An IQP Born Machine for Calorimeter Image Generation at 64 Qubits with Compiled-IQP Deployment

Riepilogo Tecnico: Una Macchina di Born IQP per la Generazione di Immagini di Calorimetro a 64 Qubit con Distribuzione IQP Compilata

Enunciato del Problema
La simulazione degli sciami nei calorimetri è una componente ad alta intensità computazionale della pipeline di analisi del Large Hadron Collider (LHC), destinata a consumare milioni di anni-CPU annualmente durante la fase ad alta luminosità. Sebbene i surrogati generativi classici (GAN, flussi di normalizzazione, modelli di diffusione) abbiano ottenuto significativi acceleramenti con una fedeltà vicina a quella di Geant4, i modelli generativi quantistici offrono un'alternativa potenziale grazie alla capacità della rappresentazione probabilistica della regola di Born di esprimere determinate strutture di correlazione con un minor numero di parametri. Tuttavia, la scalabilità delle macchine di Born a circuiti quantistici variazionali (QCBM) sull'hardware a breve termine è ostacolata dal problema dei "plateau sterili" e dalla necessità di campionamento quantistico ripetuto durante l'addestramento. I precedenti approcci quantistici nella fisica delle alte energie (HEP) sono stati limitati a piccole scale (8–12 qubit) e osservabili semplici, mancando di dimostrazioni su compiti reali di imaging HEP che richiedono la granularità spaziale di $\sim 100$ qubit. Inoltre, i metodi di addestramento IQP (Tempo Polinomiale Quantistico Istantaneo) esistenti, che utilizzano il kernel termico di Liu–Wang, spesso falliscono nel ricostruire accuratamente le ampiezze di correlazione a coppie, saturando a livelli di errore significativamente superiori al limite di fedeltà di codifica.

Metodologia
Gli autori propongono una pipeline a tre componenti per addestrare una macchina di Born IQP su dati HEP reali e distribuirne l'esecuzione su hardware quantistico:

1. Architettura Mixture-of-IQP (MoIQP): Per aumentare l'espressività del modello senza alterare il grafo delle porte, gli autori definiscono una miscela uniforme di $L$ circuiti IQP indipendenti che condividono un grafo di porte sparse di Erdős–Rényi fisso, ma possiedono vettori di angoli addestrabili indipendenti. Poiché le aspettative di Pauli-Z della miscela sono medie lineari delle aspettative dei componenti, la macchina di addestramento classica (Monte Carlo di Fourier di Van den Nest) si applica direttamente senza modifiche.
2. Kernel di Correlazione Stabilizzato con Pearson (PSCK): Per affrontare la compressione delle ampiezze osservata nell'addestramento MMD standard con kernel termico, gli autori introducono un kernel di perdita modificato: $K_{PSCK} = \text{diag}(\omega_{heat}) + \eta J^\top J$. Qui, $J$ è la Jacobiana della matrice di correlazione di Pearson empirica rispetto alle marginali di Pauli-Z del modello, valutata sui dati. Questa correzione definita positiva spinge la discesa del gradiente verso direzioni di parametri che alterano specificamente la matrice di correlazione, implementando efficacemente un passo di Gauss–Newton sull'Errore Quadratico Medio (MSE) di Pearson, preservando al contempo l'addestrabilità classica e la difficoltà di campionamento quantistico della struttura IQP sottostante.
3. Distribuzione Compiled-IQP (cIQP): La miscela MoIQP addestrata viene compilata esattamente in un singolo circuito IQP su $n + \lceil \log_2 L \rceil$ qubit. Ciò è ottenuto introducendo un registro ancilla preparato in una sovrapposizione uniforme di Walsh–Hadamard, che seleziona coerentemente il componente della miscela tramite porte IQP controllate. La traccia parziale (o la misurazione) del registro ancilla riproduce la distribuzione marginale MoIQP. Questa compilazione permette di distribuire il modello come un singolo circuito quantistico, evitando la necessità di un post-mixing classico di più esecuzioni del circuito.

Contributi Chiave

• Addestramento Scalabile su Dati HEP Reali: Il documento dimostra l'addestramento di una macchina di Born IQP su immagini reali di sciami di elettroni del rivelatore CLIC a $n=64$ qubit (8 celle $\times$ 8 bit/cella). Ciò rappresenta il numero di qubit più elevato a cui una macchina di Born IQP sia stata adattata a dati HEP reali.
• Compilazione Esatta: Gli autori forniscono una compilazione esatta a misurazione differita di un modello di miscela in un singolo circuito IQP, verificata come in accordo con la miscela target entro il rumore Monte Carlo ($0,591 \pm 0,012$ volte il limite di rumore).
• Kernel Consapevole delle Correlazioni: L'introduzione del kernel PSCK recupera con successo le ampiezze di correlazione che la linea di base Liu–Wang standard non riesce a catturare, riducendo significativamente l'errore di ricostruzione delle correlazioni.
• Analisi dell'Addestrabilità: Lo studio include una scansione sui numeri di qubit ($n \in \{16, 24, 32, 48, 64\}$) che mostra che né il PSCK né la linea di base Liu–Wang esibiscono un decadimento esponenziale del gradiente (plateau sterili) in questo regime; al contrario, la varianza del gradiente scala polinomialmente o rimane piatta.

Risultati

• Prestazioni: Attraverso cinque semi di addestramento indipendenti ($L=8$, 1500 epoche), il modello PSCK-MoIQP ha raggiunto un Errore Assoluto Medio sulle correlazioni di Pearson ($MAE_\rho$) di $0,069 \pm 0,008$ sulla divisione di addestramento e $0,071 \pm 0,008$ sulla divisione di test trattenuta. Questo viene confrontato con una linea di base Liu–Wang che satura a $MAE_\rho = 0,100$ e un limite di fedeltà di codifica di $0,052$ (addestramento) e $0,055$ (test).
• Generalizzazione: Il divario train-test per il modello ($0,0023 \pm 0,0006$) è inferiore al divario train-test intrinseco del limite di fedeltà di codifica ($0,0033$), indicando assenza di overfitting oltre le fluttuazioni statistiche del campione.
• Metriche Distribuzionali: Il modello recupera con precisione le distribuzioni marginali per-feature per le celle esterne del calorimetro (approssimativamente gaussiane), ma mostra un disallineamento residuo per le celle dello sciame interno con distribuzioni a code pesanti. Gli autori attribuiscono ciò al fatto che l'obiettivo di addestramento fissa solo osservabili di peso $\le 2$ (medie e covarianze a coppie), lasciando i cumulanti di ordine superiore non vincolati.
• Scalatura del Gradiente: La varianza del gradiente per porta per il PSCK scala come $n^{0,05}$ (essenzialmente piatta), mentre la linea di base Liu–Wang scala come $n^{1,87}$. Nessuna delle due mostra il decadimento esponenziale caratteristico dei plateau sterili.

Significato e Affermazioni
Il documento afferma di stabilire un flusso di lavoro "addestra-su-classico, distribuisci-su-quantistico" praticabile per compiti di imaging HEP a una scala precedentemente irraggiungibile per i modelli IQP. Il significato risiede in:

1. Dimostrazione della Fattibilità: Dimostrare che le macchine di Born IQP possono essere addestrate su dati HEP reali e ad alta dimensionalità (64 qubit) utilizzando metodi completamente classici, evitando i problemi dei plateau sterili associati ai circuiti variazionali generici.
2. Miglioramento della Ricostruzione delle Correlazioni: Mostrare che i kernel MMD standard sono insufficienti per catturare le strutture di correlazione fisica negli sciami dei calorimetri e che una correzione basata sulla Jacobiana (PSCK) è necessaria per recuperare le ampiezze di correlazione.
3. Fornitura di un Percorso di Distribuzione: Offrire un metodo concreto (cIQP) per tradurre un modello di miscela addestrato classicamente in un singolo circuito quantistico difficile da simulare, pronto per l'esecuzione su hardware quantistico.

Gli autori rimangono modesti riguardo alle limitazioni, notando che l'attuale obiettivo di addestramento non vincola i cumulanti di ordine superiore (limitando le prestazioni sulle distribuzioni a code pesanti) e che l'esecuzione effettiva su hardware su dispositivi a ioni intrappolati o superconduttori rimane un passo futuro al di fuori dell'attuale ambito. Il lavoro è presentato come un passo fondazionale verso la modellazione generativa quantistica scalabile nella fisica delle alte energie.