Riepilogo Tecnico: Modelli di Diffusione Stocastica di Schrödinger per la Generazione di Insiemi di Stati Puri

1. Enunciato del Problema

Nell'Apprendimento Automatico Quantistico (QML), i dati classici sono frequentemente codificati come stati quantistici puri (vettori in uno spazio di Hilbert modulo la fase globale) per sfruttare gli spazi delle caratteristiche quantistiche. Quando i dati quantistici sono scarsi, un approccio naturale è quello di aumentare il dataset campionando nuovi stati dall'insieme sottostante. Tuttavia, perturbare in modo ingenuo gli input classici e ricodificarli spesso produce stati quantistici patologici, come stati delle caratteristiche quasi ortogonali o strutture di entanglement collassate, che danneggiano la stabilità dell'addestramento e la generalizzazione.

La sfida consiste nell'estendere i modelli di diffusione basati sul punteggio allo spazio degli stati quantistici puri. A differenza degli spazi euclidei, gli stati puri risiedono sulla varietà proiettiva complessa $\mathbb{CP}^{d-1}$, dotata della metrica di Fubini–Study (FS). Questa geometria non euclidea presenta due ostacoli principali:

1. Densità di Transizione Intrattabili: Le densità di transizione richieste per l'addestramento standard basato sul punteggio sono generalmente non disponibili in forma chiusa su $\mathbb{CP}^{d-1}$.
2. Complessità Geometrica: La definizione di diffusioni in avanti, punteggi e campionatori a tempo inverso richiede una gestione attenta della curvatura della varietà e dell'invarianza della fase globale.

Gli approcci esistenti di "diffusione quantistica" si concentrano spesso sul recupero dello stato tramite canali rumorosi o sull'evoluzione della matrice di densità, piuttosto che sulla modellazione generativa di insiemi di stati puri per l'aumento dei dati.

2. Metodologia: Modelli di Diffusione Stocastica di Schrödinger (SSDM)

Gli autori propongono i Modelli di Diffusione Stocastica di Schrödinger (SSDM), un framework generativo intrinseco basato sul punteggio definito direttamente sulla varietà degli stati puri $\mathbb{CP}^{d-1}$.

2.1. Diffusione in Avanti e Realizzazione SSE

Il framework costruisce una diffusione in avanti a tempo continuo $\{\psi_t\}_{t \in [0,T]}$ sulla varietà $(\mathbb{CP}^{d-1}, g_{FS})$.

• Processo OU Riemanniano: Il processo in avanti è modellato come una diffusione Riemanniana di Ornstein–Uhlenbeck (OU) non omogenea nel tempo:
  $$d\psi_t = b(\psi_t, t) dt + \sigma(t) dW^{(M)}_t$$
  dove $W^{(M)}_t$ è il moto browniano sulla varietà sotto la metrica FS, e $b$ è un termine di deriva (ad esempio, che attira verso uno stato di riferimento).
• Realizzazione dell'Equazione di Schrödinger Stocastica (SSE): Per collegare questa diffusione sulla varietà alla dinamica quantistica fisica, gli autori forniscono una realizzazione SSE sulla sfera di Hilbert. La dinamica è guidata da un'evoluzione unitaria stocastica che coinvolge un Hamiltoniano e termini di rumore simili a Lindblad. Dopo aver quozientato la fase globale, ciò induce la diffusione isotropa desiderata su $\mathbb{CP}^{d-1}$.

2.2. Dinamiche a Tempo Inverso e Punteggio Riemanniano

Sulla base della teoria del tempo inverso per le diffusioni su varietà Riemanniane, il processo a tempo inverso è anch'esso una diffusione su $\mathbb{CP}^{d-1}$ con lo stesso coefficiente di diffusione ma una deriva modificata:
$$d\psi_t = \left( b(\psi_t, t) - \sigma(t)^2 \nabla_{FS} \log p_t(\psi) \right) dt + \sigma(t) d\bar{W}^{(M)}_t$$
Qui, $\nabla_{FS} \log p_t(\psi)$ è il punteggio Riemanniano, definito come il gradiente della densità logaritmica rispetto alla metrica FS. Questo termine guida il processo generativo da un prior semplice (ad esempio, un insieme di design Clifford $t$) fino alla distribuzione dei dati.

2.3. Obiettivo di Apprendimento a Tempo Locale

Poiché la densità di transizione $p_t(\psi)$ e il punteggio globale sono intrattabili, gli SSDM impiegano un obiettivo di apprendimento a tempo locale:

1. Approssimazione Locale: In coordinate normali di Fubini–Study centrate in un punto $\phi$, la diffusione intrinseca sulla varietà ammette un'approssimazione locale euclidea OU/VP al primo ordine per piccoli passi temporali $\delta t$. Gli effetti di curvatura appaiono solo agli ordini superiori.
2. Punteggio Docente Analitico: Questa approssimazione locale produce una densità condizionata gaussiana in forma chiusa nello spazio tangente. Il gradiente del logaritmo di questa gaussiana fornisce un punteggio docente analitico nelle coordinate normali.
3. Mappatura sulla Varietà: Questo punteggio docente viene mappato nuovamente sulla varietà utilizzando l'aggiunto del differenziale della mappa logaritmo, $(d \log_\phi)^*_\psi$.
4. Addestramento: Una rete di punteggio $s_\theta(\psi, t)$ viene addestrata per minimizzare l'obiettivo di corrispondenza del punteggio di denoising Riemanniano, approssimando il vero punteggio Riemanniano adattando i punteggi docenti analitici derivati dalle transizioni a breve termine.

2.4. Campionamento

Il campionamento viene eseguito integrando l'SDE a tempo inverso appresa sulla varietà. Il processo inizia da un prior trattabile (approssimato da design Clifford $t$) e utilizza uno schema di Euler–Maruyama in frame tangenti locali, seguito da una retrazione (o mappa esponenziale) per proiettare nuovamente su $\mathbb{CP}^{d-1}$.

3. Contributi Chiave

1. Framework SSDM: Introduzione di un framework generativo basato sul punteggio specificamente per distribuzioni su stati quantistici puri su $\mathbb{CP}^{d-1}$.
2. Progettazione Intrinseca della Diffusione: Progettazione di una diffusione in avanti OU Riemanniana con una realizzazione dell'Equazione di Schrödinger Stocastica (SSE), stabilendo un ponte tra traiettorie quantistiche fisiche e diffusione sulla varietà.
3. Addestramento a Tempo Locale: Proposta di un obiettivo di addestramento pratico che sfrutta il limite euclideo locale nelle coordinate normali FS per derivare punteggi docenti analitici, evitando la necessità di densità di transizione globali in forma chiusa.
4. Generalizzazione del Punteggio Riemanniano: Derivazione delle dinamiche a tempo inverso guidate dal punteggio Riemanniano sotto la metrica FS, fornendo una generalizzazione principiale della modellazione euclidea basata sul punteggio agli insiemi di stati quantistici puri.

4. Risultati Sperimentali

Gli autori valutano gli SSDM sulla generazione di insiemi di stati puri per $n=2, 4, 6$ qubit e la loro utilità in compiti QML a valle.

• Qualità Generativa: Gli SSDM superano costantemente le baseline (inclusi VP-SDE euclideo, Modelli Generativi Basati sul Punteggio Riemanniano (RSGM), QGAN e QuDDPM) su tutte le dimensioni del sistema.
  • Metriche: Gli SSDM raggiungono una fedeltà dello stato ($F_0$) più alta e una discrepanza media massima (MMD) più bassa, un disallineamento osservabile ($\Delta_{obs}$) e una distanza di Wasserstein dell'entanglement inferiori.
  • Impatto Geometrico: La modellazione intrinseca della geometria FS produce miglioramenti significativi rispetto alle baseline euclidee, in particolare all'aumentare della dimensione del sistema, confermando che apprendere i punteggi tangenti intrinsecamente su $\mathbb{CP}^{d-1}$ è cruciale.
• Supervisione a Tempo Locale: Studi di ablazione mostrano che l'uso di punteggi docenti OU analitici a tempo locale migliora significativamente la qualità del campionamento rispetto alle approssimazioni alle differenze finite o ai modelli senza supervisione locale.
• Utilità QML a Valle: Nei compiti di aumento dei dati a livello di rappresentazione, gli stati quantistici generati dagli SSDM migliorano la generalizzazione dei classificatori a valle (ad esempio, Kernel SVM, classificatori variazionali) in presenza di dati etichettati limitati, come dimostrato dal miglioramento dell'allineamento del kernel, del gap del kernel e del margine medio.

5. Significato e Affermazioni

Il paper afferma che gli SSDM forniscono un percorso fondato fisicamente e principiato geometricamente per la modellazione generativa basata sul punteggio di insiemi di stati quantistici puri.

• Aumento a Livello di Rappresentazione: Il framework permette la generazione di nuove rappresentazioni quantistiche direttamente nello spazio delle caratteristiche, offrendo una soluzione alla scarsità di dati nel QML senza le patologie della perturbazione degli input classici.
• Necessità Geometrica: I risultati dimostrano che rispettare la geometria di Fubini–Study non è meramente un raffinamento teorico, ma una necessità pratica per un campionamento stabile e accurato negli spazi di stati quantistici ad alta dimensionalità.
• Collegamento tra Fisica e ML: Sfruttando la realizzazione SSE, il lavoro collega la dinamica quantistica stocastica con la modellazione generativa moderna, offrendo un principio di progettazione flessibile per diffusioni in avanti stabili su varietà curve.

Gli autori notano le limitazioni, inclusa la dipendenza da approssimazioni a piccoli passi per il segnale docente locale, l'attuale focus sugli stati puri (escludendo gli stati misti) e le sfide di scalabilità inerenti alla crescita esponenziale dello spazio di Hilbert e alla geometria non lineare di $\mathbb{CP}^{d-1}$. Tuttavia, posizionano gli SSDM come un passo fondamentale verso surrogati classici efficienti per la simulazione di insiemi di stati quantistici nell'era quantistica a breve termine.