Scaling Adaptive Non-Local Observable Quantum Super-Resolution via Matrix Product States

Sintesi Tecnica: Scalabilità della Super-Risoluzione Quantistica Adattiva con Osservabili Non Locali tramite Stati a Matrice di Prodotto

Definizione del Problema
La super-risoluzione delle immagini (SR) mira a ricostruire immagini ad alta risoluzione a partire da input a bassa risoluzione. Mentre il deep learning classico domina questo campo, i Circuiti Quantistici Variazionali (VQC) sono emersi come un framework alternativo. Un'architettura specifica, gli ANO-VQC (VQC con Osservabili Non Locali Adattivi), migliora i VQC standard trattando gli operatori di misura ermitiani come componenti addestrabili piuttosto che come osservabili di Pauli fisse. Ciò consente combinazioni dipendenti dal task di correlazioni multi-qubit.

Tuttavia, simulare gli ANO-VQC per la SR delle immagini affronta un grave collo di bottiglia della scalabilità. Utilizzando una codifica di un pixel per un qubit, un immagine di input di dimensione $p \times p$ richiede $n = p^2$ qubit. La simulazione convenzionale dello stato vettoriale (statevector) richiede la memorizzazione di $2^n$ ampiezze complesse, il che diventa intrattabile anche per dimensioni di input modeste (ad esempio, si verificano colli di bottiglia della memoria per input $6 \times 6$ o 36 qubit). Anche l'esatta contrazione di reti tensoriali (Exact TN) offre un'alternativa, ma diventa computazionalmente impraticabile oltre determinate dimensioni di input (ad esempio, $12 \times 12$ o 144 qubit). È necessario un backend di simulazione scalabile che possa gestire un numero maggiore di qubit mantenendo l'accuratezza per l'addestramento di algoritmi quantistici variazionali.

Metodologia
Gli autori propongono un framework di simulazione Matrix Product State (MPS) su misura per la SR delle immagini con ANO-VQC. Il flusso di lavoro consiste in quattro fasi principali:

1. Codifica e Progettazione del Circuito:

   • Le immagini a bassa risoluzione (ad esempio, $7 \times 7$) sono mappate sui qubit tramite una codifica di un pixel per un qubit. I valori dei pixel $x_i \in [0, 1]$ sono convertiti in angoli di rotazione $\phi_i = 2\pi x_i - \pi$.
   • Il circuito di codifica applica porte di Hadamard, seguite da rotazioni $RY(\phi_i)$ dipendenti dal pixel e porte CNOT vicine disposte a scacchiera.
   • La profondità del circuito $L$ è definita dal numero di strati di codifica-entanglement ripetuti. Notevolmente, le porte di codifica sono dipendenti dall'input ma non sono indipendentemente addestrabili; i parametri addestrabili risiedono negli osservabili e nello strato di ricostruzione classico.

2. Estrazione delle Caratteristiche tramite Osservabili Adattivi:

   • Invece di misurazioni di Pauli fisse, il framework utilizza osservabili ermitiani addestrabili $H_q$ che agiscono su coppie di qubit (specificamente vicini locali dell'immagine: orizzontali, verticali e diagonali).
   • Per sfruttare efficientemente il backend MPS, ogni osservabile adattivo è espanso nella base di Pauli: $H_q = \sum_\alpha c_{q,\alpha} P_\alpha$.
   • Il valore di aspettazione $\langle H_q \rangle$ viene calcolato come una combinazione lineare di valori di aspettazione di Pauli fissi $\langle P_\alpha \rangle$. Poiché il circuito di codifica dipende solo dall'immagine di input, questi valori di aspettazione di Pauli vengono calcolati una sola volta e memorizzati nella cache. I parametri addestrabili ($A_q, B_q, D_q$) aggiornano solo i coefficienti $c_{q,\alpha}$, separando l'estrazione costosa delle caratteristiche quantistiche dall'ottimizzazione dell'osservabile e degli strati di ricostruzione.

3. Simulazione MPS:

   • Lo stato quantistico $|\psi\rangle$ è rappresentato come una catena di tensori locali connessi da legami virtuali con dimensione $\chi$.
   • L'archiviazione scala approssimativamente come $O(n\chi^2)$ invece di $O(2^n)$.
   • Le porte a singolo qubit aggiornano i tensori locali, mentre le porte a due qubit aggiornano i tensori adiacenti seguiti dalla troncatura della dimensione del legame.

4. Ricostruzione e Addestramento:

   • Il vettore delle caratteristiche quantistiche estratte viene passato a uno strato lineare classico per ricostruire l'immagine ad alta risoluzione.
   • L'addestramento minimizza una funzione di perdita pesata che combina l'Errore Quadratico Medio (MSE) e la Learned Perceptual Image Patch Similarity (LPIPS).
   • Gli esperimenti sono stati condotti su una singola GPU NVIDIA RTX 4070 utilizzando il dataset Fashion-MNIST ($7 \times 7$ input $\to$ $28 \times 28$ output).

Contributi Chiave e Risultati

• Benchmark di Scalabilità:

  • Lo studio confronta la simulazione statevector, la contrazione Exact TN e la simulazione MPS.
  • Statevector: Raggiunge un collo di bottiglia della memoria con input $6 \times 6$ (36 qubit).
  • Exact TN: Diventa computazionalmente impraticabile oltre input $12 \times 12$ (144 qubit).
  • MPS: Completa con successo l'estrazione delle caratteristiche forward per input fino a $16 \times 16$ pixel (256 qubit) con una dimensione del legame fissa $\chi=8$. Nell'intervallo sovrapposto, l'MPS è più veloce di Exact TN e supera la simulazione statevector per input superiori a $4 \times 4$.

• Trade-off Accuratezza-Costo (Sweep della Dimensione del Legame):

  • Per un input fisso di $7 \times 7$ (49 qubit), gli autori hanno analizzato la dimensione del legame $\chi$ da 2 a 2048 attraverso profondità di circuito $L=1$ a $L=4$.
  • La $\chi$ richiesta per raggiungere il regime "quasi-esatto" (dove l'errore MPS si avvicina alla precisione di macchina rispetto a Exact TN) aumenta con la profondità del circuito:
    • $L=1$: $\chi=2$
    • $L=2$: $\chi=4$
    • $L=3$: $\chi=8$
    • $L=4$: $\chi=16$
  • Con $\chi=16$, l'Errore Assoluto Medio (MAE) per $L=4$ scende a $\approx 10^{-15}$, eguagliando efficacementamente i risultati di Exact TN senza il costo esponenziale.

• Performance di Super-Risoluzione:

  • Utilizzando $\chi=16$ (garantendo una simulazione quasi-esatta per tutte le profondità testate), gli autori hanno addestrato modelli per la SR di Fashion-MNIST $7 \times 7 \to 28 \times 28$.
  • Risultato Controintuitivo: Il circuito più superficiale ($L=1$) ha ottenuto le migliori prestazioni in tutte le metriche (Loss, LPIPS, PSNR, SSIM).
    • $L=1$: Loss 0.4864, PSNR 20.87 dB, SSIM 0.4248.
    • $L=4$: Loss 0.6984, PSNR 18.80 dB, SSIM 0.2922.
  • L'aumento della profondità del circuito non ha migliorato la qualità della ricostruzione sotto questa impostazione MPS quasi-esatta fissa; al contrario, i circuiti più profondi hanno degradato le prestazioni e aumentato i tempi di addestramento.

Significatività e Rivendicazioni
Il documento posiziona l'MPS come un backend di simulazione scalabile e controllabile per la SR delle immagini con ANO-VQC. La sua importifica primaria risiede nell'estendere l'intervallo pratico di simulazione degli algoritmi quantistici oltre i limiti della simulazione statevector e dei metodi di rete tensoriale esatti, consentendo lo studio di sistemi fino a 256 qubit su una singola GPU.

Gli autori affermano con modestia che i loro risultati evidenziano l'importanza di selezionare congiuntamente la profondità del circuito con il design degli osservabili e gli strati di ricostruzione, notando che circuiti più profondi non producono necessariamente una migliore qualità di SR. Concludono che l'MPS serve come uno strumento pratico per studiare grandi circuiti quantistici variazionali, con lavori futi pianificati per incorporare la parallelizzazione e i calcoli di rete tensoriale distribuiti per estendere ulteriormente la scala di simulazione.