Expressive Power and Limitations of Multi-photon Quantum Neural Networks

Sintesi Tecnica: Potere Espressivo e Limitazioni delle Reti Neurali Quantistiche Multi-fotone

Definizione del Problema
Le Reti Neurali Quantistiche (QNN), in particolare quelle che utilizzano il ri caricamento dei dati (DRQNN), hanno dimostrato capacità di approssimazione universale. Sebbene le reti ottiche lineari con input multi-fotone (campionamento di Boson) abbiano mostrato vantaggi quantistici in compiti computazionali, il meccanismo specifico attraverso il quale l'aumento del numero di fotoni potenzia l'espressività delle QNN rimane inesplorato. Nello specifico, non è chiaro se l'espressività delle QNN Multi-fotone (MPQNN) possa essere aumentata infinitamente incrementando il numero di fotoni o se esistano limitazioni fondamentali. Questo articolo affronta la caratterizzazione quantitativa dell'espressività delle MPQNN e l'impatto del numero di fotoni ($n$), del numero di modi ($m$) e del numero di strati ($L$) sull'errore di approssimazione.

Metodologia
Gli autori propongono un framework per le MPQNN implementate su reti ottiche lineari, estendendo l'architettura DRQNN allo spazio di Fock multi-fotone.

1. Definizione del Modello: Il modello consiste in una parte circuitale con ri caricamento dei dati (blocchi di codifica alternati tramite sfasatori e blocchi addestrabili tramite reti ottiche lineari unitarie universali) e una parte osservabile. L'input è uno stato di Fock $|n, 0, \dots, 0\rangle$ che rappresenta $n$ fotoni identici.
2. Caratterizzazione dello Spazio delle Ipotesi: Gli autori derivano lo spazio delle ipotesi delle MPQNN. Stabiliscono che la funzione di output $h(x)$ è una composizione di un polinomio reale $g$ (determinato dall'osservabile) e di polinomi trigonometrici $y_j$ (determinati dai parametri del circuito addestrabili).
3. Derivazione del Limite di Errore: Lo studio analizza due casi distinti in base alla natura dell'osservabile misurato:
   • Osservabile Fisso: I pesi delle partizioni del numero di fotoni sono predeterminati.
   • Osservabile Addestrabile: I pesi sono ottimizzati insieme ai parametri del circuito durante l'addestramento.
     Utilizzando la disuguaglianza di Jackson, gli autori derivano limiti superiori sull'errore di approssimazione per entrambi i casi, relazionando l'errore alla regolarità della funzione target e ai parametri $n, m, L$.
4. Simulazione Numerica: Per validare i risultati teorici, gli autori hanno sviluppato un algoritmo di programmazione dinamica per simulare efficientemente la distribuzione del numero di fotoni in uscita delle reti ottiche lineari guidate da stati di Fock. Questo approccio migliora l'algoritmo di Ryser per il calcolo dei permanenti, riducendo la complessità del tempo di esecuzione.

Contributi Chiave e Risultati
Il documento fornisce un'analisi quantitativa di come il numero di fotoni influenzi l'espressività delle MPQNN, producendo risultati contrastanti per osservabili fissi rispetto a quelli addestrabili:

• Caso dell'Osservabile Fisso:

  • L'errore di approssimazione è limitato da $O((dL)^{-K})$, dove $d = \min\{n, m-2\}$.
  • Effetto Soglia: Esiste una soglia critica a $n = m-2$. Al di sotto di questa soglia, l'aumento del numero di fotoni potenzia polinomialmente l'espressività.
  • Limitazione: Una volta che $n$ supera $m-2$, ulteriori aumenti del numero di fotoni non migliorano l'espressività. Ciò accade perché il numero di parametri addestrabili nella rete ottica lineare (dipendente solo da $m$ e $L$) diventa insufficiente per coprire lo spazio funzionale a più alta dimensione generato dall'aumentato numero di fotoni.

• Caso dell'Osservabile Addestrabile:

  • L'errore di approssimazione è limitato da $O(d^{-K})$, dove $d = \min\{nL, \max\{(m-2)L, n\lfloor\frac{m-1}{2}\rfloor\}\}$.
  • Miglioramento Continuo: A differenza del caso fisso, l'aumento del numero di fotoni potenzia sempre l'espressività della MPQNN, anche senza alterare la struttura della rete ottica lineare. Quando $n \to \infty$, il limite dell'errore tende a zero.
  • Costo: Questo potenziamento dell'espressività comporta l'introduzione di $\binom{n+m-1}{m-1}$ parametri addestrabili aggiuntivi nell'osservabile, che cresce esponenzialmente con $n$.

• Validazione Numerica: Le simulazioni su compiti di approssimazione di polinomi trigonometrici univariati confermano che la perdita media di test diminuisce all'aumentare sia del numero di fotoni che del numero di strati, allineandosi con i limiti teorici.

Significatività
Gli autori affermano che questo lavoro elucida il potenziamento delle prestazioni e le limitazioni intrinseche delle caratteristiche multi-fotone nelle QNN. Caratterizzando quantitativamente la relazione tra numero di fotoni ed espressività, il documento offre indicazioni per l'implementazione delle QNN su piattaforme fotoniche. Nello specifico, chiarisce che, sebbene gli input multi-fotone offrano vantaggi, la loro utilità è vincolata dall'architettura dei blocchi addestrabili nello scenario dell'osservabile fisso. I risultati suggeriscono che, per sfruttare appieno i vantaggi multi-fotone, l'osservabile deve essere addestrabile o la struttura della rete deve essere adeguata per accomodare l'aumentato numero di gradi di libertà. Il lavoro funge da riferimento per comprendere i compromessi tra numero di fotoni, conteggio dei parametri e capacità di approssimazione nel machine learning quantistico.