Riepilogo Tecnico: Apprendimento Automatico Quantistico Scalabile tramite Circuiti Quantistici Variazionali Fully-Connected a Più Livelli

1. Enunciato del Problema

I Circuiti Quantistici Variazionali (VQC), noti anche come Circuiti Quantistici Parametrizzati o Reti Neurali Quantistiche, costituiscono un framework leader per l'apprendimento automatico quantistico (QML) a breve termine. Tuttavia, le architetture VQC monolitiche standard affrontano un dilemma fondamentale tra espressività e trainabilità:

• Ambienti a bassa dimensionalità: I VQC piccoli e superficiali sono facili da simulare e ottimizzare, ma spesso mancano di parametri sufficientemente addestrabili per apprendere rappresentazioni competitive (sottoparametrizzazione).
• Ambienti ad alta dimensionalità: L'aumento della larghezza o della profondità del circuito per migliorare l'espressività porta a una scalatura esponenziale dello spazio di Hilbert ($O(2^d)$ per $d$ qubit), rendendo la simulazione diretta non fattibile. Inoltre, circuiti monolitici sufficientemente profondi o espressivi soffrono spesso di plateau sterili, dove i gradienti svaniscono esponenzialmente, ostacolando l'ottimizzazione.

Gli approcci modulari esistenti, come il QML federato, i metodi basati su tensor-network o i circuiti in stile ensemble, spesso spostano l'apprendimento delle rappresentazioni su front-end classici, si affidano a restrizioni strutturali del rango o non forniscono un'interazione globale sufficiente delle caratteristiche. È necessaria un'architettura quantistica scalabile che aumenti la capacità del modello senza costruire un singolo grande circuito monolitico o affidarsi a encoder classici addestrabili.

2. Metodologia: FC-VQC

Gli autori propongono i Circuiti Quantistici Variazionali Fully-Connected a Più Livelli (FC-VQC), un framework modulare progettato per scalare i parametri quantistici linearmente con la dimensione dell'input, mantenendo i singoli calcoli quantistici locali e trattabili.

Architettura Principale

L'FC-VQC partiziona input ad alta dimensionalità in blocchi VQC locali fissi di $q$ qubit. Questi blocchi sono connessi tramite regole deterministiche e prive di parametri per il mixing dei blocchi.

• Livello di Input: Il vettore di input $x \in \mathbb{R}^d$ è partizionato in $B$ blocchi di dimensione $q$ (dove $d = Bq$). Se $d$ non è divisibile per $q$, viene applicato un padding con zeri. Per compiti a bassa dimensionalità dove $B$ è piccolo, viene applicata un'espansione deterministica delle caratteristiche (ad esempio, trasformazioni polinomiali o radici) prima della partizione per aumentare il numero di blocchi.
• Blocchi VQC: Ogni blocco è una mappa a $q$ qubit $f_\Theta: \mathbb{R}^q \to \mathbb{R}^{n_{out}}$. Utilizza una codifica per rotazione seguita da $K$ livelli di Strati Fortemente Entangolanti (rotazioni di Eulero singole a un qubit e pattern CNOT generali). L'output è derivato dai valori di aspettazione di Pauli-Z.
• Livelli Nascosti (Mixing dei Blocchi): A ogni livello $l$, gli output dei blocchi del livello precedente vengono mescolati utilizzando mappe deterministiche $g^{(l)}_b$ prima di essere inviati ai successivi blocchi VQC locali.
  • Mixing a Finestra Scorrevole (Primario): Ogni blocco riceve informazioni da un vicinato ad anello locale di dimensione $r$. Ciò permette alle informazioni di propagarsi attraverso l'intera dimensione dell'input all'aumentare della profondità ($R^{(L)}(b) \approx 2Lr + 1$).
  • Mixing Fully-Connected: Un'alternativa in cui ogni blocco riceve informazioni aggregate da tutti i blocchi precedenti, consentendo una dipendenza globale in un singolo passaggio.
• Livello di Output: Supporta mappe che preservano la dimensione (per solutori BSDE/PDE) o riduzioni di dimensionalità a stadi (per regressione/classificazione tabellare) misurando un numero inferiore di osservabili per blocco.

Motivazione Teorica

L'architettura è sostenuta da tre intuizioni teoriche:

1. Accumulo di Rumore: Inserendo interfacce di misurazione e ricodifica tra i blocchi (architettura di Tipo 2), il modello mitiga l'accumulo coerente di rumore end-to-end. Invece della contrazione esponenziale del segnale ($\lambda^D$) tipica dei circuiti coerenti profondi, la propagazione dell'errore diventa lineare con il numero di livelli, limitata dal bias per blocco e dal rumore finito dei shot.
2. Espansione del Campo Recettivo: Il mixing dei blocchi espande il supporto della dipendenza. Mentre i blocchi paralleli sono separabili, il mixing a finestra scorrevole permette ai blocchi locali di catturare interazioni tra blocchi che crescono con la profondità, e il mixing fully-connected raggiunge la dipendenza globale immediatamente.
3. Disallineamento del Supporto: I limiti teorici mostrano che un supporto di interazione limitato (modelli separabili) comporta un errore irriducibile su target che richiedono interazioni tra blocchi. L'FC-VQC riduce questo errore espandendo la famiglia strutturale di funzioni rappresentabili attraverso il mixing.

3. Contributi Chiave

1. Affrontare il Dilemma: L'FC-VQC risolve il compromesso tra espressività e trainabilità aumentando la capacità quantistica addestrabile attraverso molti piccoli blocchi locali invece di un singolo circuito monolitico più ampio o profondo.
2. Scalabilità: Per una dimensione di blocco $q$ fissa, il numero di parametri quantistici addestrabili scala linearmente con la dimensione dell'input $d$. Ciò permette la simulazione di problemi ad alta dimensionalità (ad esempio, $d=300$) che sono non fattibili per VQC monolitici ($O(2^{300})$).
3. Efficienza Parametrica: L'FC-VQC ottiene prestazioni competitive o migliorate rispetto alle Reti Neurali Profonde (DNN) strutturalmente corrispondenti, utilizzando sostanzialmente meno parametri addestrabili.

4. Risultati Sperimentali

Il framework è stato valutato in tre regimi: regressione tabellare, classificazione tabellare e approssimazione spaziotemporale BSDE/PDE.

Prestazioni Predittive

• Compiti Tabellari: Sul compito di regressione Concrete Strength ($d=8$), l'FC-VQC ha raggiunto una $R^2$ di test di 0.8928, superando sia il VQC monolitico (0.6768) che la DNN strutturalmente corrispondente (0.8486). Sulla classificazione Wine Quality ($d=11$), l'FC-VQC ha raggiunto un'accuratezza del 63.6%, superando la baseline DNN (58.4%).
• PDE Spaziotemporali: L'FC-VQC è stato testato su PDE di Black–Scholes, Burgers e Oscillatory con dimensioni spaziali $d=36$ e $d=300$.
  • Su Black–Scholes ($d=300$), l'FC-VQC ha ridotto l'Errore Assoluto Medio Relativo (Relative MAE) da 0.0189 (DNN) a 0.0098.
  • Sulla PDE Oscillatory ($d=300$), ha ridotto l'errore da 0.5699 a 0.4650.
  • Sulla PDE di Burgers (il caso non lineare più difficile), l'FC-VQC è rimasto comparabile alla DNN, con un errore leggermente superiore a $d=300$ (0.8842 contro 0.8737), indicando limiti delle prestazioni dipendenti dal compito.

Scalabilità e Complessità

• Fattibilità di Simulazione: Le baseline VQC monolitiche non potevano essere simulate per $d=36$ o $d=300$ a causa dei vincoli sulla dimensione del vettore di stato. L'FC-VQC, utilizzando circuiti locali di dimensione $q=3$, ha simulato con successo questi compiti ad alta dimensionalità con una complessità di scalatura lineare $O(d)$.
• Efficienza Parametrica: L'FC-VQC ha eguagliato o migliorato le prestazioni delle DNN con da 7.1× a 77.2× meno parametri addestrabili. Per le PDE ad alta dimensionalità ($d=300$), la riduzione ha superato 77×.

Trainabilità e Robustezza

• Dinamica dei Gradienti: L'analisi empirica sul benchmark Concrete Strength ha mostrato che i VQC monolitici stretti soffrono di collasso della varianza dei gradienti. Le architetture FC-VQC hanno mantenuto dinamiche dei gradienti più sane attraverso varie profondità e livelli, supportando l'affermazione che la scalatura modulare preserva la trainabilità.
• Robustezza NISQ: Test preliminari con rumore depolarizzante ($p=0.001, 0.01$) hanno mostrato solo un degrado lieve (calo di $R^2$ di 0.01–0.02), suggerendo che la struttura di misura e ricodifica mitiga l'accumulo di rumore coerente.

5. Significato e Affermazioni

Il documento posiziona l'FC-VQC non come un'affermazione di vantaggio quantistico universale su tutti i modelli classici, ma come un'architettura modulare scalabile che estende l'usabilità pratica dei modelli di tipo VQC oltre il regime a bassa dimensionalità.

• Contributo Empirico: Il lavoro dimostra che sostituire moduli classici densi addestrabili con blocchi FC-VQC modulari può eguagliare o superare le prestazioni delle DNN strutturalmente corrispondenti con significativamente meno parametri.
• Giustificazione Architettonica: I risultati teorici forniscono una base formale per spiegare perché il mixing dei blocchi e la misurazione/ricodifica migliorano l'espressività e la resilienza al rumore rispetto ai circuiti coerenti profondi.
• Limitazioni: Gli autori riconoscono che gli esperimenti principali si basano sulla simulazione classica del vettore di stato e che l'analisi del rumore è un controllo preliminare piuttosto che una valutazione completa dell'hardware. L'analisi della dinamica dei gradienti è empirica e non costituisce una prova formale dell'eliminazione dei plateau sterili. Il vantaggio di efficienza parametrica è mostrato rispetto alle DNN strutturalmente corrispondenti, non necessariamente rispetto a tutte le architetture classiche specializzate (ad esempio, reti sparse o ensemble ad albero).

In conclusione, l'FC-VQC offre un percorso praticabile per scalare l'apprendimento automatico quantistico a problemi ad alta dimensionalità decomponendo il problema in calcoli quantistici locali trattabili connessi da mixing classico deterministico, bilanciando così espressività, trainabilità e fattibilità computazionale.