SQGen: Structured Quantum Image Generation with Latent-Modulated Quantized Tensor Trains

Riepilogo Tecnico di SQGen: Generazione di Immagini Quantistiche Strutturate con Tensor Train Quantizzati con Modulazione Latente

Problema

La generazione di immagini direttamente da sistemi quantistici su hardware Noisy Intermediate-Scale Quantum (NISQ) rimane una sfida irrisolta. I modelli generativi quantistici esistenti affrontano tre ostacoli principali e accoppiati:

1. Addestrabilità: I circuiti parametrizzati profondi soffrono spesso di "plateau sterili" (barren plateaus), dove la varianza del gradiente svanisce esponenzialmente con il numero di qubit e la profondità del circuito, bloccando l'ottimizzazione.
2. Complessità del Circuito: I metodi che si affidano alla codifica di ampiezza (amplitude encoding) comportano costi elevati di preparazione dello stato, e i circuiti profondi richiesti per preparare tali stati erodono l'informazione quantistica a causa del rumore dell'hardware.
3. Vantaggio Quantistico End-to-End: Produrre output su scala di immagine richiede tipicamente un decoder classico per interpretare gli stati quantistici. Questo approccio ibrido interrompe il vero vantaggio quantistico end-to-end, poiché la maggior parte della capacità di modellazione risiede nella componente classica.

Gli attuali approcci ibridi (ad esempio, componenti quantistici superficiali con decoder classici) non riescono a fornire un vero vantaggio quantistico per target ad alta dimensionalità, mentre gli approcci puramente quantistici faticano a causa dei vincoli di rumore e profondità dei dispositivi NISQ.

Metodologia

Gli autori propongono SQGen, un generatore quantistico completo progettato per operare end-to-end senza un decoder classico durante l'inferenza. L'architettura è costruita su uno scheletro di Quantized Tensor Train (QTT) con Modulazione Latente (LM), addestrato interamente su hardware classico e distribuito come un circuito a porte native.

1. Scheletro di Legame QTT (Implementazione Fisica):

• Struttura: Il modello utilizza una decomposizione QTT della distribuzione dei pixel target. A differenza delle reti tensoriali classiche, SQGen promuove gli indici di legame QTT a qubit di legame ancilla fisici.
• Meccanismo: Per un'immagine di dimensione $2^{n_s} \times 2^{n_s}$, le coordinate di riga e colonna sono mappate su bit binari attraverso $n_s$ scale. Ogni scala è codificata da due qubit fisici. La dimensione di legame $\chi$ è mappata su $n_b = \log_2 \chi$ qubit ancilla.
• Operazione: Ogni sito del circuito applica un'unitarietà locale sul registro di legame (ancille) e sui due qubit fisici che rappresentano una specifica scala dell'immagine. L'output è la distribuzione di Born marginale del legame, ottenuta misurando tutti i qubit e scartando i bit ancilla. Questa struttura permette al circuito di apprendere efficacemente le correlazioni multi-scala con un numero limitato di qubit.

2. Modulazione Latente (LM):

• Fattorizzazione a livello di angolo: Per condizionare la generazione sulla variabile latente $z$, SQGen perfeziona la tecnica di re-uploading dei dati. Inve Instead di posizionare le rotazioni di re-uploading accanto alle rotazioni addestrabili, fattorizza l'angolo di rotazione in una via principale addestrabile più un termine latente additivo.
• Base Matematica: Ciò si basa sulla proprietà abeliana delle rotazioni attorno a un asse comune. Una rotazione $R_a(\theta) R_a(\omega \cdot z + \beta)$ è esattamente equivalente a una singola rotazione $R_a(\theta + \beta + \omega \cdot z)$.
• Beneficio: Questa decomposizione esatta permette alla latente $z$ di modulare direttamente gli angoli di rotazione. In fase di deployment, queste rotazioni possono essere fuse in singole porte native, riducendo la profondità del circuito.

3. Pipeline di Addestramento Classico, Deployment Quantistico:

• Addestramento: Il modello viene addestrato interamente su un sistema classico utilizzando un'implementazione differenziabile di QTT.
  • Prior Latente: La variabile latente $z$ viene campionata da un prior a toro ($\mathbb{T}^d$) utilizzando una sequenza quasi-Monte Carlo di Sobol rimescolata, che corrisponde alla periodicità di $2\pi$ degli angoli di rotazione.
  • Encoder: Un piccolo encoder basato su CNN mappa le immagini nello spazio latente toroidale durante l'addestramento.
  • Obiettivo: L'addestramento minimizza una perdita di ricostruzione (divergenza KL e distanza L1) tra la distribuzione dei pixel target e la distribuzione di Born del circuito a $z = E_\phi(x)$.
  • Ottimizzazione: I gradienti esatti vengono propagati all'indietro attraverso le contrazioni tensoriali, evitando i problemi di shot-noise e i plateau sterili associati all'addestramento quantistico variazionale.
• Deployment: Dopo l'addestramento, l'encoder viene scartato. I parametri appresi vengono esportati uno-a-uno in un circuito a porte native (usando le porte $\{R_y, R_z, \text{CNOT}\}$). L'inferenza consiste nel campionare $z$ direttamente dal prior toroidale, eseguire il circuito e misurare nella base computazionale.

Contributi Chiave

1. Architettura SQGen: Un generatore di immagini quantistiche strutturato che combina uno scheletro di legame QTT (che apprende efficientemente le caratteristiche multi-scala usando qubit ancilla) e la Modulazione Latente (che fornisce un condizionamento esatto a livello di angolo per migliorare la diversità dei campioni).
2. Pipeline di Addestramento Classico: Un framework di addestramento completamente classico che ottimizza un modello QTT differenziabile sotto un prior toroidale. Questo evita i plateau sterili e l'overhead di campionamento, consentendo l'esportazione dei parametri a un circuito a porte native senza un decoder classico nel percorso di inferenza.
3. Validazione Empirica: Esperimenti estesi che dimostrano come SQGen si addestra stabilmente, raggiunga bassi errori di ricostruzione (KL e L1) su MNIST e Fashion-MNIST, mantenga la diversità dei campioni e mostri una promettente fattibilità su hardware quantistico reale rispetto ai baseline di codifica di ampiezza.

Risultati Sperimentali

• Performance su MNIST: SQGen ha ottenuto i più bassi errori KL e L1 per campione tra tutte le dieci classi di cifre, mantenendo una diversità di campionamento non nulla. Ha superato le ablazioni (Vanilla Born Machine, BM+LM, BM+QTT) e i baseline banali.
  • Risultati delle Ablazioni: Lo scheletro di legame QTT da solo produceva un prototipo statico a diversità zero. La modulazione latente da sola produceva campioni rumorosi con scarsa fedeltà. Solo la loro combinazione (SQGen) ha prodotto una struttura di classe nitida con variazione condizionata dal latente.
• Target Sintetici: Su compiti controllati (strisce multi-scala e blob gaussiani in movimento), SQGen è riuscito a riprodurre pattern spaziali complessi e ha dimostrato una variazione coerente con input latenti continui.
• Scalabilità del Rank di Legame: L'aumento del rank di legame $\chi$ ha migliorato la qualità della ricostruzione fino a un certo punto (saturazione a $\chi=8$), ma rank più elevati hanno aumentato la complessità del circuito e la sensibilità al rumore.
• Robustezza al Rumore: Nelle simulazioni di rumore depolarizzante, SQGen ha mostrato un compromesso tra capacità rappresentativa ( $\chi$ più alto) e resilienza al rumore ( $\chi$ più basso).
• Hardware Reale: Implementato sul dispositivo ibm_kawakami, SQGen ha generato immagini molto simili al target, mentre un baseline di codifica di ampiezza ha subito un grave degrado e ha perso l'integrità strutturale.

Significato e Rivendicazioni

Il paper sostiene che SQGen affronti le barriere fondamentali della generazione di immagini quantistiche su hardware NISQ tramite:

• Eliminazione del Decoder Classico: Raggiungimento di una vera generazione quantistica end-to-end dove la distribuzione di output viene letta direttamente dalle misurazioni quantistiche.
• Garanzia di Addestrabilità: L'addestramento classico su una rete tensoriale differenziabile permette di bypassare il problema dei plateau sterili intrinseco nei circuiti quantistici variazionali profondi.
• Compatibilità Hardware: L'uso di un circuito a porte native superficiale con una topologia QTT strutturata rende il modello fattibile per gli attuali dispositivi quantistici, come dimostrato dalla performance superiore su hardware reale rispetto ai baseline pesanti nella preparazione dello stato.

Gli autori posizionano SQGen non come una soluzione universale per tutti i compiti generativi quantistici, ma come un avanzamento architettonico specifico che abilita la generazione strutturata su scala di immagine con un chiaro percorso di deployment su dispositivi NISK.