Software Between Quantum and Machine Learning -- And Down to Pulses

Riepilogo Tecnico: Software tra Quantum e Machine Learning – E Fino agli Impulsi

Enunciato del Problema
La ricerca contemporanea sul quantum machine learning (QML) si basa prevalentemente su circuiti quantistici parametrizzati (PQC) astratti attraverso decomposizioni di porte unitarie. Sebbene queste astrazioni offrano un'interfaccia uniforme, oscurano le realtà fisiche dell'hardware sottostante, come le unità di elaborazione quantistica superconduttive (QPU), che operano a livello di impulsi di controllo. Questa astrazione limita lo sfruttamento delle capacità complete dell'hardware e restringe lo sviluppo di strategie su misura per la mitigazione degli errori e l'ottimizzazione. Inoltre, i framework software QML esistenti trattano spesso il controllo a livello di impulsi come un dettaglio di implementazione piuttosto che come un oggetto differenziabile, creando un divario tra le metriche di analisi dei circuiti di alto livello (ad esempio, spettri di Fourier) e l'ottimizzazione degli impulsi a basso livello, consapevole dell'hardware. Manca una serie di strumenti sistematici che consentano l'apprendimento diretto di sequenze di controllo a livello di impulsi e l'analisi del loro impatto sull'espressività e sulla trainabilità del modello.

Metodologia
Gli autori presentano un framework software integrato nel pacchetto QML-ESSENTIALS, progettato per colmare il divario tra modelli basati su circuiti astratti e controllo a livello di impulsi. La metodologia si fonda su tre pilastri:

1. Paradigma di Modellazione Unificato: Il framework estende le metodologie QML per includere la modellazione a livello di impulsi. Tratta gli impulsi di controllo come oggetti differenziabili, consentendo un'ottimizzazione end-to-end dei parametri degli impulsi insieme agli angoli delle porte tradizionali. Ciò permette la combinazione senza soluzione di continuità tra rappresentazioni basate su porte e a livello di impulsi.
2. Diagnostica Analitica di Fourier: Motivato dal ruolo dei Modelli di Fourier Quantistici (QFM), il framework incorpora strumenti diagnostici rigorosi. Calcola i coefficienti e le frequenze di Fourier (tramite metodi analitici o la Trasformata di Fourier Veloce) per analizzare l'espressività del modello. Le metriche chiave includono l'Impronta Digitale di Fourier (Fourier Fingerprint) e la Correlazione dei Coefficienti di Fourier (FCC), che quantificano la correlazione tra i coefficienti di Fourier intrinseci e rivelano limitazioni nell'espressività effettiva.
3. Integrazione del Controllo Quantistico Ottimale (QOC): Il software implementa una routine QOC per ottimizzare i parametri degli impulsi. Supporta varie forme di inviluppo dell'impulso (Gaussiana, Rettangolare, Coseno Sollevato, DRAG, Secante Iperbolica) e utilizza una procedura di ottimizzazione multistadio che coinvolge scansioni su griglia e raffinamento basato su gradienti (utilizzando Adam con decadimento dei pesi e tassi di apprendimento a decadimento coseno). La funzione obiettivo è multi-obiettivo, bilanciando la fedeltà della porta contro la durata e la larghezza dell'impulso per rispettare i vincoli del tempo di coerenza.

L'intera infrastruttura critica per le prestazioni è implementata in JAX per calcoli di array ad alte prestazioni e parallelizzazione. Il framework include un simulatore quantistico differenziabile personalizzato che supporta sia l'esecuzione di porte unitarie sia la simulazione a livello di impulsi (risolvendo l'equazione di Schrödinger dipendente dal tempo tramite metodi di Runge-Kutta adattivi o integratori di Magnus).

Contributi Chiave
Il documento introduce i seguenti contributi specifici al pacchetto QML-ESSENTIALS:

• Costruzione Modulare dell'Ansatz: Un sistema per costruire ansatz variazionali utilizzando blocchi costruttivi intercambiabili (porte e topologie), che supporta sia strutture predefinite (ad esempio, Fortemente Entanglanti, Efficienti per l'Hardware) sia composizioni personalizzate.
• Interfaccia a Livello di Impulsi: Un'interfaccia basata su grafi che consente agli utenti di parametrizzare gli ansatz direttamente con parametri degli impulsi (ampiezza, larghezza, durata, fase) piuttosto che solo con angoli di rotazione. Questa interfaccia supporta sia le porte di base sia le porte composte, gestendo le ridondanze dei parametri.
• Diagnostica Potenziata:
  • Implementazione della Correlazione dei Coefficienti di Fourier (FCC) e dell'Impronta Digitale di Fourier per analizzare le proprietà spettrali.
  • Estensione delle metriche di entanglement per includere l'Entanglement of Formation (EF) e l'Entanglement Concentrabile (CE), applicabili a stati quantistici misti (rumorosi), oltre alle metriche esistenti per stati puri come Meyer-Wallach e Misure di Bell.
• Generazione di Dataset: Un generatore di dataset di serie di Fourier integrato che inferisce le frequenze intrinseche dalle strategie di codifica per creare coppie di dati di addestramento.
• Visualizzazione e Riproducibilità: Strumenti per esportare diagrammi di circuiti (testo, Matplotlib, Quantikz) e schedulazioni di sequenze di impulsi, garantendo flussi di lavoro riproducibili.

Risultati
Gli autori forniscono risultati di prova di concetto che dimostrano le capacità del framework:

• Ottimizzazione QOC: Il framework ha ottimizzato con successo i parametri degli impulsi per un set di porte universali ($\hat{RX}, \hat{RY}, \hat{RZ}, \hat{CZ}$). Le infidelità delle porte risultanti sono state estremamente basse (ad esempio, $\sim 10^{-13}$ per porte a singolo qubit), superando significativamente le fedeltà attuali dei dispositivi reali ($\sim 10^{-7}$), confermando la precisione del simulatore in ambienti ideali.
• Accumulo di Errori: Gli esperimenti hanno mostrato che l'infidelità si accumula con la profondità del circuito e il numero di porte non di base, sebbene i risultati del framework rimangano ordini di grandezza al di sotto dei tassi di errore dell'hardware pratico.
• Confronto delle Metriche: I benchmark che confrontano l'espressività basata sulla divergenza KL e la FCC hanno rivelato discrepanze; alcuni ansatz apparivano meno espressivi tramite la divergenza KL ma mostravano una correlazione dei coefficienti inferiore (maggiore trainabilità) tramite la FCC, validando l'utilità della combinazione di queste metriche.
• Scalabilità: I benchmark sui tempi di esecuzione hanno indicato che, sebbene i tempi di calcolo per l'espressività e la FCC scalino esponenzialmente con il numero di qubit (coerentemente con la complessità dei sistemi quantistici), il calcolo della FCC scala più favorevolmente rispetto alla profondità del circuito rispetto all'espressività, che richiede un'estensivo campionamento a coppie.
• Analisi dell'Entanglement: I confronti delle metriche di entanglement (MW, BM, CE, EF) su vari ansatz hanno mostrato un ordinamento coerente per gli stati puri. Sotto modelli di rumore, BM e CE hanno mantenuto l'ordine ma hanno prodotto valori più alti, mentre EF si è comportato diversamente, suggerendo la sua utilità come limite superiore o misura alternativa in regimi rumorosi.

Significato e Affermazioni
Il documento afferma che questo framework software fornisce una base robusta per sviluppi futuri all'intersezione tra QML e controllo quantistico. Il suo significato principale risiede in:

1. Colmare il Divario: Collega l'analisi dei circuiti astratti con l'ottimizzazione a livello di impulsi consapevole dell'hardware, permettendo ai ricercatori di studiare espressività, trainabilità ed entanglement direttamente a livello di controlli fisicamente realizzabili.
2. Indagine Sistematica: Permette indagini sistematiche e riproducibili su come l'apprendimento a livello di impulsi e specifiche strategie di codifica dei dati influenzino i modelli QML, andando oltre le assunzioni idealizzate sulle porte.
3. Strumentazione Scientifica: Gli autori posizionano il lavoro come uno strumento scientifico piuttosto che come un prodotto immediatamente guidato dall'applicazione. È progettato per facilitare l'esplorazione sistematica dell'apprendimento a livello di impulsi con QFM, una combinazione che gli autori notano non era precedentemente disponibile in un singolo pacchetto software integrato.
4. Potenziale Futuro: Il framework getta le basi per futuri esperimenti che esplorano strategie di mitigazione degli errori, ottimizzazione diretta dei parametri degli impulsi in compiti di apprendimento e l'integrazione di dinamiche di sistema consapevoli dell'hardware (ad esempio, smorzamento).

Gli autori dichiarano esplicitamente che, sebbene il framework includa ottimizzazioni delle prestazioni, il contributo principale è scientifico, mirando a fornire una toolbox completa per la ricerca QML riproducibile che unisce le proprietà spettrali con i dettagli di implementazione fisica.