A Coherence Law for Trainability in Noisy Equivariant Quantum Neural Networks

Sintesi Tecnica: Una Legge di Coerenza per la Trainabilità in Reti Neurali Quantistiche Equivarianti Rumorose

Problematica
La trainabilità degli Algoritmi Quantistici Variazionali (VQA) è minacciata da due meccanismi distinti: il fenomeno dei plateau barren (barren plateaus), in cui i gradienti svaniscono esponenzialmente a causa dell'espressività del circuito, e la degradazione indotta dal rumore. Sebbene la simmetria (specificamente l'equivarianza) sia stata stabilita come uno strumento strutturale per mitigare i plateau barren restringendo l'algebra di Lie dinamica, essa non protegge intrinsecamente dal rumore. Esiste una lacuna critica nella comprensione di quale quantità fisica determini se i gradienti di un circuito equivariante sopravvivano alla decoerenza. I classici diagnostici dei canali (ad es. infedeltà media delle porte, perdita di unitarietà) spesso falliscono nel predire la trainabilità perché mediano su gradi di libertà che non partecipano alla specifica risposta del gradiente. Il documento affronta la domanda: Quale quantità fisica governa la sopravvivenza dei gradienti nelle reti neurali quantistiche (QNN) equivarianti rumorose?

Metodologia
Gli autori investigano circuiti a mattoni (brickwork) $U(1)$-equivarianti che operano su un grafo a ciclo con condizioni al contorno periodiche. Il sistema conserva una carica totale $\hat{N}$, e lo stato di input è fissato all'interno di un singolo settore di carica (specificamente il settore a singola eccitazione, $r=1$).

• Modello: Il circuito consiste in rotazioni $R_z$ a singolo qubit addestrabili e gate di hopping $XY$ a vicini fissi. L'output è un readout locale proiettato sul settore $O_B = P_r Z_0 P_r$.
• Metrica di Trainabilità: La trainabilità è quantificata dal secondo momento del gradiente di predizione, $M_2(\theta_i; \gamma)$, valutato su un prior di parametri a piccola scatola (small-box). La degradazione è misurata come $D_M(\gamma) = \log[M_2(\theta_i; 0) / M_2(\theta_i; \gamma)]$.
• Framework Teorico:
  1. Riduzione del Cono di Luce: Gli autori dimostrano che i gradienti attivi sono supportati strettamente all'interno del cono di luce retrogrado del readout, ristretto al settore di carica attivo. Stabiliscono un limite inferiore per il secondo momento del gradiente privo di rumore che è indipendente dal numero totale di qubit $n$, a condizione che l'input mantenga un peso finito all'interno del cono di luce.
  2. Analisi della Coerenza: Si dimostra che l'ampiezza del gradiente risiede negli elementi fuori diagonale (coerenza) del settore di carica attivo. Gli autori definiscono il tasso di coerenza allineata visibile al readout ($\lambda_{vis}$) come un rapporto di Rayleigh del generatore di rumore lungo la specifica modalità che trasporta il gradiente. Questo viene confrontato con il tasso di coerenza nel caso peggiore ($\lambda_{coh}$), che massimizza su tutte le direzioni fuori diagonale.
  3. Legge Perturbativa: Un'analisi di sistema aperto al primo ordine deriva una legge di addestramento in cui la degradazione di primo ordine è proporzionale alla contrazione allineata accumulata.
• Protocollo Numerico: Le simulazioni evolvono matrici di densità complete per sistemi fino a $n=10$ e profondità $L \in \{3, \dots, 6\}$. Lo studio impiega canali isotropi ristretti (smorzamento dell'ampiezza, dephasing, depolarizzazione) contro canali strutturati e anisotropi (incluso un controllo di dephasing correlato).

Contributi Chiave

1. Teorema della Riduzione del Cono di Luce: Il documento prova che per i circuiti a mattoni $U(1)$-equivarianti, il supporto dei gradienti attivi è confinato nel cono di luce retrogrado del readout all'interno del settore di carica. Crucialmente, l'ampiezza del gradiente privo di rumore ha un limite inferiore indipendente dalla dimensione totale del sistema, a condizione che l'eccitazione di input non si delocalizzi completamente al di fuori del cono.
2. Tasso di Coerenza Allineata Visibile al Readout: Gli autori identificano che la trainabilità è governata non dalle proprietà globali del canale o dalle popolazioni di settore, ma dal tasso di contrazione della specifica modalità fuori diagonale che trasporta il gradiente. Definiscono $\lambda_{vis}$ come la quantità fondamentale, mostrando che è limitata dal tasso nel caso peggiore $\lambda_{coh}$ ($\lambda_{vis} \leq \lambda_{coh}$).
3. Legge di Addestramento Empirica: Attraverso simulazioni di matrice di densità, gli autori derivano una legge di scala empirica per la degradazione a rumore finito: $D_M \propto (\gamma L)^{1.002} \lambda_{coh}^{0.964}$ (con $R^2 \approx 0.979$) per rumore isotropo ristretto.
4. Superiorità Diagnostica: Lo studio dimostra che il tasso di coerenza di settore supera significativamente i classici diagnostici del canale (ad es. infedeltà media, perdita di purezza) nel predire la degradazione del gradiente, poiché è accoppiato alla specifica sottospazio di operatore della risposta.

Risultati

• Localizzazione: Le mappe numeriche confermano che i gradienti svaniscono al di fuori del cono di luce retrogrado analitico, con un rapporto attivo-inattivo superiore a $10^{27}$.
• Validità Perturbativa: Nel regime di rumore ridotto, la degradazione del gradiente è lineare nel prodotto tra profondità di rumore e tasso di coerenza, validando la derivazione perturbativa.
• Scaling del Rumore Finito: La degradazione segue una legge di potenza dipendente dalla profondità di rumore accumulata ($\gamma L$) e dal tasso di coerenza. Il tasso di coerenza spiega circa il 94% della varianza nella degradazione che la sola profondità di rumore non può risolvere.
• Il Controllo di Zero-Allineamento: Un test decisivo utilizzando un canale di dephasing correlato ha rivelato un canale con un alto tasso nel caso peggiore ($\lambda_{coh} = 4.5$) ma un tasso allineato quasi nullo ($\lambda_{vis} \approx 0$). Come previsto dalla teoria, questo canale non ha prodotto alcuna perdita misurabile del gradiente ($|D_M| < 3 \times 10^{-14}$), provando che il tasso nel caso peggiore è insufficiente per predire la trainabilità in presenza di rumore strutturato.
• Indipendenza dalla Dimensione: La legge di degradazione rimane invariante rispetto al numero totale di qubit $n$ (testato fino a $n=10$) e alle condizioni al contorno (ciclo vs catena aperta), confermando il limite inferiore teorico.

Significato e Rivendicazioni
Il documento sostiene di aver stabilito una "legge di coerenza" che collega l'architettura equivariante, la dinamica di sistema aperto e la trainabilità rumorosa. Il risultato centrale è che la coerenza di settore visibile al readout è la quantità operativa che determina la sopravvivenza del gradiente.

• Meccanismo: La causalità fissa dove vive il gradiente (il cono di luce), mentre la coerenza determina quanto velocemente esso decade (il tasso di contrazione allineata).
• Implicazione per i Benchmark: Riportare la covarianza di simmetria o la fuga di settore (sector leakage) è insufficiente. Un benchmark utile deve riportare la sopravvivenza della coerenza di settore all'interno del cono di luce del readout.
• Implicazione per il Design: Il design dell'ansatz consapevole dell'hardware dovrebbe dare priorità al posizionamento della coerenza che trasporta il gradiente in direzioni che si contraggono lentamente sotto il modello di rumore specifico, piuttosto che fare affidamento esclusivamente sulla preservazione della simmetria.
• Limitazioni: La pulita legge scalare è esplicitamente limitata al settore a singola eccitazione e al rumore isotropo ristretto. Per settori più elevati o rumore strutturato, il tasso allineato (che richiede il calcolo del rapporto di Rayleigh) è necessario, poiché lo scalare nel caso peggiore fallisce. Lo studio è limitato a simulazioni numeriche e non riporta una validazione sperimentale sull'hardware.

Il documento conclude che la sopravvivenza dei gradienti addestrabili nelle QNN equivarianti rumorose è una funzione dell'allineamento tra il generatore di rumore e la modalità che trasporta il gradiente, piuttosto che della forza globale del canale di rumore.