Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices

Riepilogo Tecnico: Q-PhotoNAS

Enunciato del Problema
Il calcolo quantistico fotonico offre una piattaforma promettente per l'apprendimento automatico quantistico (QML) scalabile grazie alla sua operazione a temperatura ambiente, alla bassa decoerenza e alla compatibilità con le reti in fibra esistenti. Tuttavia, progettare architetture ibride quantistiche-classiche fotoniche efficaci rimane una sfida significativa. Gli approcci attuali si basano sulla sintonizzazione manuale di componenti distinti: pipeline di pre-processing classico, strategie di codifica dei dati (mappatura delle caratteristiche classiche su fasi ottiche) e la struttura degli strati classici circostanti. Come dimostrato dagli esempi motivazionali del documento (Fig. 1), raggiungere un'accuratezza competitiva su dataset come Digits e MNIST richiede tentativi iterativi e progettati a mano, dove ogni modifica architetturale necessita di un'esecuzione completa di ri-addestramento. Lo spazio di progettazione congiunto è vasto (circa $3.7 \times 10^{10}$ configurazioni) e le forti interazioni tra i componenti rendono la sintonizzazione manuale greedy inaffidabile e inefficiente. Inoltre, gli attuali framework di Neural Architecture Search (NAS) non mirano specificamente all'hardware fotonico, il quale presenta vincoli unici (ad esempio, numero di modi fissi, non linearità di codifica specifiche) distinti dai sistemi di qubit basati su porte.

Metodologia: Framework Q-PhotoNAS
Gli autori propongono Q-PhotoNAS, un framework di Neural Architecture Search progettato specificamente per modelli ibridi quantistici-classici fotonici. Il sistema integra quattro fasi: pre-processing dei dati, sviluppo progressivo del modello, ricerca basata su algoritmo genetico (GA) e stima del tempo di esecuzione hardware.

1. Genoma e Spazio di Ricerca: Il framework codifica 19 iperparametri in sei gruppi funzionali di geni:

   • Dati/Pre-processing: Componenti PCA e parametri del frontend convoluzionale.
   • Rete Pre-Quantistica: Profondità, larghezza, funzioni di attivazione e normalizzazione per gli strati classici che precedono il circuito quantistico.
   • Codifica di Fase: Un meccanismo di codifica appreso e innovativo che sostituisce gli schemi fissi. Utilizza una trasformazione differenziabile $\theta_i = \text{act}_\phi(x_i \cdot s_i + b_i) \cdot \pi$, dove la funzione di attivazione ($\sigma$, $\tanh$ o $\text{clamp}$), l'inizializzazione della scala ($s_i$) e l'inclusione del bias ($b_i$) sono tutte ottimizzate dal GA.
   • Strato Quantistico: La dimensione di uscita del circuito fotonico.
   • Testa del Classificatore: Profondità, larghezza e attivazione degli strati classici finali.
   • Addestramento: Tasso di apprendimento, programma, decadimento dei pesi e clipping del gradiente.
     Lo spazio di ricerca abbraccia circa $3.7 \times 10^{10}$ configurazioni.

2. Strategia dell'Algoritmo Genetico: Il GA evolve una popolazione di 20 architetture candidate per 30 generazioni. Impiega:

   • Crossover basato su Gruppi: Per preservare la coerenza architetturale, interi gruppi di geni (ad esempio, tutti i parametri pre-quantistici) sono ereditati come unità dai genitori, prevenendo la creazione di architetture incoerenti (ad esempio, reti profonde con larghezze ridotte).
   • Mutazione per Gene: Un mix di passi locali e salti globali per rifinire o diversificare le configurazioni.
   • Elitismo: I primi 2 individui sono preservati invariati.
   • Valutazione della Fitness: I candidati sono valutati su un breve budget "proxy" (5 epoche su 1.000 campioni per Digits; 3 epoche su 5.000 campioni per MNIST) per stimare l'accuratezza di validazione. La migliore architettura trovata viene quindi ri-addestrata completamente per 100 epoche sull'intero dataset.

3. Stima Hardware: Il framework include un modello matematico di primo principio per stimare il tempo di esecuzione sul QPU fotonico Quandela Ascella. La latenza totale ($T_{total}$) è modellata come la somma del tempo di riconfigurazione dello sfasatore ($T_{prep}$), del tempo di propagazione nella guida d'onda ($T_{prop}$), del tempo di rilevamento ($T_{det}$) e del sovraccarico elettronico ($T_{lat}$). Le simulazioni Monte Carlo tengono conto della deriva termica, dell'incertezza sulla coincidenza dei fotoni e del jitter elettronico.

Risultati Chiave
Il framework è stato valutato sui benchmark di classificazione di immagini Digits e MNIST.

• Accuratezza: Q-PhotoNAS ha raggiunto accuratezze finali di validazione del 99,44% su Digits e del 98,78% su MNIST. Questi risultati superano significativamente le linee di base progettate manualmente (ad esempio, circuiti quantistici puri o ibridi a codifica fissa) e hanno eguagliato le linee di base esclusivamente classiche.
• Contributo Quantistico: L'analisi delle architetture apprese ha rivelato che lo strato fotonico estrae caratteristiche non ridondanti.
  • Per Digits, la similarità coseno inter-classe delle uscite quantistiche era bassa (0,135), indicando una separazione ortogonale delle classi. La similarità per campione tra caratteristiche quantistiche e classiche era 0,167, suggerendo informazioni complementari.
  • Per MNIST, la similarità inter-classe era 0,100 e la similarità per campione era -0,154, indicando che lo strato fotonico si anti-allinea attivamente con il percorso classico, fornendo una forma più forte di complementarità.
  • I modelli ibridi hanno costantemente superato le linee di base esclusivamente classiche con parametri corrispondenti di circa 0,65 punti percentuali (Digits) e 0,83 punti percentuali (MNIST), con una varianza inferiore tra i semi casuali.
• Latenza Hardware: Sul QPU Quandela Ascella, i tempi di inferenza stimati per singola immagine erano ~67 ms per Digits e ~149 ms per MNIST. L'analisi ha identificato la riconfigurazione termica dello sfasatore come il costo dominante (che rappresenta >88% del budget quantistico), scalando linearmente con la profondità del circuito.

Significato e Affermazioni
Il documento afferma di presentare il primo framework NAS progettato specificamente per architetture ibride quantistiche-classiche fotoniche. Il suo significato risiede in:

1. Esplorazione Sistematica dello Spazio di Progettazione: Supera la progettazione manuale basata su tentativi ed errori a favore di una ricerca automatizzata che gestisce le interazioni complesse e non differenziabili tra pre-processing classico, codifica di fase appresa e struttura del circuito fotonico.
2. Codifica Appresa: Trattando la trasformazione di codifica di fase come un asse di progettazione ottimizzato congiuntamente, il framework permette al circuito fotonico di allineare il proprio spazio delle fasi con la distribuzione dei dati end-to-end, superando i limiti degli schemi di codifica fissi.
3. Fattibilità Pratica: I risultati dimostrano che la ricerca automatizzata è pratica per sistemi fotonici ibridi, raggiungendo alta accuratezza con tempi di inferenza nell'ordine delle decine di millisecondi sull'hardware fotonico termico attuale.
4. Ottimizzazione Consapevole dell'Hardware: L'inclusione di un stimatore temporale di primo principio permette di identificare i colli di bottiglia hardware (specificamente la riconfigurazione termica), guidando lo sviluppo hardware futuro verso alternative elettro-ottiche.

Gli autori concludono che Q-PhotoNAS fornisce un framework riutilizzabile e fondato su principi per la progettazione sistematica dell'IA quantistica su dispositivi fotonici, aprendo la strada all'esplorazione di numeri di modi più elevati e strategie di codifica alternative.