First-Principles Optical Descriptors and Hybrid Classical-Quantum Classification of Er-Doped CaF$_2$

Sintesi Tecnica: Descrittori Ottici dai Primi Principi e Classificazione Ibrida Classica-Quantistica di Er-Doped CaF2

Definizione del Problema
L'identificazione di materiali drogati con terre rare, specificamente la distinzione tra il fluoruro di calcio puro (CaF2) e il CaF2 drogato con Erbio (CaF2:Er), presenta una sfida nella materia informatica. Sebbene gli ioni di terre rare come l'Er3+ siano critici per le applicazioni di upconversion fotonica, le loro firme ottiche sono complesse, coinvolgendo stati elettronici intermedi e percorsi di trasferimento di energia sequenziali che sono difficili da catturare direttamente tramite la densità funzionale dipendente dal tempo (TDDFT) standard. La TDDFT convenzionale basata sullo stato fondamentale non può descrivere le eccitazioni ottiche, mentre la TDDFT a risposta lineare fornisce le energie di eccitazione, ma i dati spettrali ad alta dimensionalità risultanti richiedono descrittori robusti e interpretabili per consentire un confronto sistematico e la classificazione. Inoltre, sebbene l'apprendimento automatico (ML) sia stato applicato all'analisi spettrale, il potenziale del Quantum Machine Learning (QML) nel catturare relazioni non triviali nei dati della meccanica quantistica rimane un'area di esplorazione aperta, in particolare per quanto riguarda se gli embedding delle caratteristiche quantistiche offrano vantaggi rispetto ai baseline classici nel contesto dell'hardware NISQ (Noisy Intermediate-Scale Quantum).

Metodologia
Lo studio impiega un workflow guidato dalla fisica che integra calcoli dai primi principi con l'apprendimento automatico classico e quantistico:

1. Calcoli dai Primi Principi:

   • Costruzione del Sistema: Cluster finiti di Ca8F16 (pristino) e Ca7ErF16 (drogato) sono stati costruiti sulla base della struttura fluoritica ($a = 5.46$ Å).
   • Struttura Elettronica: L'ottimizzazione della geometria e i calcoli dello stato fondamentale sono stati eseguiti utilizzando il codice GPAW in modalità LCAO (Linear Combination of Atomic Orbitals), con un set di basi DZP e il funzionale di scambio-correlazione PBE.
   • Risposta Ottica: La TDDFT a risposta lineare (LR-TDDFT) all'interno del formalismo di Casida è stata utilizzata per calcolare le proprietà degli stati eccitati fino a 10 eV. Le intensità di oscillazione e le energie di transizione sono state estratte.
   • Generazione dello Spettro: Le eccitazioni discrete sono state convertite in spettri di assorbimento continui tramite allargamento Gaussiano ($\sigma = 0.1–0.2$ eV) per generare 1.589 punti di dati risolti in energia per sistema.

2. Ingegneria delle Caratteristiche (Feature Engineering):

   • Le variabili di input sono state sottoposte a trasformazione di potenza Box–Cox per normalizzare le distribuzioni.
     la SVM lineare è stata utilizzata per classificare le caratteristiche in base all'entità del peso.
   • Tre descrittori fisicamente interpretabili sono stati selezionati come set finale di caratteristiche: il coefficiente di assorbimento ($\alpha$), il coefficiente di estinzione ($\kappa$) e l'energia di transizione ($E$).

3. Modelli di Machine Learning:

   • Baseline Classica: Una Support Vector Machine (SVM) con kernel Radial Basis Function (RBF) è stata addestrata sui descrittori selezionati.
   • Quantum Support Vector Machine (QSVM): È stata implementata una mappa di caratteristiche quantistiche (ZZFeatureMap) utilizzando 3 qubit. Il kernel quantistico è stato valutato su tre piattaforme: un simulatore statevector ideale, un simulatore rumoroso di tipo QASM (rumore depolarizzante $p=0.05$) e hardware reale (processore IBM Quantum ibm_fez).
   • Rete Neurale Quantistica Ibrida (QNN): È stato costruito un classificatore quantistico variazionale utilizzando una ZZFeatureMap a 3 qubit seguita da un ansatz TwoLocal di profondità 4 (parametrizzato con gate $R_y$, $R_z$ e CX). L'output quantistico è stato mappato in probabilità di classe tramite una funzione di parità ed è stato elaborato da uno strato lineare classico. Il modello è stato addestrato end-to-end utilizzando l'ottimizzatore Adam con early stopping.

Risultati Chiave

• Differenze Spettrali: I calcoli TDDFT hanno rivelato che il drogaggio con Er induce un red-shift sistematico nelle transizioni dominanti ($\Delta E \approx -1.5$ a $-0.3$ eV) e una ridistribuzione dell'intensità di oscillazione, creando impronte digitali ottiche distinte nelle regioni del visibile e del vicino UV rispetto al CaF2 puro ad ampio bandgap.
• Performance Classiche: La SVM-RBF classica ha raggiunto un'accuratezza di test di 0.983 e un'area sotto la curva ROC (ROC-AUC) di 0.999, stabilendo un baseline ad alte prestazioni con overfitting trascurabile.
• Performance QSVM:
  • Simulatore Statevector Ideale: Accuratezza di test di 0.851 (AUC 0.903).
  • Simulatore Rumoso: Accuratezza di test di 0.817 (AUC 0.878).
  • Hardware Reale (ibm_fez): L'accuratezza di test è scesa a 0.733 su un piccolo slice di test (15 campioni), a causa della decoerenza e del rumore di shot finito che influenzano la struttura della matrice del kernel.
• Performance della QNN Ibrida: La QNN variazionale ha raggiunto un'accuratezza di test di 0.93 e un'AUC di 0.96. Questa performance ha superato significativamente i risultati della QSVM e si è avvicinata al baseline classico, dimostrando che i parametri variazionali addestrabili possono adattarsi allo spazio geometrico delle caratteristiche in modo più efficace rispetto ai kernel quantistici fissi.

Significato e Rivendicazioni
Il lavoro si posiziona come uno studio di benchmarking sistematico piuttosto che come una dimostrazione di un definitivo vantaggio quantistico. Gli autori affermano che:

1. Spazio delle Caratteristiche Robusto: Le impronte ottiche indotte dal drogante formano uno spazio di caratteristiche fisicamente fondato e robusto, adatto per il benchmarking di modelli di apprendimento quantistico a breve termine.
2. Valutazione QML: Lo studio fornisce un confronto equilibrato mostrando che, sebbene i kernel quantistici statici (QSVM) catturino una separazione di classe significativa, essi attualmente performano meno dei forti baseline classici e sono sensibili al rumore dell'hardware.
3. Vantaggio Variazionale: Le QNN ibride, attraverso il loro ansatz addestrabile, dimostrano una capacità rappresentativa e una flessibilità superiori rispetto alle QSVM a kernel fisso, raggiungendo prestazioni vicine ai modelli classici anche con un numero limitato di qubit.
4. Contesto del Mondo Reale: L'esecuzione riuscita del kernel quantistico sull'hardware IBM valida la pipeline end-to-end (embedding, transpilation, esecuzione), ma evidenzia i limiti attuali dei dispositivi NISQ per i compiti di apprendimento supervisionato, dove il rumore degrada significativamente le prestazioni rispetto alle simulazioni.

Gli autori concludono che le architetture basate su QNN offrono una via promettente per l'apprendimento quantistico adattabile nell'analisi spettrale, a condizione che i futuri sviluppi nella mitigazione dell'errore e nella fedeltà dell'hardware possano colmare il divario tra il potenziale simulato e l'implementazione nel mondo reale.