Measurement-based quantum machine learning

Dit artikel stelt de Multiple-Triangle Ansatz (MuTA) voor, een universeel op metingen gebaseerd raamwerk voor kwantumneuronale netwerken dat de voordelen van het MBQC-paradigma benut om schaalbare training, weerstand tegen ruis en diverse toepassingen mogelijk te maken, variërend van kwantumtoestandsclassificatie tot door hardware beperkte fotonische implementaties.

De kern

Het Grote Geheel: Een Nieuwe Manier om Quantumhersenen te Bouwen

Stel je voor dat je een super slimme computerhersenen (een Quantum Neuraal Netwerk) wilt bouwen om moeilijke problemen op te lossen. Meestal bouwen wetenschappers deze hersenen als een filmrol: je begint met een leeg scherm, voert een reeks scènes (poorten) één voor één uit en krijgt aan het einde een resultaat. Dit is het standaard "circuitmodel".

De auteurs van dit artikel stellen echter een andere manier voor om deze hersenen te bouwen, genaamd Measurement-Based Quantum Computing (MBQC).

De Analogie: Het "Voorverstrengelde" Web
In plaats van een film scène voor scène af te spelen, stel je je een gigantisch, vooraf geweven spinnenweb voor dat gemaakt is van quantumdraden (een resource state genoemd). Dit web is al "verstrengeld", wat betekent dat alle draden op een spookachtige, directe manier met elkaar verbonden zijn.

Om werk te verrichten, draai je geen film af. In plaats daarvan begin je met het knippen van draden (ze te meten) in een specifieke volgorde.

• Wanneer je één draad knipt, zendt dit een rimpeling door het web.
• De manier waarop het web reageert, hangt af van hoe je de vorige draden hebt geknipt.
• Zodra je de juiste draden hebt geknipt, is het resterende deel van het web getransformeerd in het antwoord dat je wilde.

Het artikel betoogt dat deze "knip-methode" eigenlijk beter is voor machine learning omdat het beter omgaat met ruis, goed werkt met lichtgebaseerde (fotonische) computers, en een unieke stijl van leren mogelijk maakt.

---

De Ster van de Show: MuTA (De Multiple-Triangle Ansatz)

De auteurs hebben een specifiek ontwerp voor dit quantumweb gemaakt, dat ze MuTA (Multiple-Triangle Ansatz) noemen.

De Analogie: Een Trein van Driehoeken
Stel je een trein voor waarbij de wagons niet alleen in een lijn verbonden zijn, maar ook met driehoekige bruggen ertussen.

• De Sporen: Dit zijn de "draden" of lijnen van het web.
• De Driehoeken: Dit zijn de speciale verbindingen tussen de draden.

Waarom driehoeken? In deze quantumwereld fungeren driehoeken als schakelaars.

• Als je een specifiek deel van de driehoek op één manier meet, blijven de draden gescheiden (geen verbinding).
• Als je het op een andere manier meet, worden de draden "verstrengeld" (ze beginnen met elkaar te praten).

Dit ontwerp geeft de quantumhersenen drie superkrachten:

1. Universeel: Het kan leren om elke berekening uit te voeren, net zoals een klassieke computer elke software kan draaien.
2. Aanpasbaar: Je kunt het "volume" van de verbinding tussen draden harder of zachter zetten.
3. Schaalbaar: Je kunt de hersenen groter maken (meer lagen driehoeken toevoegen) zonder dat het kapot gaat, en het wordt op een voorspelbare manier slimmer.

Wat hebben ze eigenlijk gedaan? (De Experimenten)

De auteurs hebben niet alleen plaatjes getekend; ze hebben MuTA op een computer gesimuleerd om te zien of het echt werkt. Hier zijn de vier dingen die ze het lieten leren:

1. Het Leren van het Alfabet (Universele Poorten)
Ze leerden MuTA om basis quantum "letters" (poorten) uit te voeren.

• Resultaat: Het leerde om willekeurige single-qubit operaties en een specifieke twee-qubit verbinding (IsingXX) zeer snel uit te voeren. Het convergeerde snel, wat betekent dat het efficiënt het juiste "knippatroon" vond.

2. Leren in de Regen (Ruisbestendigheid)
Echte quantumcomputers zijn ruisig (alsof je probeert een fluistering te horen in een storm).

• Resultaat: Ze testten MuTA met "ruisige data" (willekeurige fouten) en "ruisige hardware" (het web zelf was lichtjes beschadigd). MuTA was verrassend taai. Het kon nog steeds de juiste patronen leren, zelfs wanneer de ruis hoog was, zolang de ruis niet totale chaos was.

3. Quantumrotsen Sorteren (Classificatie van Quantumtoestanden)
Ze wilden dat de hersenen naar een quantumtoestand keken en besliste: "Is dit een 'goede' toestand voor hoge precisie meting, of een 'slechte'?"

• Resultaat: Ze trainden MuTA om deze toestanden met meer dan 96% nauwkeurigheid te classificeren. Het leerde het verschil te zien tussen toestanden die nuttig zijn voor sensoren en die welke dat niet zijn, zelfs zonder expliciet de wiskunde erachter te worden verteld.

4. De Teleportatietrick (Quantuminstrumenten)
Ze vroegen MuTA om een "quantuminstrument" te leren – een proces dat een toestand neemt, deze meet, en de resterende toestand verandert op basis van het resultaat (alsof je informatie teleporteert).

• Resultaat: Het model leerde succesvol om een quantumtoestand van het ene deel van het web naar het andere te teleporteren met perfecte nauwkeurigheid. Dit bewijst dat het complexe, stap-voor-stap logica kan hanteren waarbij de volgende stap afhankelijk is van de vorige meting.

5. Klassieke Data Sorteren (De Kernel-truc)
Tot slot gebruikten ze MuTA om gewone, niet-quantum data te sorteren (zoals stippen op een grafiek).

• Resultaat: Ze veranderden MuTA in een "kernel" (een wiskundig hulpmiddel voor sorteren). Het sorteerde succesvol eenvoudige vormen (cirkels en bulten) net zo goed als andere quantummethoden, hoewel het moeite had met complexere, gedraaide vormen (manen).

De Realistische Beperking: De "Gepixelde" Wereld

Het artikel eindigt met het aanpakken van een praktisch probleem. Sommige quantumcomputers (specifiek die licht gebruiken en een speciale codering genaamd GKP) kunnen niet meten op elke hoek. Ze kunnen alleen meten op specifieke, vaste hoeken (zoals 0, 45 of 90 graden). Het is alsof je probeert een meesterwerk te schilderen, maar je mag alleen drie specifieke kleuren gebruiken.

Om dit op te lossen, testten de auteurs twee "heuristische" (slimme gissing) algoritmen:

1. De Gierige Zoekopdracht (Greedy Search): Een methode die probeert één slice van het web per keer te optimaliseren, en de beste hoek kiest uit de toegestane lijst.
2. Deep Q-Learning: Een type AI dat leert door trial and error, en fungeert als een videospelkarakter dat leert om een doolhof te navigeren.

Resultaat: Beide methoden werkten beter dan willekeurig raden. De "Gierige" methode was sneller voor kleine taken, terwijl de "AI"-methode veelbelovend bleek voor grotere, complexere webben.

Samenvatting

Het artikel introduceert MuTA, een nieuw blauwdruk voor quantum neurale netwerken die werkt door een vooraf verbonden web van quantumdraden te "knippen".

• Het is universeel (kan alles doen).
• Het is robuust (gaat goed om met ruis).
• Het is flexibel (kan worden afgestemd op verschillende taken).
• Het werkt zelfs als de hardware beperkt is tot specifieke meethoeken.

De auteurs hebben succesvol aangetoond dat deze "knip-methode" kan leren om poorten uit te voeren, quantumtoestanden te classificeren, informatie te teleporteren en data te sorteren, en legt zo de basis voor een nieuwe generatie quantum machine learning tools die native zijn voor op meting gebaseerde computers.

Technische samenvatting

Technische Samenvatting: Op metingen gebaseerd Quantum Machine Learning

Probleemstelling
Quantum Machine Learning (QML) heeft tot doel quantumhardware te benutten voor inferentie, quantumgegevensverwerking en ruisbestendige algoritmen. Momenteel worden de meeste QML-voorstellen geformuleerd binnen het standaard unitaire circuitmodel. Het paradigma van Measurement-Based Quantum Computing (MBQC) biedt echter unieke voordelen, waaronder lagere circuitdieptes, natuurlijke compatibiliteit met metingen tijdens het circuit en klassieke feedback, en inherente ondersteuning voor topologische foutcorrectie. Ondanks deze voordelen en vooruitgang in MBQC-hardware (met name fotonische implementaties) is QML binnen het MBQC-kader grotendeels onontgonnen terrein. Bestaande MBQC-benaderingen voor variatiealgoritmen missen vaak determinisme, lijden onder niet-monotoon expressievermogen, of bieden geen schaalbare trainingsarchitecturen die vergelijkbaar zijn met klassieke neurale netwerken.

Methodologie
De auteurs stellen een kader voor MB-QML voor dat is gecentreerd rond een nieuwe Quantum Neural Network (QNN)-architectuur, de Multiple-Triangle Ansatz (MuTA).

• Architectuur: MuTA is opgebouwd uit 1D-clustertoestanden die met elkaar verbonden zijn door "driehoeken" (specifieke grafische toestandsstructuren). De architectuur wordt gedefinieerd door lagen van qubits, waarbij de connectiviteit binnen een laag wordt bepaald door driehoeken die verschillende draden verbinden, en de connectiviteit tussen lagen tot stand wordt gebracht door het in kaart brengen van de output-qubits van de ene laag naar de input-qubits van de volgende.

• Determinisme en Flow: De auteurs bewijzen dat MuTA een "flow" bezit (een specifieke grafische eigenschap die deterministische berekening in MBQC garandeert). Dit maakt het mogelijk om meethoeken aan te passen op basis van eerdere uitkomsten, zodat er ondanks de inherente willekeur van quantummetingen toch deterministische uitkomsten worden gegarandeerd.

• Theoretische Eigenschappen: Het artikel stelt zeven kern eigenschappen van MuTA vast:

  1. Determinisme: Elk meetpatroon kan deterministisch worden gemaakt via flow-gebaseerde hoekaanpassing.
  2. Universaliteit: MuTA kan elke $n$-qubit unitaire operator implementeren, mits voldoende diepte.
  3. Instelbare Verstrengeling: Verstrengeling tussen draden kan worden gecontroleerd door de meethoeken van specifieke "centrale" qubits in de driehoeken.
  4. Bias Engineering: De geometrie (diepte, breedte, connectiviteit) en parameterbeperkingen maken flexibele bias engineering mogelijk.
  5. Schaalbaarheid: Het aantal variatieparameters schaalt lineair met het aantal qubits ($\le 4dn$ voor diepte $d$ en breedte $n$).
  6. Monotonie van Expressiviteit: Het uitbreiden van het netwerk (door lagen, draden of driehoeken toe te voegen) verhoogt monotoon de verzameling implementeerbare poorten, een eigenschap die vaak ontbreekt in standaard variatiecircuits.
  7. 2-Kleuring: De onderliggende grafiek is bipartiet, wat schaalbare zuiveringsprotocollen faciliteert.

• Training en Hardware-beperkingen: De auteurs gaan in op hardwarebeperkingen, specifiek voor fotonische Gottesman-Kitaev-Preskill (GKP) qubits waarbij de meetbases beperkt zijn tot discrete sets ($\{0, \pi/4, \pi/2\}$). Om hiermee om te gaan, stellen ze heuristische trainingsalgoritmen voor, waaronder een $\epsilon$-greedy slice-wise zoektocht en een Deep Q-Learning (DQN)-benadering voor discrete optimalisatie.

Belangrijkste Resultaten
De auteurs leveren numerieke demonstraties van de capaciteiten van MuTA voor verschillende taken:

1. Universeel Poortleren: MuTA leert succesvol een universele set poorten, waaronder Haar-willekeurige single-qubit unitaire operatoren en de verstrengelende IsingXX-poot, met snelle convergentie.
2. Ruisbestendigheid: Het model toont weerstand tegen ruis. Het behoudt een hoge fideliteit wanneer getraind op ruisige data (gesimuleerd via Brownse circuits of bit-flip ruis) en wanneer de onderliggende resource-toestand wordt blootgesteld aan depolariserende kanalen.
3. Klassificatie van Quantumtoestanden: Een hybride quantum-klassiek model dat MuTA gebruikt, werd getraind om twee-qubit toestanden te classificeren op basis van hun Quantum Fisher Information (QFI), waarbij toestanden onder en boven de Standaard Quantum Limiet met hoge nauwkeurigheid (~97%) van elkaar werden onderscheiden.
4. Leren van Quantum Instrumenten: Het kader leerde succesvol een teleportatieprotocol, behandeld als een quantum instrument waarbij meetuitkomsten daaropvolgende operaties conditioneren, wat de integratie van klassieke co-verwerking demonstreert.
5. Klassificatie van Klassieke Data: Een kernel Support Vector Machine (SVM) werd geconstrueerd met behulp van een MuTA-gebaseerde feature map. Het behaalde hoge nauwkeurigheid op synthetische 2D-datasets (cirkels, vlekken), hoewel het moeite had met complexere niet-lineaire structuren (manen) in de geteste configuratie.

Betekenis en Claims
Het artikel claimt de basis te leggen voor veelzijdige QNN's die native zijn voor het MBQC-paradigma. De betekenis van MuTA ligt in het vermogen om eigenschappen te vervullen die vaak ontbreken bij andere QML-voorstellen: universaliteit, instelbare verstrengeling, monotoon expressievermogen en schaalbare training.

De auteurs betogen dat MuTA een veelbelovende kandidaat is voor MBQC-apparaten op korte termijn, omdat het specifieke MBQC-voordelen benut, zoals verminderde tijdscomplexiteit en compatibiliteit met klassieke zijbewerking. Zij stellen dat dit kader de exploratie van MBQC-specifieke algoritmische voordelen mogelijk maakt en de theoretische analyse van QML in het op metingen gebaseerde regime faciliteert. Het werk suggereert dat door klassieke feed-forward netwerkgeometrieën op MuTA te mappen, kan worden onderzocht of de resulterende quantummodellen expressievoordelen bieden ten opzichte van hun klassieke tegenhangers, terwijl het tegelijkertijd een praktische weg biedt voor training op hardware-beperkte apparaten zoals fotonische GKP-qubits.