Riassunto Tecnico: L'importanza delle proprietà fondamentali nei modelli di Machine Learning Quantum-Classici

Problema e Motivazione

Nonostante il potenziale teorico delle Reti Neurali Ibride Quantum-Classiche (HQNN), il successo pratico di questi modelli dipende criticamente dalle scelte di progettazione dell'architettura quantistica. In particolare, esiste una mancanza di studi sistematici che quantifichino come la profondità dell'ansatz (il circuito parametrizzato) e la scelta della mappatura delle caratteristiche (feature mapping) influenzino le prestazioni di classificazione, la stabilità dell'addestramento e la capacità di generalizzazione. Il problema centrale è determinare quali configurazioni permettano di sfruttare l'espressione quantistica senza incorrere in problemi come il dimensional collapse o l'inefficacia dell'encoding.

Metodologia

Gli autori hanno sviluppato un framework sperimentale basato su un'architettura ibrida composta da:

1. Componente Classica (CNN): Una rete neurale convoluzionale con tre blocchi (convoluzione $3 \times 3$, ReLU, Max Pooling $2 \times 2$ e Dropout 0.5) per estrarre caratteristiche spaziali da heatmap $8 \times 8$. La CNN riduce la dimensionalità tramite uno strato lineare fino a $n_q = 3$ qubit.
2. Componente Quantistica (QNN):
   • Feature Map: Sono state testate nove diverse strategie di encoding per mappare i dati classici nello spazio di Hilbert.
   • Ansatz: È stato utilizzato un circuito TwoLocal con entanglement lineare e rotazioni di Pauli ($R_y$ e $R_z$).
3. Dataset: Il modello è stato addestrato su un dataset di inferenza causale (Kaggle "Cause-Effect Pairs"), dove l'obiettivo è classificare la direzione della causalità tra due variabili partendo da heatmap di distribuzione congiunta.
4. Metriche di Valutazione: Oltre all'accuratezza (training/validation), sono stati utilizzati indicatori avanzati come il generalization gap, la pendenza dell'apprendimento iniziale (early learning slope), il calo dovuto all'overfitting e il rapporto di stabilità. Per l'analisi della separabilità dei dati, sono state applicate la Principal Component Analysis (PCA) e il Silhouette Score.

Contributi Chiave

• Analisi Sistematica della Profondità: Studio dell'impatto delle ripetizioni dell'ansatz sulla stabilità e sulla regolarizzazione del modello.
• Valutazione Critica dell'Encoding: Identificazione del ruolo cruciale della geometria delle rotazioni (multi-asse vs singolo asse) nella capacità di separazione delle classi.
• Diagnostica della Struttura dei Dati: Utilizzo di tecniche di clustering non supervisionato (PCA/Silhouette) per visualizzare come la trasformazione quantistica modifichi la distribuzione dei dati attraverso i vari stadi della rete.

Risultati Principali

1. Effetto della Profondità dell'Ansatz:
   • Aumentare la profondità (da 1 a 3 ripetizioni) migliora l'accuratezza di validazione e la stabilità, agendo come un regolarizzatore implicito.
   • Esiste un punto di rendimento decrescente: una profondità eccessiva (es. 5 ripetizioni) aumenta la complessità dello spazio di ricerca e peggiora le prestazioni, portando a una minore accuratezza.
2. Impatto della Feature Mapping (Risultato più critico):
   • La maggior parte delle mappe testate (basate solo su rotazioni $Z$ o $ZZ$) ha fallito, portando a un'accuratezza vicina al caso casuale ($\approx 30\%$).
   • Solo la configurazione pauli xyz 1 rep ha permesso un apprendimento efficace (accuratezza $> 90\%$). Questo perché l'uso di operatori di Pauli non commutativi su più assi permette un embedding più ricco e una separazione geometrica superiore.
   • Mappe troppo complesse (es. zz reps 3 full) hanno causato il collasso dimensionale, dove il modello non riusciva a distinguere tra le tre classi, nonostante punteggi di Silhouette apparentemente alti (indicando un disallineamento tra cluster appresi e etichette reali).

Significato e Conclusioni

Lo studio dimostra che la progettazione di un modello ibrido non può limitarsi ad aumentare la complessità quantistica. La scelta della feature map è più critica della profondità dell'ansatz: un encoding povero rende il modello incapace di apprendere, indipendentemente dalla potenza del circuito.

In sintesi, per progettare HQNN efficaci, i ricercatori dovrebbero:

• Privilegiare mappature multi-asse (Pauli $X, Y, Z$) per garantire l'espressività.
• Mantenere una profondità moderata per bilanciare espressività e trainabilità.
• Monitorare non solo l'accuratezza, ma anche la separabilità dei cluster per evitare che il modello apprenda rappresentazioni prive di significato causale o statistico.