Structured Unitary Tensor Network Representations for Circuit-Efficient Quantum Data Encoding

Titolo

Rappresentazioni di Tensor Network Unitari Strutturati per la Codifica di Dati Quantistici Efficienta in Circuito

1. Il Problema

L'incodifica dei dati classici negli stati quantistici rappresenta un collo di bottiglia centrale nel Quantum Machine Learning (QML). Le strategie di codifica attualmente diffuse (come la codifica in ampiezza o in base) presentano due limiti fondamentali:

• Inefficienza dei circuiti: Richiedono circuiti quantistici profondi e un elevato numero di operazioni, il che porta a un accumulo significativo di errori.
• Scarsa scalabilità: La necessità di risorse quantistiche (qubit e profondità del circuito) cresce esponenzialmente con la risoluzione dei dati (es. immagini ad alta risoluzione), rendendo queste strategie impraticabili sull'hardware quantistico attuale (NISQ).

L'obiettivo è sviluppare un metodo di codifica che sia efficiente in termini di circuito (bassa profondità), scalabile a dati ad alta risoluzione e praticamente eseguibile su hardware reale, mantenendo al contempo l'integrità delle informazioni semantiche.

2. Metodologia: TNQE

Gli autori propongono TNQE (Tensor Network Quantum Encoding), un framework che utilizza le Tensor Network (TN) come linguaggio intermedio per trasformare i dati classici in circuiti quantistici eseguibili. La metodologia si basa sulla decomposizione dei dati in "core" tensoriali a basso rango, che vengono poi compilati in circuiti quantistici.

Il framework si articola in tre strategie principali, tutte basate sulla decomposizione Quantized Tensor Train (QTT) dei dati di input (es. immagini):

A. TNQE-full (Codifica Sequenziale)

• Meccanismo: Trasforma i core della QTT (in forma canonica destra) in isometrie, che vengono poi completate in operatori unitari locali.
• Implementazione: I core vengono mappati in una sequenza di unitari locali applicati su un registro di qubit. Questo crea un circuito sequenziale dove ogni unitario agisce su un sottoinsieme di qubit (qubit di legame + qubit fisici).
• Vantaggio: Offre un controllo esplicito sulla profondità del circuito rispetto alla codifica in ampiezza, riducendo drasticamente la complessità.

B. TNQE-core (Codifica Modulare/Parallela)

• Meccanismo: Ogni core tensoriale viene codificato indipendentemente in un sotto-circuito dedicato su un registro di qubit distinto.
• Implementazione: Non vengono utilizzati gate di entanglement tra i diversi registri (core). I sotto-circuiti possono essere eseguiti in parallelo.
• Vantaggio: Elimina le operazioni di entanglement a lungo raggio tra i core, risultando nel circuito più superficiale (bassa profondità) e altamente modulare.

C. TNQE-unitary (Ottimizzazione Consapevole dell'Unitarietà)

• Meccanismo: Introduce un vincolo di ottimizzazione "unitario-aware". Invece di decomporre i dati e poi sintetizzare unitari, i core tensoriali sono parametrizzati direttamente come unitari a blocchi approssimabili.
• Implementazione: Ogni core è un unitario $U^{(k)}(\theta)$ composto da strati di rotazioni a singolo qubit e entangler fissi (pattern hardware-efficient). L'ottimizzazione avviene direttamente sui parametri $\theta$ minimizzando la divergenza KL tra l'immagine ricostruita e l'obiettivo.
• Vantaggio: Elimina la necessità di una sintesi unitaria post-hoc (che spesso genera circuiti profondi). Permette un controllo diretto sulla complessità del circuito attraverso il numero di strati ($N_\ell$) e garantisce che tutte le rappresentazioni intermedie siano operatori quantistici eseguibili.

3. Contributi Chiave

1. Framework TNQE: Un nuovo paradigma che collega i dati classici e i circuiti quantistici attraverso decomposizioni tensoriali strutturate, offrendo un compromesso controllabile tra fedeltà di rappresentazione e complessità del modello.
2. Tre Istanze Complementari:
   • TNQE-full e TNQE-core offrono realizzazioni sequenziali e parallele per bilanciare qubit e profondità.
   • TNQE-unitary introduce un metodo di ottimizzazione diretta che evita la sintesi di gate complessa, permettendo l'addestramento end-to-end.
3. Scalabilità e Efficienza: Il metodo permette di codificare immagini ad alta risoluzione (fino a $256 \times 256$) in circuiti quantistici, una sfida che molti approcci esistenti affrontano solo teoricamente o con metodi ibridi che perdono l'informazione grezza.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su dataset MNIST (risoluzioni $32 \times 32$ e $256 \times 256$) e su hardware reale di IBM Quantum.

• Riduzione della Profondità del Circuito:
  • TNQE ha raggiunto circuiti con profondità pari a 0.04 volte quella della codifica in ampiezza (Amplitude Encoding).
  • In particolare, TNQE-unitary ha codificato immagini MNIST con una profondità di soli 81 strati (contro i 2028 della codifica in ampiezza), mantenendo un'alta fedeltà.
• Qualità di Approssimazione:
  • Le strategie TNQE hanno mostrato un errore quadratico medio (MSE) inferiore e un PSIM (Peak Signal-to-Noise Ratio) superiore rispetto alla codifica automatica e alla codifica in ampiezza, specialmente su immagini ad alta risoluzione.
  • TNQE-unitary ha ottenuto i migliori risultati quantitativi (MSE ~0.011, SSIM ~0.91) preservando le informazioni semantiche necessarie per la classificazione.
• Validazione su Hardware Reale:
  • Eseguiti su processori quantistici IBM (Heron r1, r2, r3).
  • Mentre circuiti profondi (come la codifica in ampiezza) hanno subito un accumulo catastrofico di errori a causa del rumore hardware, TNQE ha mantenuto un'alta fedeltà e capacità di preservare le informazioni semantiche, dimostrando la sua fattibilità pratica sui dispositivi NISQ attuali.
• Scalabilità:
  • Al crescere della dimensione dell'immagine (da $4 \times 4$ a $512 \times 512$), la profondità e il numero di operatori di TNQE crescono molto più lentamente rispetto ai metodi bas, rendendolo l'unico approccio scalabile per immagini ad alta risoluzione in un contesto QML end-to-end.

5. Significato e Impatto

Questo lavoro risolve una delle principali barriere all'ingresso del QML: l'inefficienza della codifica dei dati.

• Transizione Pratica: TNQE sposta il QML da approcci puramente teorici o limitati a dati di bassa risoluzione verso una soluzione pratica per dati reali ad alta risoluzione.
• Efficienza Hardware: Dimostra che è possibile costruire circuiti quantistici "shallow" (superficiali) che sono robusti al rumore, massimizzando le capacità dei computer quantistici attuali.
• Nuovo Paradigma: Introduce l'idea di parametrizzare direttamente le strutture di Tensor Network come unitari quantistici, unendo l'efficienza della compressione dei dati classici (TN) con la natività delle operazioni quantistiche, aprendo la strada a futuri algoritmi di apprendimento automatico quantistico scalabili ed efficienti.