre le stringhe di Pauli offrivano flessibilità ma con alta dispersione.
  • Ordine di Input: L'ordine dei pixel nella codifica di ampiezza ha influenzato significativamente le prestazioni. Disporre i pixel vicini affinché siano soggetti a gate a due qubit (mimando la prossimità spaziale) ha migliorato i risultati, implementando efficacemente "kernel sagomati" (shaped kernels).
  • Efficienza dei Parametri: I modelli puramente quantistici hanno raggiunto punti operativi comparabili con ordini di grandezza in meno di parametri (es. QCNN con ~300 parametri rispetto a modelli classici con ~900.000).

3. Robustezza alla Risoluzione

La dimensione dell'immagine ($32 \times 32$ vs $16 \times 16$) non ha influenzato significativamente l'accuratezza del modello nei modelli ibridi, suggerendo che le immagini a risoluzione ridotta mantengono informazioni discriminative sufficienti per questo compito.

Significato e Rivendicazioni

Gli autori dichiarano esplicitamente che l'obiettivo primario di questo lavoro non è quello di raggiungere prestazioni allo stato dell'arte o rivendicare un'immediata utilità quantistica, ma di fornire intuizioni pratiche su come gli elementi centrali del design PQC influenzino il comportamento del modello.

• Guida al Design: Lo studio offre una "chiara gerarchia di influenza", guidando i ricercatori a dare priorità alle strategie di codifica dei dati rispetto alla selezione dell'ansatz quando progettano modelli QML ibridi.
• Efficienza dei Parametri: I risultati evidenziano come i modelli puramente quantistici possano raggiungere alti rapporti accuratezza-parametri, suggerendo un potenziale vantaggio di memoria per futuri acceleratori quantistici, anche se i tempi di calcolo (wall-clock time) delle simulazioni attuali sono più lenti.
• Limitazioni: Gli autori riconoscono che queste scoperte si basano su simulazioni ideali e prive di rumore. Avvertono che i vantaggi teorici dell'entanglement potrebbero essere compromessi negli ambienti NISQ reali a causa della decoerenza e degli errori di gate. Lo studio non si generalizza a tutti i dataset o ai vincoli hardware, e sono necessari ulteriori lavori per validare queste scoperte sotto modelli di rumore realistici ed esplorare la sensibilità degli iperparametri.

In sintesi, il paper stabilisce che, sebbene i componenti quantistici possano eguagliare o superare leggermente i baseline classici in specifiche configurazioni ibride, il successo di questi modelli è fortemente dipendente dalla corretta selezione della codifica dei dati e, per i modelli puramente quantistici, dalla strategia di misurazione e dalla mappatura dell'input.