QCNN with Rough Path Signature Kernels

Sintesi Tecnica: QCNN con Kernel di Signature di Rough Path

Definizione del Problema
L'analisi delle serie temporali affronta una sfida fondamentale: l'invarianza dei dati sequenziali rispetto alla riparametrizzazione temporale. I modelli standard di machine learning, che si basano su una parametrizzazione temporale esplicita, faticano a estrarre caratteristiche significative quando i dati subiscono arbitrarie accelerazioni, decelerazioni o deformazioni non lineari. La Teoria dei Rough Path offre una soluzione attraverso la trasformata "signature" — un vettore di caratteristiche a dimensione infinita di integrali iterati che è intrinsecamente invariante rispetto alla riparametrizzazione temporale — tuttavia, il calcolo di tali caratteristiche è computazionalmente proibitivo. Il numero di termini cresce esponenzialmente con la dimensione del percorso e l'ordine di troncamento. Sebbene i kernel di signature (prodotti scalari tra signature) offrano un modo per bypassare il calcolo esplicito delle caratteristiche risolvendo un problema di equazioni differenziali alle derivate parziali (PDE) iperboliche del secondo ordine, i sistemi lineari risultanti per i kernel discretizzati rimangono grandi e sparsi, creando un collo di bottiglia per le applicazioni su larga scala.

Metodologia
Gli autori propongono un'architettura ibrida quantistico-classica progettata per affrontare la classificazione di serie temporali integrando le Signature di Rough Path con le Reti Neurali Convoluzionali Quantistiche (QCNN). La pipeline consiste in due fasi primarie:

1. Calcolo del Kernel di Signature (Strato di Caratteristiche):
   L'innovazione principale è il calcolo del kernel di signature tra un percorso di riferimento e un percorso target. Il kernel è definito come la soluzione di un problema di Goursat (una specifica PDE). Gli autori esplorano due metodi per risolvere il sistema lineare discretizzato ($Ax=b$) derivato dallo schema a differenze finite di questa PDE:

   • Variational Quantum Linear Solver (VQLS): Un approccio quantistico in cui la soluzione è codificata in uno stato quantistico parametrizzato. La matrice $A$ viene decomposta in una combinazione lineare di unitarie e un ansatz hardware-efficient (strati alternati di rotazioni $Y$ a singolo qubit e gate CNOT) viene ottimizzato utilizzando una funzione di costo locale per minimizzare la sovrapposizione con lo stato target.
   • Solver Classici: Come baseline e alternativa pratica, gli autori utilizzano solver numerici classici (specificamente la libreria sigkernel) per valutare il kernel.

2. Classificazione Quantistica (Strato QCNN):
   Le caratteristiche del kernel calcolate vengono fornite a una QCNN. Gli autori investigano tre configurazioni architettoniche specifiche per il compito di classificazione binaria (distinguere le cifre scritte a mano 0 vs 1):

   • Standard: Dati pixel grezzi codificati in un registro a 8 qubit.
   • Sostituzione Pura del Kernel: La matrice del kernel di signature completa (appiattita) sostituisce i dati dell'immagine come input per una QCNN a 8 qubit.
   • Fusione di Qubit Ausiliari: Un approccio multimodale in cui i dati dell'immagine originale sono codificati in 8 qubit, mentre un singolo valore scalare (l'elemento in basso a destra della matrice del kernel, che rappresenta l'interazione completa del percorso) è codificato su un 9° qubit ausiliario tramite una rotazione $R_Y$ parametrizzata.

Contributi Chiave e Setup Sperimentale
Il documento valuta queste architetture su un compito di classificazione binaria utilizzando il dataset MNIST, nello specifico il sottoinsieme delle cifre 0 e 1 convertite in sequenze di tratti ordinati nel tempo. Gli esperimenti sono stati condotti su simulatori di stato vettoriale privi di rumore utilizzando Qiskit per i circuiti quantistici e PennyLane per l'ottimizzazione della QCNN.

• Analisi della Scalabilità VQLS: Gli autori hanno testato rigorosamente la componente VQLS. Hanno riscontrato che, sebbene il VQLS converga per percorsi altamente compressi (3–4 passi temporali), esso fallisce nel scalare verso dimensioni di campionamento realistiche (ad esempio, 5–6 passi temporali). La dimensione del sistema scala come $O(T^2)$ e il numero di condizionamento della matrice $\kappa$ si gonfia rapidamente, causando la degradazione del paesaggio di ottimizzazione e portando a una riduzione della fedeltà della sovrapposizione. Di conseguenza, gli autori hanno concluso che il VQLS è attualmente impraticabile per loop di addestramento multi-campione senza una severa compressione con perdita.
• Confronto delle Architetture: A causa delle limitazioni del VQLS, i successivi benchmark delle prestazioni hanno utilizzato la valutazione del kernel classica. Lo studio ha confrontato il modello "Standard" (solo immagine) contro i modelli "SigKernel" (kernel puro) e "SigKernel aux qubit" (fusione) attraverso vari ansatz convoluzionali (UTTN, circuiti euristici U5–U15 e gruppi teorici USO(4)/USU(4)).

Risultati

• Limitazioni VQLS: L'approccio VQLS è attualmente limitato a sequenze pesantemente compresse a causa dei requisiti del numero di qubit (minimo 10 qubit completamente connessi per piccoli dataset) e della rapida inflazione del numero di condizionamento, che intrappola gli ottimizzatori in minimi locali.
• Prestazioni di Classificazione: L'inclusione delle caratteristiche del kernel di signature ha fornito miglioramenti distinti delle prestazioni per specifiche architetture QCNN. In particolare, l'Architettura di Fusione del Qubit Ausiliario ha superato costantemente il modello di sostituzione pura del kernel nella maggior parte degli ansatz testati. Ciò suggerisce che preservare la struttura spaziale originale dell'immagine incorporando le signature dei percorsi come una caratteristica quantistica ausiliaria e ortogonale sia una strategia più efficace rispetto alla sostituzione totale dei dati spaziali con matrici di kernel.
• Vincoli dei Dati: Gli esperimenti hanno richiesto il sottocampionamento dei percorsi di input a 16 punti (15 intervalli temporali) per adattarsi ai vincoli del registro a 8 qubit. Gli autori riconoscono che ciò introduce un compromesso, potenzialmente scartando sfumature geometriche fini necessarie per una classificazione robusta.

Significatività e Rivendicazioni
Il documento posiziona questo lavoro come una prova di concetto per l'analisi delle serie temporali potenziata dal calcolo quantistico. Gli autori affermano che il loro framework dimostra con successo il potenziale vantaggio nell'implementare strati di kernel di signature all'interno di circuiti quantistici, mostrando specificamente come le architetture ibride possano sfruttare l'invarianza alla riparametrizzazione temporale delle signature per migliorare l'accuratezza della classificazione.

Tuttavia, gli autori mantengono un tono modesto riguardo allo stato attuale della tecnologia. Essi dichiarano esplicitamente che i limiti computazionali della componente VQLS sui dispositivi NISQ (Near-Term Intermediate-Scale Quantum) impediscono attualmente l'accelerazione quantistica end-to-end per i kernel di signature. La significatività del lavoro risiede nell'aver stabilito un ponte matematico e architettonico tra la teoria dei rough path e le QCNN, evidenziando come, sebbene l'accelerazione quantistica completa non sia ancora fattibile, i vincoli strutturali forniti dai kernel di signature possano migliorare significativamente i classificatori quantistici quando integrati tramite workflow ibridi classico-quantistici. Gli autori identificano come direzioni future il miglioramento della trainabilità del VQLS (ad esempio, tramite ansatz basati su QAOA) e l'estensione di questi metodi alla classificazione multi-classe e a hardware reale rumoroso.