End-to-End Neural and Quantum Transcoding for Compressed Latent Representation under Channel Noise

Riepilogo Tecnico: Transcodifica Neurale e Quantistica End-to-End per Rappresentazione Latente Compressa in Presenza di Rumore di Canale

Enunciato del Problema
Il documento affronta la sfida critica di codificare in modo efficiente dati classici in stati quantistici per la trasmissione su canali quantistici rumorosi. Gli schemi di codifica tradizionali (ad esempio, reticolo di qubit, QPIE) spesso si basano su ipotesi impraticabili, come la conoscenza completa degli stati quantistici dopo la trasmissione o la capacità di estrarre stime approssimative delle ampiezze da poche misurazioni. Inoltre, i framework ibridi quantistico-classici esistenti, inclusi quelli che utilizzano il clustering $k$-means per la comunicazione semantica, spesso non riescono ad adattarsi alle caratteristiche specifiche del rumore del canale, portando a un degrado delle prestazioni sotto livelli di rumore variabili. Inoltre, molti algoritmi di ricostruzione assumono una ricostruzione completa della matrice densità, che è dispendiosa in termini di risorse e spesso non fattibile in scenari pratici dove è possibile ottenere solo ampiezze di stato approssimate attraverso misurazioni multiple.

Metodologia
Gli autori propongono un nuovo framework di transcodifica quantistica apprendibile end-to-end che integra la compressione neurale dei dati con uno schema di codifica quantistica compatto basato sulla decomposizione di Cholesky. L'architettura è composta da tre componenti principali:

1. Compressione Neurale (Codificatore-Decoder):

   • Il sistema utilizza una rete neurale unificata basata su blocchi Swin Transformer sia per i compiti di ricostruzione che di classificazione delle immagini.
   • Il codificatore elabora le immagini in ingresso (suddivise in patch) attraverso blocchi gerarchici Swin Transformer e un Channel EchoNet specializzato. L'EchoNet modula le attivazioni per canale per affinare le rappresentazioni latenti contro il rumore del canale.
   • L'output è un vettore latente normalizzato $\tilde{y}$ proiettato su una ipersfera unitaria ($S^{N-1}$), che funge da input per la fase quantistica.
   • Il decoder rispecchia la struttura del codificatore, utilizzando il vettore latente recuperato per ricostruire l'immagine o generare i logit di classificazione.

2. Transcodifica Quantistica Compatta (Codifica di Cholesky):

   • Invece di utilizzare la parametrizzazione del vettore di stato o vettori di Bloch generalizzati (che potrebbero non garantire matrici densità fisicamente realizzabili per $n > 2$), il metodo mappa il vettore latente normalizzato $y$ in una matrice densità $\rho$ utilizzando la decomposizione di Cholesky.
   • Viene costruita una matrice triangolare inferiore complessa $L$ dove gli elementi di $y$ parametrizzano le voci di $L$. La matrice densità è definita come $\rho = LL^\dagger$.
   • Questo approccio garantisce che $\rho$ sia definita positiva e abbia una traccia di 1 (poiché $\|y\|_2 = 1$), soddisfacendo automaticamente le proprietà di una matrice densità valida. La mappatura è progettata per essere invertibile (a meno della perdita di informazioni sul segno) ed efficiente in termini di gradi di libertà.

3. Canale Rumoroso e Lettura di Osservabili:

   • Lo stato quantistico $\rho$ viene trasmesso attraverso un canale depolarizzante modellato da $\mathcal{E}_\epsilon(\rho) = (1-\epsilon)\rho + \frac{\epsilon}{n}I$, dove $\epsilon$ è il parametro di rumore.
   • Invece di eseguire la tomografia completa dello stato quantistico, il sistema estrae un vettore di caratteristiche $v$ composto dai valori di aspettazione di $K$ osservabili parametrizzati: $v_i = \text{Tr}(\mathcal{E}_\epsilon(\rho)O_i)$.
   • Gli osservabili sono normalizzati in modo tale che $\text{Tr}(O_i^2) = 1$, consentendo una stima efficiente tramite misurazioni casuali di Clifford (classical shadows).
   • Una rete di proiezione lineare apprendibile ricostruisce il vettore latente $\hat{y}$ da $v$.
   • Crucialmente, il parametro di rumore $\epsilon$ viene immesso direttamente sia nelle reti del codificatore che del decoder, rendendo il sistema consapevole del rumore e capace di adattare dinamicamente il proprio comportamento alle condizioni del canale.

Contributi Chiave

• Transcodifica Consapevole del Compito e del Rumore: Uno schema innovativo che combina la compressione neurale dei dati con una codifica compatta basata su Cholesky che si adatta esplicitamente alle caratteristiche del rumore del canale.
• Decodifica Efficiente: Un meccanismo di decodifica basato su osservabili limitati che evita l'impraticabilità della tomografia completa dello stato quantistico, affidandosi invece a osservabili quantistici normalizzati per una tomografia efficiente.
• Prestazioni Robuste: Validazione sperimentale che dimostra elevate prestazioni di ricostruzione e classificazione su un'ampia gamma di livelli di rumore, superando le linee di base tradizionali come QPIE.

Risultati Sperimentali
Il framework è stato valutato sul dataset MNIST (immagini in scala di grigi 32x32) per entrambi i compiti di ricostruzione e classificazione delle immagini sotto livelli variabili di rumore depolarizzante ($\epsilon$).

• Ricostruzione: Il metodo proposto ha costantemente superato la linea di base QPIE in termini di PSNR e SSIM su tutti i livelli di rumore. In particolare, ha mantenuto prestazioni stabili anche ad alti livelli di rumore ($\epsilon \approx 0.99$), mentre QPIE ha subito un degrado significativo. L'aumento della dimensione della matrice densità ($n$) e del numero di osservabili ($K$) ha migliorato la qualità della ricostruzione, con $K=10$ che produce output visivamente significativi anche sotto rumore estremo.
• Classificazione: Il sistema ha dimostrato un'affidabile accuratezza Top-1. I risultati hanno indicato che dimensioni più piccole della matrice densità ($n$) e un numero maggiore di osservabili ($K$) hanno contribuito a migliori prestazioni di classificazione e robustezza.
• Osservabili: L'aumento del numero di osservabili da $K=1$ a $K=10$ ha migliorato significativamente sia la chiarezza della ricostruzione che l'accuratezza della classificazione, evidenziando la necessità di multiple osservazioni per un recupero stabile sotto rumore severo.

Significato e Affermazioni
Il documento afferma che questo framework offre una soluzione pratica per la comunicazione quantistica ottimizzando l'utilizzo dei qubit e l'efficienza di codifica senza richiedere una ricostruzione completa della matrice densità. Allineando i gradi di libertà della rappresentazione latente con quelli di una matrice densità tramite la decomposizione di Cholesky, il metodo raggiunge una codifica compatta che è robusta contro il rumore del canale. Gli autori sottolineano che il loro approccio preserva la rilevanza semantica per i compiti a valle (ricostruzione e classificazione) adattandosi dinamicamente al rumore, affrontando le limitazioni dei metodi precedenti che mancano di adattabilità al rumore o richiedono conoscenze di stato impraticabili. Si suggerisce un lavoro futuro per estendere il framework a modelli di rumore più ampi e dataset più complessi.