Scalable Memory Sharing in Photonic Quantum Memristors for Reservoir Computing

Sintesi Tecnica: Condivisione della Memoria Scalabile in Memristori Quantistici Fotonici per il Reservoir Computing

Problematica
Sebbene i fotoni siano vettori robusti e operanti a temperatura ambiente, ideali per il machine learning quantistico (QML), la loro natura debolmente interagente impedisce le interazioni intrinseche fotone-fotone. Questo limite ostacola la realizzazione di funzionalità di memoria essenziali per catturare dipendenze temporali e contesti a lungo raggio nei sistemi fotonici. Sebbene recenti implementazioni basate su misurazione di memristori quantistici fotonici (PQMR) abbiano consentito risposte non-Markoviane regolabili, la memoria esistente rimane confinata agli elementi locali. A differenza delle reti biologiche o artificiali dove la memoria è condivisa attraverso l'intero sistema, le attuali reti PQMR mancano di un meccanismo scalabile per la condivisione distribuita della memoria. Inoltre, sebbene coppie di fotoni entangled siano state utilizzate per sondare la dinamica locale, gli ostacoli pratici nella generazione di entanglement multifotonico ad alta fedeltà rendono la condivisione scalabile della memoria attraverso le reti PQMR una sfida aperta.

Metodologia
Gli autori propongono uno schema di condivisione della memoria basato su misurazione e scalabile per le reti PQMR. La metodologia centrale prevede:

1. Modello di Transistor Quantistico Fotonico (PQMT): Per analizzare la condivisione della memoria a livello di dispositivo, gli autori introducono il modello PQMT. A differenza di un normale PQMR, che aggiorna il proprio stato interno (spostamento di fase $\theta$) esclusivamente sulla base della storia del proprio numero di fotoni in ingresso ($\langle n_A \rangle$), il PQMT aggiorna il proprio stato sulla base delle evoluzioni storiche sia del proprio ingresso che dell'ingresso di un nodo vicino. Ciò viene ottenuto instradando una misurazione da una porta vicina (che funge da "gate") per influenzare l'aggiornamento della trasmittanza locale.
2. Architettura di Rete: Gli autori costruiscono una rete di $N$ PQMT collegati in parallelo con un accoppiamento di gate ciclico. In questa architettura, l'esito della misurazione dalla porta $D_{q+1}$ (o $D_1$) viene riportato per aggiornare la trasmittanza del $q$-esimo (o $N$-esimo) PQMR. Questo crea un loop di feedback non locale in cui lo stato di ogni nodo è influenzato dalla storia collettiva della rete.
3. Simulazione e Modellazione: Il sistema è modellato utilizzando stati di ingresso sinusoidalmente oscillanti per valutare l'isteresi classica (numero di fotoni) e quantistica (coerenza). La forza della condivisione della memoria è controllata da un parametamento $d$, che modula una funzione di gating sigmoidea.
4. Applicazione al Quantum Reservoir Computing (QRC): L'architettura proposta è inserita tra circuiti fotonici unitari casuali di tipo Haar per formare un reservoir quantistico. Il sistema viene testato sul compito di classificazione Fashion-MNIST. Le prestazioni sono valutate in base alla separabilità dei dati (distanza tra i vettori di trasmittanza) e alla metrica combinata di accuratezza della classificazione e confidenza.

Contributi Chiave

• Schema di Condivisione della Memoria Scalabile: L'articolo propone un metodo per ottenere una memoria distribuita nelle reti quantistiche fotoniche senza fare affidamento sulla complessa generazione di entanglement multifotonico. Al contrario, utilizza estrazioni basate su misurazione delle storie di input attraverso il circuito.
• Modello di Dispositivo PQMT: L'introduzione del modello PQMT dimostra che la condivisione della memoria può essere realizzata assegnando una popolazione di stato di Fock vicina a un percorso di gate quantistico, creando efficacemente un "gate" che modula il comportamento memristivo.
• Isteresi Potenziata: Lo studio dimosta che la condivisione della memoria porta a potenziamenti pronunciati sia nelle risposte di isteresi classica che quantistica a livello di dispositivo, nonché a un'isteresi quantistica potenziata a livello di rete.
• Miglioramento delle Prestazioni del QRC: L'architettura è applicata a un framework di reservoir computing quantistico, mostrando miglioramenti significativi nei compiti di classificazione rispetto alla configurazione originale PQMR (dove $d=0$).

Risultati

• Isteresi a Livello di Dispositivo: Le simulazioni mostrano che la riduzione del numero di fotoni al livello di gate ($\langle n_E \rangle$), che corrisponde a una più forte condivisione della memoria, aumenta il contrasto del ciclo di isteresi classica. Crucialmente, mentre il gating riduce la trasmittanza complessiva, l'isteresi della coerenza quantistica mantiene la sua area del ciclo aumentando il contrasto tra i sub-cicli, indicando risposte memristive preservate e diversificate.
• Isteresi a Livello di Rete: In una rete di quattro PQMT, l'area dell'isteresi quantistica ($S_\gamma$) delle coerenze multimodo è significativamente potenziata per una condivisione della memoria più forte (maggiore $d$). Questo potenziamento è robusto attraverso un insieme di risorse multifotoniche arbitrarie ed è particolarmente pronunciato per finestre di memoria ($\tau_{int}/\tau_{osc}$) superiori a 0,5.
• Prestazioni di Classificazione: Quando applicata alla classificazione Fashion-MNIST, la rete PQMT con condivisione della memoria ottiene un miglioramento di oltre due volte nella metrica combinata accuratezza-confidenza rispetto alla rete PQMR originale (dove $d=0$). La configurazione di condivisione della memoria espande lo spazio vettoriale utilizzato, portando a una migliore separabilità dei dati e a una riduzione del clustering delle rappresentazioni delle immagini.

Significatività
L'articolo sostiene che questo approccio apre la strada a un apprendimento automatico quantistico ad alta capacità utilizzando dispositivi memristivi compatibili con il calcolo quantistico ottico lineare (LOQC). Estendendo la dinamica non-Markoviana localizzata in una memoria correlata a livello di rete, lo schema proposto affronta il collo di bottiglia critico della funzionalità di memoria nel QML fotonico. I risultati suggeriscono che le configurazioni scalabili basate su misurazione possono fornire funzionalità di memoria rafforzate senza la necessità di una complessa generazione di entanglement, offrendo una via pratica verso un reservoir computing fotonico più potente. Gli autori osservano che, sebbene la dimostrazione attuale utilizzi una semplice topologia ad anello ciclico, il framework consente l'esplorazione futura di architetture di rete più complesse (ad esempio, nodi con grado maggiore, reti small-world) per migliorare ulteriormente le prestazioni.