Analog Quantum Asynchronous Event-Based Graph Neural Network

Sintesi Tecnica: Rete Neurale a Grafi Asincrona basata su Eventi Quantistica Analogica

Definizione del Problema
Le telecamere a eventi (sensori di visione dinamica) generano flussi di dati sparsi e asincroni caratterizzati da coordinate spaziali, timestamp e polarità. Sebbene le Reti Neurali a Grafi Asincrone basate su Eventi (AEGNN) siano emerse come un paradigma classico efficiente per l'elaborazione di questi dati, costruendo grafi spazio-temporali dinamici, la crescente risoluzione e i tassi di fotogrammi delle telecamere a eventi pongono sfide computazionali sostanziali. Le architetture classiche, progettate per dati densi e sincroni, faticano a gestire la latenza e la richiesta energetica dell'elaborazione di flussi di eventi ad alto throughput. Inoltre, sebbene il calcolo quantistico offra un potenziale di accelerazione per le computazioni basate su grafi, l'intersezione specifica tra l'apprendimento di grafi quantistici e l'elaborazione asincrona basata su eventi rimane ampiamente inesplorata.

Metodologia
Il documento propone le QA-AEGNN (Quantum Analog AEGNNs), un framework per implementare le AEGNN su processori quantistici a atomi neutri. La metodologia sfrutta le capacità native degli array di atomi di Rydberg per rispecchiare i calcoli di passaggio di messaggi (message-passing) delle AEGNN classiche attraverso la dinamica hamiltoniana continua.

1. Mappatura Evento-Atomo: I dati degli eventi in streaming vengono mappati su un array di atomi neutri intrappolati. Ogni atomo rappresenta un nodo del grafo (evento). Le posizioni fisiche degli atomi ($r_i$) sono configurate in modo che la prossimità geometrica rifletta il vicinato spazio-temporale degli eventi.

   • Embedding 3D/2D: Il framework supporta sia configurazioni atomiche 3D (mappatura diretta delle coordinate) che array 2D (utilizzando una matrice di trasformazione lineare) per adattarsi ai vincoli dell'attuale hardware sperimentale.
   • Connettività: Gli atomi che rappresentano eventi connessi sono posizionati entro il raggio di blocco di Rydberg ($R_b$), mentre gli atomi non connessi sono posizionati oltre di esso. Ciò garantisce che le interazioni naturali di van der Waals ($V_{ij} \propto 1/r^6$) avvengano solo tra i vicini del grafo, implementando efficacemente gli archi del grafo.

2. Codifica delle Caratteristiche: Le caratteristiche dei nodi (polarità dell'evento) vengono codificate utilizzando due metodi proposti:

   • Codifica dello Stato Iniziale: Gli atomi sono inizializzati nello stato fondamentale ($|0\rangle$) o eccitato ($|1\rangle$) in base alla polarità dell'evento.
   • Codifica della Detuning Locale: Gli atomi sono inizializzati nello stato fondamentale, e la detuning laser locale ($\delta_{local}$) viene modulata in base alla polarità dell'evento. Questo metodo preserva le informazioni sulle caratteristiche durante l'evoluzione quantistica.

3. Evoluzione Hamiltoniana: Il sistema evolve sotto l'Hamiltoniana di Rydberg nativa:
   $$H(t) = \sum \frac{\Omega(t)}{2}(\sigma_x) - \sum \delta_i(t) n_i + \sum V_{ij} n_i n_j$$
   La frequenza di Rabi globale ($\Omega$) e la detuning ($\delta$) guidano le transizioni, mentre il termine di interazione ($V_{ij}$) accoppia i nodi adiacenti. Questa evoluzione imita le fasi di aggregazione e combinazione di una GNN classica. La durata di questa evoluzione ($\Delta\tau_s$) funge da parametro regolabile analogo alla profondità del passaggio di messaggi.

4. Lettura e Classificazione: Dopo l'evoluzione, gli atomi vengono misurati nella base computazionale. I risultati vengono aggregati in un istogramma di atomi eccitati (vettore di caratteristiche $z_s$), che funge da input per un classificatore classico (ad es., SVM). Una regola di maggioranza attraverso finestre temporali determina la classificazione finale.

5. Schema di Addestramento: Viene impiegato un approccio di addestramento ibrido quantistico-classico. La durata dell'evoluzione quantistica ($\Delta\tau_s$) e i parametri del classificatore classico vengono ottimizzati congiuntamente tramite una ricerca a griglia su $\Delta\tau_s$ e l'ottimizzazione standard per il classificatore, minimizzando il rischio empirico sui dati di addestramento.

Contributi Chiave

1. Framework QA-AEGNN: L'introduzione di una nuova architettura che mappa le AEGNN asincrone basate su eventi su processori a atomi neutri, utilizzando la disposizione spaziale degli atomi per l'embedding del grafo e le interazioni di Rydberg per il passaggio di messaggi.
2. Addestramento Ibrido: Uno schema di addestramento variazionale leggero dove la durata dell'evoluzione quantistica è ottimizzata insieme al classificatore classico, trattando il processore quantistico come un reservoir guidato dai dati.
3. Validazione Sperimentale: Simulazioni numeriche che confrontano la QA-AEGNN rispetto alla AEGNN classica su compiti di classificazione di grafi sintetici e sul dataset neuromorfico N-MNIST.

Risultati
Il documento presenta i risultati delle simulazioni utilizzando emulatori state-vector e matrix product state:

• Performance: La QA-AEGNN raggiunge costantemente un'accuratezza di test superiore rispetto alla AEGNN classica in varie configurazioni, inclusi i dati con sole coordinate o con polarità aumentata. In alcuni scenari (ad es., dati con polarità aumentata con $w=0.1$), la QA-AEGNN raggiunge un'accuratezza di test perfetta (1.0), mentre la baseline classica si stabilizza (plateau).
• Confronto di Codifica: Il metodo di codifica della detuning locale generalmente supera la codifica dello stato iniziale, specialmente in compiti di classificazione più impegnativi ($w=0.2$), suggerendo che la preservazione delle informazioni sulle caratteristiche durante l'evoluzione migliori la generalizzazione.
• Robustezza al Rumore: Il modello dimostra resilienza al rumore. Anche con errori di preparazione dello stato e misurazione (SPAM) e decoerenza quantistica (rilassamento $T_1$ e dephasing $T_2$), la QA-AEGNN mantiene una performance superiore rispetto alla AEGNN classica. L'addestramento consapevole del rumore (noise-aware training) stabilizza ulteriormente le prestazioni.
• Scalabilità: Il framework supporta l'inferenza in tempo reale per tassi di eventi fino a ~128 eventi/s su una piattaforma di 256 atomi, con potenzialità di crescita all'aumentare dell'hardware.

Significatività e Rivendicazioni
Gli autori affermano che la QA-AEGNN colma il divario tra l'apprendimento di grafi quantistici e l'elaborazione di eventi neuromorfici. La significatività di questo lavoro risiede nel dimostrare che i processori quantistici a atomi neutri possono eseguire nativamente computazioni su grafi basate su eventi sfruttando la loro dinamica hamiltoniana continua e il massiccio parallelismo.

Il documento suggerisce che l'approccio quantistico offra vantaggi che vanno oltre il semplice aumento della velocità computazionale. Specificamente, l'evoluzione quantistica sembra "miscelare meglio le informazioni tra i nodi", estraendo potenzialmente caratteristiche più informative dai dati strutturati a grafo attraverso effetti di interferenza e entanglement quantistico, superando così i limiti intrinseci degli algoritmi di passaggio di messaggi classici. Il lavoro stabilisce una base per la futura esplorazione dei vantaggi quantistici nell'elaborazione di flussi di dati ad alto throughput e asincroni.