Intrinsic Flow Matching on Quantum Pure-State Manifolds with Phase-Aligned Transport

Sintesi Tecnica: Intrinsic Flow Matching su Manifold di Stati Puri Quantistici con Trasporto Allineato alla Fase

1. Definizione del Proble Massima

Gli ensemble di stati puri quantistici risiedono nello spazio proiettivo complesso $\mathbb{CP}^{d-1}$, dove $d=2^n$ per $n$ qubit. A differenza dei dati euclidei, gli stati puri sono definiti solo a meno di una fase globale, creando una ridondanza di gauge. Gli approcci di modellazione generativa esistenti spesso trattano questi stati come vettori in uno spazio euclideo ambiente ($\mathbb{C}^d$ o $\mathbb{R}^{2d}$). Tale approccio è geometricamente errato poiché ignora la struttura di quoziente del manifold, rischiando di apprendere un trasporto in direzioni non fisiche (moto radiale o rotazione della fase globale) che non corrispondono a una significativa evoluzione dello stato.

Sebbene i recenti modelli di diffusione intrinseca (ad esempio, Stochastic Schrödinger Diffusion Models, SSDM) affrontino la geometria del manifold, essi ereditano le complessità della meccanica della diffusione: stima locale dello score, approssimazioni del docente e simulazione stocastica nel tempo inverso. Questi processi diventano sempre più difficili da ottimizzare e simulare all'aumentare della dimensione dello spazio di Hilbert. Il paper postula che la generazione di stati puri quantistici sia meglio formulata come un problema di trasporto di probabilità intrinseco su $\mathbb{CP}^{d-1}$, allontanandosi dalla diffusione stocastica verso il flusso deterministico.

2. Metodologia: Intrinsic Flow Matching (IFM)

Gli autori propongono l'Intrinsic Flow Matching (IFM), un framework di trasporto deterministico che apprende campi di velocità tangenti direttamente sul manifold proiettivo.

• Formulazione del Trasporto Intrinseco: Invece di apprendere una funzione di score per un'equazione differenziale stocastica (SDE) a tempo inverso, l'IFM apprende un campo di velocità tangente dipendente dal tempo $v_t(\psi) \in T_\psi\mathbb{CP}^{d-1}$. L'evoluzione della densità è governata dall'equazione di continuità intrinseca:
  $$\partial_t p_t + \text{div}_{\mathbb{CP}}(p_t v_t) = 0$$
  Lo spazio tangente è identificato con il sottospazio orizzontale $H_\psi = \{ \xi \in \mathbb{C}^d : \langle \psi, \xi \rangle = 0 \}$, che rimuove le componenti radiali e di fase non fisiche.

• Percorsi Condizionati Allineati alla Fase: Una sfida centrale nel flow matching è definire i percorsi tra un campione base $\psi_0$ e un campione target $\psi_1$. Poiché $\psi_1$ è definito solo a meno di una fase, l'interpolazione richiede una convenzione di fissaggio del gauge. L'IFM utilizza la convenzione di fase di Pancharatnam [17]. Per una coppia $(\psi_0, \psi_1)$, il rappresentante target $\bar{\psi}_1$ è scelto in modo tale che la sovrapposizione $\langle \psi_0, \bar{\psi}_1 \rangle$ sia reale e non negativa. Questa scelta è dimostrata per massimizzare la sovrapposizione reale dell'endpoint e minimizzare la lunghezza della corda ambiente tra tutti i rappresentanti equivalenti per fase.

• Costruzione del Percorso e Velocità: Il percorso condizionato $\gamma_t(\psi_0, \psi_1)$ è costruito tramite interpolazione di corda normalizzata tra $\psi_0$ e il $\bar{\psi}_1$ allineato alla fase:
  $$\tilde{\psi}_t = (1-t)\psi_0 + t\bar{\psi}_1, \quad \psi_t = \frac{\tilde{\psi}_t}{\|\tilde{\psi}_t\|}$$
  La velocità target $u_t$ è la derivata temporale di questo percorso, proiettata ortogonalmente sullo spazio tangente orizzontale in $\psi_t$.

• Obiettivo di Addestramento: Il modello $v_\theta(\psi, t)$ viene addestrato minimizzando l'errore quadratico atteso tra la velocità tangente predetta e la velocità condizionata target:
  $$\mathcal{L}_{\text{IFM}}(\theta) = \mathbb{E} \left[ \| v_\theta(\psi_t, t) - u_t(\psi_t | \psi_0, \psi_1) \|_{\psi_t}^2 \right]$$
  dove la norma è indotta dalla metrica di Fubini–Study.

• Campionamento: La generazione avviene integrando deterministicamente l'equazione differenziale ordinaria (ODE) appresa sul manifold, utilizzando un passo di ritrazione (normalizzazione) per mantenere lo stato sulla sfera unitaria.

3. Contributi Teorici Chiave

Il paper fornisce una rigorosa caratterizzazione matematica dell'IFM:

• Ottimalità della Popolazione: Gli autori dimostrano che il minimizzatore della popolazione dell'obiettivo IFM recupera il campo di velocità della speranza condizionata associato alla famiglia di percorsi scelta. Questo campo è l'unico campo di trasporto marginale che guida l'evoluzione della densità.
• Equazione di Continuità: Viene mostrato che il campo appreso soddisfa l'equazione di continuità intrinseca su $\mathbb{CP}^{d-1}$, garantendo che l'evoluzione della densità sia fisicamente coerente con la conservazione della corrente di probabilità.
• Garanzie di Endpoint e Stabilità: Sotto accoppiamenti Monge deterministici e interpolazione geodetica di Fubini–Study, l'IFM recupera esattamente il campo di velocità di interpolazione di spostamento. Inoltre, è stabilito un limite di stabilità Wasserstein-2, che collega l'errore di addestramento ($L^2$) alla qualità della distribuzione generata in termini di distanza di Fubini–Study.
• Riduzione da Condizionale a Marginale: Similmente alla teoria standard del flow matching, l'obiettivo condizionato differisce dall'obiettivo di regressione marginale solo per una costante additiva, garantendo che condividano gli stessi minimizzatori.

4. Risultati Sperimentali

Gli autori valutano l'IFM rispetto al Flow Matching (FM) Euclideo e ai baseline di diffusione intrinseca (SSDM) attraverso diversi benchmark:

• Scalabilità Single-Cluster: Su distribuzioni controllate a singolo cluster, l'IFM supera costantemente il FM Euclideo, con un divario di prestazioni che si amplia significativamente a conteggi di qubit più elevati (10 e 12 qubit).
• Ensemble Multimodali e Sensibili alla Coerenza: L'IFM mostra guadagni sostanziali su benchmark multimodali dove i modi differiscono per struttura di fase proiettiva o organizzazione di prodotto coerente. Funziona bene anche su picchi di spin-coerenza e famiglie compatte ispirate alla fisica (stati fondamentali TFIM e XXZ).
• Immagini Codificate in Ampiezza: Su benchmark derivati da MNIST dove le immagini sono codificate come ampiezze quantistiche, l'IFM supera il FM Euclideo in tutti i parametri sia a 6 che a 12 qubit.
• Confronto con la Diffusione: Sebbene l'IFM migliori spesso rispetto al FM Euclideo, il paper nota che il vantaggio non è uniforme in ogni metrica o task. Tuttavia, i guadagni sono più pronunciati in contesti ad alta dimensionalità, sensibili alla coerenza e multimodali.

5. Significato e Rivendicazioni

Il paper sostiene che il successo dell'IFM non sia semplicemente il risultato del passaggio da diffusione a flow matching, ma specificamente dovuto al rispetto della geometria intrinseca dello spazio degli stati puri. Operando direttamente su $\mathbb{CP}^{d-1}$ e utilizzando il trasporto allineato alla fase, l'IFM evita la "ridondanza di gauge" che affligge i modelli euclidei ambientali.

Gli autori posizionano l'IFM come un contrappunto deterministico ai Modelli di Diffusione di Schrödinger Stocastica (SSDM). Mentre l'SSDM si basa sulla simulazione stocastica e sulla stima dello score, l'IFM utilizza il matching di velocità deterministico e l'integrazione di ODE. Il lavoro suggerisce che il trasporto geometrico sia un principio organizzativo promettente per la modellazione generativa quantistica, particolarmente per compiti ad alta dimensionalità dove i metodi di diffusione stocastica affrontano sfide di scalabilità e ottimizzazione. Il framework è presentato come una formulazione matematicamente esplicita del trasporto di probabilità sugli spazi degli stati quantistici, collegando gli obiettivi di machine learning con concetti ispirati alla fisica come le correnti di probabilità e le leggi di continuità.