Sintesi Tecnica: Superare il Blocco di Fourier nei Classificatori di Re-uploading di Dati Quantistici tramite Omotopia Spettrale

1. Definizione del Problema

I circuiti quantistici parametrizzati con re-uploading di dati (DRU-PQC) sono teoricamente approssimatori universali di funzioni capaci di modellare confini decisionali complessi e non lineari, imitando le reti neurali profonde attraverso l'iniezione sequenziale di dati. Tuttavia, la loro elevata espressività crea paesaggi di perdita altamente oscillatori e non convessi che resistono all'ottimizzazione basata sul gradiente.

Mentre la letteratura recente attribuisce i fallimenti dell'addestramento in queste architetture ai "barren plateaus" (dove i gradienti svaniscono a causa di un'espressività caotica) o a una capacità insufficiente, questo articolo sostiene che il principale collo di bottiglia sia un modo di fallimento strutturale distinto, denominato Blocco di Fourier (FL). Nei DRU-PQC, i pesi di codifica (che selezionano le frequenze di input) e gli strati di entanglement (che instradano l'informazione quantistica) sono accoppiati in modo non lineare. Quando inizializzati casualmente su target ad alta frequenza, l'ottimizzatore spesso fa collassare i parametri di codifica in minimi locali isolati e spurii. Una volta "bloccati", i pesi di codifica selezionano uno spettro di frequenza disallineato con il confine decisionale target. Di conseguenza, gli strati di entanglement non possono instradare un segnale che, di fatto, non esiste, causando il fallimento del modello nonostante esso mantenga la piena sensibilità geometrica rispetto ai suoi parametri.

2. Metodologia e Quadro Teorico

Metriche Diagnostiche

Gli autori propongono che le magnitudo dei gradienti standard e la matrice dell'Informazione di Fisher Quantistica (QFIM) nello spazio dei parametri siano insufficienti per diagnosticare il FL. Utilizzano invece due specifiche diagnostiche di Fisher:

1. Informazione di Fisher Quantistica nello spazio di input ($F_x$): Misura il contenuto di frequenza effettivo dello stato codificato (la suscettibilità di Fubini–Study rispetto ai dati di input). In un circuito bloccato, $F_x$ rimane congelato a un valore disallineato sin dalla fase di inizializzazione.
2. Rapporto di Discriminante di Fisher (FDR): Misura l'allineamento delle caratteristiche misurate con le etichette di classe. In un circuito bloccato, l'FDR collassa verso lo zero, indicando una "lettura degenere per classe" dove lo stato oscilla con l'input ma non riesce a mappare le etichette.

Fondamentalmente, gli autori dimostrano che i circuiti intrappolati mantengono una QFIM non degenere nello spazio dei parametri (indicando che lo stato rimane responsivo ai parametri), provando che il fallimento è un problema di disallineamento spettrale, non di insensibilità geometrica.

Design Sperimentale

Lo studio impiega un DRU-PQC a 4 qubit con $L=2$ strati di re-uploading e 50 parametri addestrabili (40 quantistici, 10 classici). Gli esperimenti sono stati condotti su 50 seed casuali indipendenti per mappare lo spazio di probabilità bimodale dell'ottimizzatore (intrappolato vs. evaso).

L'intervento principale è l'Omotopia Spettrale, un protocollo di curriculum learning che stadia la frequenza target ($f$) da bassa ad alta ($f: 1.0 \to 2.0 \to 3.0$). Questo approccio mira a convessificare il paesaggio di perdita iniziale, permettendo ai parametri congiunti di essere trasportati nella banda di frequenza target prima che si materializzino gli attrattori ad alta frequenza.

Le condizioni di controllo includevano:

• Addestramento Standard (STD): Addestramento diretto sul target ad alta frequenza ($f=3.0$).
• Ablazioni di Routing: Test per verificare se il pre-allineamento degli strati di entanglement (inizializzazione Identità o Warmup Accoppiato) potesse salvare uno stato di codifica inizializzato casualmente.
• Curriculum Inverso: Addestramento da alta a bassa frequenza ($3.0 \to 1.0$) per testare l'irreversibilità.
• Curriculum Casuale: Ordinamento casuale delle fasi di frequenza per controllare gli effetti della diversità dei dati.

3. Risultati Chiave

Diagnosi del Blocco di Fourier

• Collasso della Lettura: I circuiti intrappolati hanno mostrato un Rapporto di Discriminante di Fisher (FDR) che collassa verso lo zero ($r_{pb} = 0.912, p < 0.001$), confermando un fallimento dell'allineamento delle etichette alla lettura.
• Immobilità Spettrale: La firma definitoria di un circuito intrappolato è stata la mancanza di movimento nel suo contenuto di frequenza effettivo ($F_x$). I circuiti intrappolati hanno mantenuto un $F_x$ statico e disallineato durante l'addestramento, mentre i circuiti che sono riusciti a "evadere" hanno migrato significativamente il proprio contenuto di frequenza ($r_{pb} = -0.48, p < 0.001$).
• Sensibilità dei Parametri: Contrariamente all'ipotesi del barren plateau, i circuiti intrappolati non hanno mostrato un collasso nella traccia della QFIM dello spazio dei parametri, confermando che l'ottimizzatore era paralizzato dal disallineamento spettrale piuttosto che da una perdita di sensibilità geometrica.

Efficacia dell'Omotopia Spettrale

• Miglioramento del Tasso di Evasione: L'addestramento standard su target ad alta frequenza ha prodotto un tasso di evasione del 6% (accuratezza finale > 0.65). Il curriculum di omotopia spettrale in avanti ($1.0 \to 2.0 \to 3.0$) ha triplicato questo tasso portandolo al 18%.
• Meccanismo d'Azione: I "successi" (evasori) sotto il curriculum in avanti hanno mostrato un aumento monotono di $F_x$ in linea con le fasi del curriculum, mentre i circuiti intrappolati sono rimasti spettralmente statici. Le fasi a bassa frequenza non hanno migliorato l'accuratezza immediatamente (l'accuratezza è rimasta ai livelli del caso fino alla Fase 3), ma hanno agito come un "ponte latente", trasportando i pesi di codifica nel corretto imbuto spettrale.
• Fallimento del Routing: Gli studi di ablazione hanno mostrato che fissare gli strati di entanglement (tramite inizializzazione Identità o warmup) non ha salvato le prestazioni. Ciò conferma che l'inizializzazione della codifica è la variabile dominante; se i pesi di codifica si impegnano su una frequenza errata, gli strati di entanglement non possono instradare il segnale.
• Irreversibilità: Il curriculum inverso ($3.0 \to 1.0$) ha prodotto un tasso di evasione dello 0%. Persino i seed che avevano imparato con successo il confine ad alta frequenza nella Fase 1 hanno subito un "dimenticanza spettrale catastrofica" quando forzati in geometrie a frequenza inferiore, indicando che l'architettura non può mantenere rappresentazioni di frequenza concorrenti una volta perso l'attrattore ad alta frequenza.

4. Significato e Rivendicazioni

Il documento riformula il collo di bottiglia dell'ottimizzazione nei DRU-PQC altamente espressivi. Postula che il fallimento non sia dovuto a una mancanza di capacità rappresentativa o al caos di appiattimento del paesaggio (barren plateaus), ma piuttosto a un fenomeno di Blocco di Fourier dove i pesi di codifica diventano strutturalmente disallineati con la banda di frequenza target.

Il contributo primario è l'identificazione della mobilità spettrale (la migrazione di $F_x$) come la diagnostica critica per un addestramento di successo, distinguendola dalla sensibilità statica dei parametri. Lo studio dimostra che la cadenzatura della frequenza tramite omotopia spettrale può aggirare questi blocchi, agendo efficacemente come un ponte per trasportare i parametri nel bacino corretto, rendendo il paesaggio più convesso nelle fasi iniziali.

Tuttavia, gli autori mantengono una posizione modesta riguardo alla completezza della soluzione. Nonostante il successo dell'omotopia spettrale, l'82% delle inizializzazioni casuali è rimasto permanentemente intrappolato, indicando che, sebbene la cadenzatura della frequenza mitighi il problema, la "lotteria dell'inizializzazione" rimane un fattore dominante. Il documento conclude che l'inizializzazione casuale è insufficiente per addestrare in modo affidabile i DRU-PQC espressivi su target ad alta frequenza e suggerisce che il lavoro futuro debba concentrarsi sull'inizializzazione deterministica della codifica (ad esempio, utilizzando l'analisi spettrale classica per pre-impostare i pesi) piuttosto che fare affidamento esclusivamente su curricula di ottimizzazione.