Kernel Alignment for Quantum Support Vector Machines Using Genetic Algorithms

Dit artikel presenteert een geautomatiseerd raamwerk dat gebruikmaakt van genetische algoritmen om data-encoderingscircuits in Quantum Support Vector Machines te optimaliseren, waarbij wordt aangetoond dat de resulterende kernen een classificeerprecisie bereiken die vergelijkbaar is met of zelfs hoger ligt dan die van standaardtechnieken, terwijl er een positieve correlatie wordt blootgelegd tussen testprecisie en quantum-kernentropie.

De kern

Stel je voor dat je een enorme stapel door elkaar gehaalde sokken probeert te sorteren in stapels "links" en "rechts". In de wereld van computers heet dit classificatie. Een populair hulpmiddel om dit te doen, heet een Support Vector Machine (SVM). Denk aan een SVM als een zeer slimme robot die probeert de perfecte lijn (of muur) te trekken tussen twee groepen dingen, zodat ze niet door elkaar lopen.

Echter, wanneer we deze robot verplaatsen naar het domein van Quantum Computing (waar computers de vreemde wetten van de fysica gebruiken om informatie te verwerken), heeft de robot een speciale set instructies nodig om de data te begrijpen. Deze instructies worden een Quantum Kernel genoemd.

Het Probleem: Het Ontwerpen van de Instructies is Moeilijk

Meestal moeten wetenschappers deze quantum-instructies handmatig ontwerpen. Het is alsof je probeert een complexe Lego-machine met de hand te bouwen, gissende welke stukjes waar passen, en hoopt dat het werkt. Het kost veel tijd, en vaak werkt de machine niet erg goed.

De Oplossing: Laat Evolutie het Werk Doen

Dit artikel introduceert een nieuwe methode genaamd GEKO (Genetically Engineered Kernel Optimisation). In plaats van dat een mens de instructies ontwerpt, laten de onderzoekers een computerprogramma fungeren als natuurlijke evolutie.

Hier is hoe ze dit deden, met behulp van een eenvoudige analogie:

1. De Populatie: Stel je een doos voor vol met verschillende, willekeurig gebouwde Lego-machines (dit zijn de "circuits").
2. De Test: Ze zetten deze machines aan het werk om de sokken te sorteren.
3. Het Overleven van de Fittest: De machines die de sokken het beste sorteerden, worden bewaard. Diegenen die faalden, worden weggegooid.
4. Mutatie: De succesvolle machines worden gekopieerd, maar met kleine, willekeurige veranderingen (zoals het vervangen van een rode steen door een blauwe, of het toevoegen van een nieuw stukje).
5. Herhalen: Deze cyclus gebeurt keer op keer. Net als in de natuur worden de "machines" over vele generaties steeds beter in het sorteren van de sokken, zonder dat een mens ooit precies vertelt hoe ze dat moeten doen.

De onderzoekers gebruikten een specifieke "gereedschapskist" van quantum-Lego-stukjes (poorten zoals X, CNOT, enz.) om deze circuits te bouwen.

Twee Manieren om Succes te Beoordelen

Het artikel testte twee verschillende manieren om te beslissen welke machine de "fittest" was:

• De "Leraar"-Methode (Supervised): De computer krijgt de sokken met de juiste labels (bijvoorbeeld: "Dit is een linkse sok"). Het controleert of de machine het juiste antwoord gaf. Dit is als een leraar die een toets nakijkt.
• De "Zelfontdekking"-Methode (Unsupervised): De computer krijgt de sokken zonder labels. In plaats van te controleren op juiste antwoorden, kijkt het naar hoe "complex" of "verstrengeld" de interne toestand van de machine is. Het idee is dat een complexere interne structuur beter kan zijn in het vinden van verborgen patronen. Dit is als een machine beoordelen op de ingewikkeldheid van zijn tandwielen, in plaats van op het eindresultaat.

Wat Ze Vonden

De onderzoekers testten deze "evolutionaire" methode op verschillende datasets, variërend van simpele verzonnen vormen (zoals manen en cirkels) tot real-world data zoals wijntypes, borstkankerverslagen en medicijnclassificaties.

• Beter dan de Standaard: De machines die door dit genetisch algoritme werden geëvolueerd, presteerden net zo goed als, of beter dan, de standaardmethoden die mensen gewoonlijk gebruiken. Ze versloegen consequent een veelgebruikte quantum-methode genaamd "PauliZZ".
• Vlotte Beslissingen: Toen de onderzoekers keken naar hoe de machines hun beslissingen namen, creëerde het genetisch algoritme zeer gladde, duidelijke grenzen tussen groepen. De standaardmethoden creëerden soms "plekkerige" of rommelige grenzen.
• Het Entropie-Mysterie: De onderzoekers vroegen zich af of een machine met meer "chaos" (entropie) van binnen slimmer zou zijn. Ze vonden geen sterke link tussen hoe chaotisch de machine was en hoe goed het presteerde. Een rommelige machine was niet per se een slimme machine.

De Conclusie

Dit artikel laat zien dat je geen menselijk genie nodig hebt om de beste quantum-instructies te ontwerpen voor het sorteren van data. Door een genetisch algoritme te gebruiken (een digitale versie van evolutie), kun je deze instructies automatisch laten groeien. Het resultaat is een quantum-machine die data efficiënt sorteert, wat toekomstige hulpmiddelen voor financiën, gezondheidszorg en wetenschap mogelijk veel krachtiger maakt.

Kortom: In plaats van het quantum-brein met de hand te bouwen, lieten ze het zichzelf evolueren, en het bleek een zeer goede student te zijn.

Technische samenvatting

Technische Samenvatting: Kernel-uitlijning voor Quantum Support Vector Machines met behulp van Genetische Algoritmen

Probleemstelling
Quantum Support Vector Machines (QSVM's) vertrouwen op quantum-kernfuncties om de gelijkenis tussen datapunten te meten, wat potentieel voordelen biedt ten opzichte van klassieke SVM's bij het verwerken van niet-lineair scheidbare data en het werken in hogedimensionale kenruimtes. Het handmatig ontwerpen van de quantum circuits (kenmerkkaders) die nodig zijn om data in deze kernen te coderen, is echter een niet-triviale taak. Bestaande ontwerptechnieken – analytische, numerieke en variatiele methoden – hebben elk beperkingen wat betreft rekenkundige efficiëntie, flexibiliteit of het vermogen om optimale resultaten te produceren voor specifieke datasets. Er is behoefte aan een geautomatiseerde aanpak om deze coderingscircuits te optimaliseren en zo de classificatie-accuraatheid te verbeteren zonder te vertrouwen op handmatig trial-and-error.

Methodologie
De auteurs stellen een geautomatiseerd raamwerk voor dat "Genetically Engineered Kernel Optimisation" (GEKO) wordt genoemd, een uitbreiding van het GASP-raamwerk (Genetic Algorithm for State Preparation). Deze aanpak maakt gebruik van een genetisch algoritme (GA) om naar optimale quantum-circuitstructuren te zoeken voor zowel QSVM-kernen als Quantum Neural Network (QNN) kenmerkkaders.

• Circuitconstructie: Het GA zoekt naar circuits met behulp van een universele poortset die native is voor IBM-hardware: single-qubit $X$, $\sqrt{X}$ en $R_z$-poorten, en de two-qubit CNOT-poort.
• Optimalisatiestrategieën: De studie evalueert twee verschillende fitnessfuncties voor het GA:
  1. Supervised GEKO: Fitness wordt beoordeeld op basis van de classificatie-accuraatheid van een QSVM die is getraind op gelabelde data met behulp van de gegenereerde kern.
  2. Unsupervised GEKO: Fitness wordt beoordeeld via eigenwaarde-analyse van de kernmatrix, specifiek door het maximaliseren van de grootste genormaliseerde eigenwaarde. Deze methode maakt geen gebruik van datalabels tijdens het circuitselectieproces.
• Evolutionair proces: Het algoritme initialiseert een populatie van quantum circuits. Individuen worden gemuteerd (met een waarschijnlijkheid van 50%) om nieuwe kandidaten te creëren. Het meest fitte individu wordt geselecteerd op basis van trainingsprestaties. Om generaliseerbaarheid te waarborgen en overfitting te voorkomen, wordt het basisindividu alleen bijgewerkt als de nieuwe kandidaat een hogere fitness aantoont op een validatieset. Het aantal genen (circuitdiepte/complexiteit) wordt dynamisch aangepast via binaire zoekopdracht om het minimale circuit te vinden dat voldoet aan een drempelwaarde voor de doel-fitness.
• Datasets: Het raamwerk is getest op negen datasets: drie synthetische (Moons, XOR, Circles) en zes real-world (Iris, Wine, Breast Cancer, Irrigation, Parkinson's, Drug Classification). Principal Component Analysis (PCA) is gebruikt om de kenmerken te reduceren tot die welke 95% van de variantie verklaren.

Belangrijkste bijdragen

1. Geautomatiseerde circuitgeneratie: Het artikel demonstreert de toepassing van genetische algoritmen om automatisch quantum-coderingscircuits te genereren voor QSVM's en QNN's, waardoor de afhankelijkheid van handmatig circuitontwerp wordt verwijderd.
2. Vergelijkende fitnessanalyse: Het werk introduceert en vergelijkt supervised (op nauwkeurigheid gebaseerde) en unsupervised (op eigenwaarden gebaseerde) fitnessfuncties voor kernoptimalisatie, en analyseert hun impact op circuitprestaties.
3. Correlatie tussen entropie en nauwkeurigheid: De studie onderzoekt de relatie tussen de Von Neumann-entropie van verstrengeling in de gegenereerde circuits en testnauwkeurigheid, en levert empirische data aan over of hogere verstrengeling correleert met betere classificatieprestaties.
4. Hardware-native implementatie: De gegenereerde circuits maken gebruik van een poortset die compatibel is met huidige IBM-quantumhardware, waardoor praktische toepasbaarheid wordt gewaarborgd.

Resultaten

• Prestaties versus benchmarks: Over alle geteste datasets heen presteerden de door GEKO gegenereerde kernen (zowel supervised als unsupervised) consequent beter dan de standaard PauliZZ quantum-kern. Ze presteerden vergelijkbaar met, en in sommige gevallen beter dan, klassieke Radial Basis Function (RBF) kernen.
• Beslissingsgrenzen: Visuele analyse van beslissingsgrenzen onthulde dat GEKO- en RBF-kernen gladde, goed gedefinieerde grenzen produceerden die klassen effectief scheidden, terwijl de PauliZZ-kern vaak resulteerde in lapsgewijze grenzen die klassen niet adequaat scheidden.
• Supervised versus Unsupervised: De supervised en unsupervised GEKO-technieken leverden vergelijkbare prestaties op de datasets. Dit suggereert dat voor deze specifieke taken de unsupervised op eigenwaarden gebaseerde metriek een levensvatbare proxy is voor classificatie-accuraatheid, wat mogelijk de behoefte aan gelabelde data tijdens het optimalisatiefase vermindert.
• Entropie en nauwkeurigheid: De analyse van testnauwkeurigheid versus Von Neumann-entropie toonde weinig tot geen sterke correlatie. Hoewel sommige datasets zwakke positieve gradiënten vertoonden, toonden andere negatieve of verwaarloosbare correlaties. De auteurs concluderen dat het verhogen van de circuitentropie niet noodzakelijkerwijs verbeterde testnauwkeurigheid garandeert.
• QNN-optimalisatie: Wanneer toegepast op QNN's, maakten de door GA geoptimaliseerde kenmerkkaders het de netwerken mogelijk om optimalisatieplateaus te overwinnen, waardoor hoge testnauwkeurigheid werd bereikt op synthetische datasets met gladde beslissingsgrenzen.

Betekenis en claims
Het artikel beweert dat het inzetten van genetische algoritmen voor quantum-circuitoptimalisatie een veelbelovend alternatief biedt voor handmatig ontwerp, en in staat is circuits te produceren die de prestaties van standaard klassieke en quantum-kerntechnieken evenaren of overtreffen. De auteurs stellen dat dit geautomatiseerde raamwerk trial-and-error vermindert, waardoor het een levensvatbaar hulpmiddel wordt voor het verbeteren van QSVM- en QNN-prestaties op gebieden zoals financiën, gezondheidszorg en materiaalkunde.

De studie concludeert bescheiden dat hoewel de methode aanzienlijk potentie toont voor standaard classificatietaken, verder onderzoek vereist is om de effectiviteit te valideren op grotere, complexere real-world datasets. De auteurs suggereren ook toekomstige wegen voor het combineren van supervised en unsupervised fitnessfuncties om modellen te creëren die zowel sterk gegeneraliseerd als specifiek geoptimaliseerd zijn voor doeldata.