Riepilogo Tecnico: Ricerca di Architetture Neurali Ibride Quantistiche-Classiche

Enunciato del Problema

Le Reti Neurali Ibride Quantistiche-Classiche (HQNN) rappresentano un approccio pratico per l'apprendimento automatico quantistico (QML) nell'era dei computer quantistici rumorosi a scala intermedia (NISQ), combinando l'apprendimento profondo classico con circuiti quantistici parametrizzati (PQC). Tuttavia, le prestazioni e l'efficienza delle HQNN sono altamente sensibili alle scelte architetturali, incluse le strategie di codifica dei dati, la profondità del circuito, la composizione delle porte, i pattern di entanglement e l'accoppiamento tra moduli classici e quantistici.

Attualmente, la progettazione delle HQNN dipende fortemente dalla costruzione euristica manuale da parte di esperti. Questo approccio è sempre più difficile da scalare e spesso non tiene conto delle limitazioni hardware e dei vincoli di risorse. Sebbene la Ricerca di Architetture Neurali (NAS) abbia automatizzato con successo la progettazione dell'apprendimento profondo classico, la sua estensione a contesti quantistici e ibridi rimane poco esplorata. Nello specifico, esiste la necessità di un metodo sistematico per scoprire architetture HQNN che bilancino l'accuratezza predittiva con l'efficienza computazionale, superando l'ottimizzazione incentrata sulla sola accuratezza per passare a una progettazione consapevole dell'hardware.

Metodologia

Il documento propone un framework per la Ricerca di Architetture Neurali Consapevole dei FLOPs e dell'Hardware (HANAS) adattata alle HQNN. La metodologia tratta la progettazione delle HQNN come un problema di ottimizzazione multi-obiettivo, mirando a massimizzare simultaneamente l'accuratezza predittiva e minimizzare il costo computazionale.

1. Formulazione del Problema

La ricerca è formulata come la selezione di un'architettura $a^*$ da uno spazio di ricerca $\mathcal{A}$ per minimizzare una funzione obiettivo $J(a)$, che combina la qualità dell'apprendimento e il costo di implementazione:
$$a^* = \arg \min_{a \in \mathcal{A}} J(a)$$
In questo lavoro, $J(a)$ è un criterio multi-obiettivo che bilancia accuratezza e complessità computazionale.

2. Definizione dello Spazio di Ricerca

Lo spazio di ricerca è scomposto in quattro componenti:

• Codifica dei Dati ($\mathcal{A}_{enc}$): Scelte come la codifica angolare o di ampiezza.
• Circuito Variazionale ($\mathcal{A}_{var}$): Include il numero di qubit (da 2 a 10), porte di rotazione parametrizzate ($R_x, R_y, R_z$), tipi di porte di entanglement (CNOT, CZ) e topologia di entanglement (lineare, circolare).
• Misurazione ($\mathcal{A}_{meas}$): Configurazione di lettura.
• Post-elaborazione ($\mathcal{A}_{post}$): Strati classici per la previsione.

Negli esperimenti proposti, gli strati classici di pre- e post-elaborazione sono stati mantenuti fissi per isolare l'impatto delle variazioni dello strato quantistico. Lo spazio di ricerca definito ha prodotto un totale di 23.328 potenziali architetture ibride.

3. Strategia di Ricerca: Algoritmo Genetico (NSGA-II)

Gli autori utilizzano l'Algoritmo Genetico di Ordinamento Non-Dominato II (NSGA-II) per esplorare lo spazio di ricerca. Il processo prevede:

• Inizializzazione: Creazione di una popolazione di architetture candidate.
• Valutazione: Addestramento di ciascun modello ibrido e misurazione di due metriche chiave:
  1. Accuratezza: Prestazioni standard di classificazione.
  2. FLOPs (Operazioni in Virgola Mobile): Utilizzati come proxy hardware-agnostico per la complessità computazionale. Crucialmente, lo studio distingue tra FLOPs Classici (elaborazione dei dati) e FLOPs Quantistici (simulazione degli aggiornamenti del vettore di stato PQC).
• Selezione ed Evoluzione: Utilizzo dell'ordinamento non dominato e della distanza di affollamento per identificare soluzioni Pareto-ottimali. L'algoritmo impiega crossover ($p=0.8$) e mutazione ($p=0.2$) per evolvere le generazioni.
• Terminazione: La ricerca si interrompe se non viene osservato alcun miglioramento negli obiettivi per due generazioni consecutive.

Contributi Chiave

1. Framework Sistematico per la Progettazione HQNN: Il documento stabilisce una base per estendere la NAS a contesti ibridi quantistico-classici, passando dalla progettazione euristica manuale all'ottimizzazione sistematica automatizzata.
2. Ottimizzazione Consapevole dei FLOPs: Introduce un approccio specifico in cui il costo computazionale (misurato in FLOPs) è ottimizzato esplicitamente insieme all'accuratezza. Questo affronta il collo di bottiglia del sovraccarico di risorse classiche nello sviluppo di HQNN guidato dalla simulazione.
3. Scomposizione dello Spazio di Ricerca: Il lavoro formalizza lo spazio di ricerca delle HQNN in componenti distinti (codifica, variazionale, misurazione, post-elaborazione), evidenziando che la ricerca di architetture quantistiche va oltre la semplice sequenziazione di porte.
4. Validazione Empirica: La metodologia è validata su dataset di complessità variabile (Iris e Digits), dimostrando la capacità di identificare architetture che raggiungono alte prestazioni con risorse computazionali ridotte.

Risultati

La valutazione sperimentale sui dataset Iris e Digits ha prodotto le seguenti intuizioni:

• Dataset Iris: L'accuratezza è variata significativamente (dal 40% a >90%) tra le architetture. Le soluzioni Pareto-ottimali hanno raggiunto un'alta accuratezza con FLOPs classici molto bassi, indicando che il sovraccarico classico non era il fattore limitante. L'analisi dei FLOPs quantistici ha mostrato che prestazioni solide potevano essere ottenute sia con budget bassi che alti, sebbene le configurazioni di medio livello fossero incoerenti.
• Dataset Digits: L'accuratezza è migliorata rapidamente con piccoli aumenti dei FLOPs quantistici, saturando vicino al 100% a budget di $10^3$–$10^4$. Oltre questo punto, circuiti più grandi hanno offerto rendimenti decrescenti. I FLOPs classici hanno mostrato una debole correlazione con l'accuratezza, mentre la distribuzione totale dei FLOPs ha rivelato un fronte Pareto ben definito.
• Risultati Generali:
  • I miglioramenti dell'accuratezza sono stati guidati principalmente dai FLOPs quantistici, mentre i FLOPs classici sono rimasti relativamente fissi a causa di design degli strati classici vincolati.
  • Esistono chiari compromessi Pareto-ottimali tra accuratezza e costo computazionale, dimostrando che alte prestazioni non richiedono le architetture più intensive in termini di risorse.
  • Esistono soglie dipendenti dal dataset in cui l'aumento dei FLOPs produce rendimenti decrescenti, evidenziando il rischio di circuiti quantistici eccessivamente complessi.

Significato e Affermazioni

Il documento sostiene che la prossima fase di progresso nel QML richiede un cambiamento di paradigma dalla progettazione euristica e manuale alla Ricerca di Architetture Neurali Consapevole dell'Hardware (HANAS). Incorporando vincoli computazionali (proxied dai FLOPs) nel processo di ricerca, il framework proposto permette di scoprire HQNN che non sono solo accurate, ma anche computazionalmente fattibili e scalabili.

Gli autori posizionano la NAS consapevole dei FLOPs come un passo critico verso una progettazione sistematica delle HQNN, in particolare per i flussi di lavoro basati su simulazione nell'era NISQ, dove il sovraccarico di risorse classiche è un collo di bottiglia. Tuttavia, il documento mantiene un ambito modesto riguardo alle sue affermazioni:

• Riconosce che i FLOPs sono un proxy per il costo di simulazione e differiscono dalle metriche a livello hardware come il numero di porte o la profondità del circuito.
• Afferma esplicitamente che estendere il framework per incorporare vincoli a livello di dispositivo (come rumore, decoerenza e connettività dei qubit) rimane una sfida aperta.
• Gli autori immaginano che i futuri framework HANAS debbano evolvere per incorporare questi vincoli specifici dell'hardware quantistico per colmare il divario tra la progettazione di modelli astratti e i sistemi quantistici deployabili.