Quantum Re-Uploading for Calorimetry: Optimized Architectures with Extended Expressivity

Technische Samenvatting: Kwantum Re-Uploading voor Calorimetrie

Probleemstelling
In het tijdperk van Noisy Intermediate-Scale Quantum (NISQ) staat Quantum Machine Learning (QML) voor een kritieke afweging tussen de expressiviteit van het model, optimalisatiestabiliteit en hardwarebeperkingen (beperkt aantal qubits en ondiepe circuitdieptes). Hoewel Variational Quantum Circuits (VQCs) de standaard zijn, lijden ze vaak aan een beperkte functionele expressiviteit wanneer data slechts één keer wordt gecodeerd (mono-encoding), wat het vermogen van het model beperkt om complexe, hoogfrequente niet-lineaire functies te representeren die nodig zijn voor taken zoals deeltjesclassificatie. Deze studie onderzoekt of "Quantum Re-Uploading Units" (QRUs)—die klassieke data iteratief in een kwantumcircuit coderen—deze beperkingen kunnen overwinnen terwijl ze een minimale hardwarevoetafdruk behouden (single-qubit implementatie).

Methodologie
De auteurs hebben een single-qubit QRU geïmplementeerd en geëvalueerd op een gesimuleerde dataset afgeleid van hoogenergetische fysica calorimetrie (specifiek de OGCID/D2 dataset). De taak bestond uit het classificeren van drie deeltjestypes (elektronen, muonen en pionen) op basis van drie technische kenmerken: totale ECAL-energie, showerlengte en de standaarddeviatie van de HCAL-energie.

• Modelarchitectuur: De QRU maakt gebruik van een gelaagde ansatz waarbij klassieke inputkenmerken opnieuw worden gecodeerd als rotatieparameters in single-qubit circuits. Elke laag wisselt af tussen data-coderende gates ($R_Y(x_j)$) en trainbare parametrische gates ($R_X, R_Y, R_Z$).
• Baseline Vergelijkingen: De studie vergeleek de QRU met:
  1. Een standaard mono-gecodeerde VQC met drie qubits (om het aantal parameters van de single-qubit QRU te evenaren).
  2. Een klassieke Multilayer Perceptron (MLP) met een gelijkwaardig parameterbudget.
• Experimenteel Protocol: De classificatietaak werd geformuleerd als een scalaire regressieprobleem, waarbij het model een waarde in $[-1, 1]$ produceert die via vaste drempelwaarden ($\{-0.33, +0.33\}$) naar drie klassen wordt gemapt. De auteurs voerden uitgebreide hyperparameter-sweeps uit (diepte, leersnelheid, batchgrootte via gradiëntaccumulatie, rotatiegate-sequenties en verliesfuncties) en globale optimalisatie met behulp van Bayesiaanse methoden en Hyperband.
• Hardware Validatie: Het getrainde model werd end-to-end uitgerold op een echte supergeleidende QPU (IQM Garnet) via een cloud-workflow (qBraid) om de praktische inzetbaarheid te verifiëren.

Belangrijkste Bijdragen

1. Theoretische Expressiviteitsanalyse: Het artikel biedt een wiskundige analyse die aantoont dat QRU-architecturen een bredere Fourier-frequentie-ondersteuning hebben dan mono-gecodeerde VQCs. Terwijl een mono-gecodeerde VQC beperkt is tot frequentiecomponenten $\{-1, 0, 1\}$, kan een QRU met $L$ re-upload lagen frequenties tot $\{-L, \dots, L\}$ representeren. Dit stelt QRU's in staat om hogere frequentiecomponenten te vangen zonder het aantal qubits te verhogen.
2. Empirische Hyperparameteroptimalisatie: Door middel van systematische ablatie-studies identificeerden de auteurs dat de prestatiewinst in QRU's verzadigt bij kleine circuitdieptes (specifiek diepte 4), waarna de trainingskosten lineair toenemen met afnemende meeropbrengst. Ze stelden ook vast dat specifieke rotatiegate-combinaties (bijv. $R_X-R_Y-R_X$) en input-normalisaties ($[-\pi, \pi]$) een significante impact hebben op stabiliteit en convergentie.
3. Parameter-gematchte Benchmarking: De studie rapporteert dat een single-qubit QRU consequent beter presteert dan een drie-qubit mono-gecodeerde VQC en concurrerend blijft met een klassieke MLP met een gelijkwaardig aantal parameters voor de calorimetrie-taak.
4. Hardware Proof-of-Execution: De auteurs hebben de getrainde QRU succesvol uitgevoerd op echte kwanthardware, waarmee zij hebben aangetoond dat de beslissingsgrenzen van het model stabiel blijven onder shot-ruis en apparaatruis voor de geteste monsters.

Resultaten

• Nauwkeurigheid: De geoptimaliseerde single-qubit QRU bereikte een testnauwkeurigheid van ongeveer 0.987, waarmee de drie-qubit VQC (0.927) en de parameter-gematchte MLP (0.970) in de specifieke experimentele run versloeg.
• Diepte vs. Kosten: Het verhogen van de circuitdiepte boven de 4 leverde marginale verbeteringen in nauwkeurigheid op (het plateau bereiken nabij 0.98), maar zorgde ervoor dat de executietijd lineair groeide, waarbij in simulatie meer dan 16 uur werd bereikt voor diepte 14.
• Optimalisatie: De Adam-optimizer met een leersnelheid van $5 \times 10^{-5}$ en Huber-loss bood de beste balans tussen stabiliteit en convergentie. Globale optimalisatie (Bayesiaans) bevestigde dat de leersnelheid en de keuze van de optimizer de meest significante drijfveren waren voor variantie in prestaties, meer nog dan de circuitdiepte of het normalisatiebereik.
• Hardware Prestaties: Op de IQM Garnet QPU behaalde het model 10/10 correcte voorspellingen op een kleine testsubset (10 monsters) met 50 en 200 shots, wat aangeeft dat de getrainde parameters effectief overgaan naar hardware zonder architecturale wijzigingen.

Betekenis en Claims
Het artikel claimt dat QRU's een praktisch pad bieden voor QML in het NISQ-tijdperk door expressiviteit te maximaliseren via data re-uploading in plaats van het aantal qubits. De auteurs stellen dat het vermogen om toegang te krijgen tot hogere frequentieharmonischen single-qubit QRU's in staat stelt om complexe classificatietaken effectiever op te lossen dan diepere, multi-qubit mono-gecodeerde circuits.

De auteurs hanteren echter een bescheiden toon met betrekking tot deze bevindingen. Ze stellen expliciet dat de hardware-run een "proof-of-execution" is en geen uitgebreide ruis-robuuste benchmark. Ze erkennen beperkingen, waaronder het gebruik van technische kenmerken, de afhankelijkheid van een scalaire-naar-multiclass drempelwaarde-methode (wat minder standaard is dan softmax cross-entropy) en de beperkte baseline-klasse. Het werk suggereert dat hoewel QRU's veelbelovend zijn voor specifieke taken zoals deeltjesidentificatie, toekomstig werk zich moet richten op ruisonderdrukking, multi-logit readouts en bredere baseline-vergelijkingen om hun nut in de hoogenergefysica volledig te valideren.