Riepilogo Tecnico: HATTRIQ – Progettazione di Gradienti Integrati per l'Attribuzione di Caratteristiche nel Machine Learning Quantistico

1. Enunciato del Problema

Gli algoritmi di Machine Learning Quantistico (QML) mostrano promesse su diverse piattaforme hardware, ma soffrono di una mancanza di interpretabilità dovuta all'opacità intrinseca dell'evoluzione degli stati quantistici e all'assenza di osservabilità intermedia. Sebbene i metodi classici di interpretabilità come i Gradienti Integrati (IG) e l'analisi di sensibilità basata su surrogati siano ben consolidati, non sono direttamente compatibili con i circuiti quantistici.

• Collasso della Misurazione: Tentare di registrare o registrare stati quantistici nascosti dopo ogni strato del circuito collassa lo stato, distruggendo il calcolo.
• Complessità Esponenziale: Simulare l'evoluzione dello stato per modelli di grandi dimensioni richiede la manipolazione di vettori di ampiezza complessi in spazi di Hilbert esponenzialmente grandi, rendendo la simulazione classica ad alta intensità di risorse.
• Incompatibilità: I metodi tradizionali di sensibilità (ad esempio, punteggi Sobol/Shapley) non possono preservare l'unitarietà dei circuiti quantistici, e le regole standard dei gradienti (come lo spostamento dei parametri) sono difficili da applicare quando i dati sono codificati tramite embedding di ampiezza, poiché la struttura del circuito di preparazione dello stato cambia spesso in base all'input.

Di conseguenza, esiste un divario critico nella comprensione di come le caratteristiche di input influenzino i risultati finali della misurazione nei modelli QML codificati in ampiezza.

2. Metodologia: HATTRIQ

Gli autori propongono HATTRIQ (schema di punteggio di attribuzione dell'input basato sul test di Hadamard per modelli quantistici), un framework progettato per calcolare punteggi di attribuzione dell'input per modelli QML basati su circuiti che utilizzano l'embedding di ampiezza. La metodologia adatta l'approccio classico dei Gradienti Integrati (IG) al contesto quantistico senza richiedere l'accesso agli stati quantistici interni.

Componenti Principali

• Embedding di Ampiezza: Il framework si rivolge allo schema di codifica ampiamente utilizzato in cui le caratteristiche dei dati sono codificate come ampiezze dello stato di input $|x\rangle = \sum x_i |b_i\rangle$. Ciò consente di codificare esponenzialmente molte caratteristiche rispetto al numero di qubit.
• Derivazione del Gradiente (Lemma III.1): Gli autori derivano un'espressione in forma chiusa per il gradiente dell'output del modello $F(x; \theta)$ rispetto alle componenti reali ($c_k$) e immaginarie ($d_k$) delle ampiezze di input.
  $$\frac{\partial F}{\partial c_k} = 2 \text{Re}[\langle b_k | U^\dagger(\theta) O U(\theta) | x \rangle]$$
  Questa espressione lega il gradiente al valore di aspettazione di un operatore specifico che agisce sullo stato di input, evitando la necessità di una tomografia di stato esplicita.
• Costruzione del Test di Hadamard: Per calcolare i prodotti scalari richiesti $\langle b_k | \tilde{O} | x \rangle$ direttamente sull'hardware quantistico, HATTRIQ impiega un circuito di test di Hadamard.
  • Il circuito utilizza un qubit (o registro) ancilla e operazioni controllate.
  • Un ramo prepara lo stato di base $|b_k\rangle$, mentre l'altro prepara lo stato di input $|x\rangle$ seguito dall'operatore unitario del modello $U(\theta)$ e dall'osservabile $O$.
  • La probabilità di misurare l'ancilla nello stato $|0\rangle$ restituisce la parte reale del prodotto scalare, che corrisponde alla componente del gradiente.
• Parallelizzazione (Teorema IV.3): Per affrontare la scalabilità lineare delle valutazioni del circuito con il numero di caratteristiche di input, gli autori introducono una tecnica di parallelizzazione multi-ancilla. Utilizzando $m$ qubit ancilla, il framework può calcolare $2^m - 1$ componenti del gradiente contemporaneamente in una singola esecuzione del circuito, preservando l'efficienza spaziale esponenziale dell'embedding di ampiezza.

3. Contributi Chiave

Il documento delinea i seguenti contributi specifici:

1. Formalismo per IG nel QML: Un metodo formale per calcolare gradienti integrati per modelli QML che utilizzano embedding di ampiezza, uno schema precedentemente difficile da differenziare in modo efficiente.
2. Costruzione di Circuiti Nativi Quantistici: Un design di circuito basato sul test di Hadamard che calcola gradienti di caratteristiche esatti direttamente sull'hardware quantistico senza richiedere la conoscenza dello stato quantistico interno.
3. Strategia di Parallelizzazione: Una tecnica multi-ancilla che consente il calcolo concorrente dei gradienti, che scala esponenzialmente con il numero di qubit ancilla, rendendo l'approccio praticabile per dataset più grandi su dispositivi con capacità sufficiente.
4. Validazione Empirica: Valutazione di HATTRIQ su compiti di classificazione utilizzando Bars and Stripes, MNIST, FashionMNIST e un dataset quantistico sintetico del Modello di Ising a Campo Trasversale (TFIM).
5. Open Source: Rilascio del codice e dei dataset per facilitare la riproducibilità.

4. Risultati Sperimentali

Gli autori hanno valutato HATTRIQ utilizzando simulazioni (assumendo hardware ideale con correzione degli errori) e simulazioni rumorose rappresentative del calcolo quantistico tollerante ai guasti iniziale (EFTQC).

• Dataset e Accuratezza: Il framework è stato testato su compiti di classificazione binaria su più dataset. I modelli hanno raggiunto un'alta accuratezza (ad esempio, ~95-100% su Bars/Stripes e sottoinsiemi NIST; ~70-99% su sottoinsiemi FashionMNIST).
• Qualità dell'Attribuzione:
  • Rilevanza Semantica: Per i dataset di immagini (NIST, MNIST, FashionMNIST), le mappe di attribuzione generate hanno evidenziato regioni semanticamente significative. Ad esempio, nella classificazione delle cifre, le attribuzioni si sono concentrate sui tratti delle cifre ignorando il rumore di sfondo. Su FashionMNIST, il modello ha correttamente identificato le cinghie delle borse ed escluso le aree dei sandali.
  • Confronto di Codifica: Sebbene la codifica angolare e quella in ampiezza abbiano raggiunto accuratezze di classificazione simili, HATTRIQ ha rivelato che hanno prodotto pattern di attribuzione marcatamente diversi, suggerendo strategie di utilizzo delle caratteristiche differenti.
  • Validazione del Modello Nullo: Quando applicato a "modelli nulli" (parametri inizializzati casualmente), HATTRIQ ha prodotto mappe di attribuzione diffuse e non concentrate, confermando che le attribuzioni strutturate nei modelli addestrati non sono artefatti del metodo ma riflettono caratteristiche apprese.
• Robustezza:
  • Rumore di Scatto: Anche con bassi conteggi di scatti di misurazione (10–100 scatti), i punteggi di attribuzione sono rimasti in gran parte fedeli alle simulazioni esatte, con deviazioni che apparivano solo nelle attribuzioni deboli.
  • Rumore Hardware: Sotto un canale di rumore depolarizzante ($\gamma = 10^{-4}$), i punteggi di attribuzione hanno mantenuto la loro distribuzione spaziale e intensità relativa, dimostrando idoneità per dispositivi tolleranti ai guasti iniziali.
• Dati Quantistici (TFIM): Sul dataset sintetico TFIM, HATTRIQ ha correttamente identificato le transizioni di fase. Nel regime di campo forte ($g > 1$), le attribuzioni si sono concentrate sulle correlazioni $\sigma_x$, mentre nel regime di campo debole ($g < 1$), le attribuzioni si sono spostate verso le componenti $\sigma_y$ e $\sigma_z$, allineandosi all'intuizione fisica.

5. Significato e Affermazioni

Il documento posiziona HATTRIQ come il primo metodo di attribuzione dell'input basato su gradienti specificamente progettato per modelli QML che supporta la codifica in ampiezza e opera nativamente sull'hardware quantistico.

• Compatibilità Hardware: A differenza dei precedenti metodi di interpretabilità che si basano su surrogati classici o perturbazioni (che rompono l'unitarietà o richiedono il collasso dello stato), HATTRIQ utilizza una costruzione basata su circuiti che rispetta la meccanica quantistica.
• Scalabilità: Sfruttando il test di Hadamard e la parallelizzazione multi-ancilla, il metodo affronta la complessità esponenziale della codifica in ampiezza, offrendo una strada verso un'interpretabilità scalabile per modelli quantistici più grandi.
• Fiducia e Debugging: Il framework consente l'identificazione di caratteristiche altamente influenti e permette ai ricercatori di verificare se le previsioni del modello si allineano con regioni semanticamente significative. Fornisce inoltre un meccanismo per rilevare pregiudizi verso artefatti di sfondo o per confrontare diversi schemi di codifica che possono avere un'accuratezza simile ma una logica interna diversa.

Gli autori concludono che HATTRIQ fornisce un framework unificato e agnostico rispetto all'implementazione per l'attribuzione dell'input con garanzie di fedeltà, segnando un passo significativo verso la trasparenza e l'affidabilità dei modelli QML. Si nota che il lavoro futuro potrebbe estendere il framework alle attribuzioni di parametri e strati.