A Continuous-Variable Quantum Fourier Layer: Applications to Filtering and PDE Solving

Probleemstelling

Fourier-transformaties zijn fundamenteel voor signaalverwerking, beeldverwerking en het numeriek oplossen van partiële differentiaalvergelijkingen (PDE's). De klassieke Fast Fourier Transform (FFT), gebaseerd op het Cooley-Tukey (CT) algoritme, reduceert de complexiteit van $O(N^2)$ naar $O(N \log N)$. Hoewel er reeds optische implementaties van de FFT bestaan, is de connectie met Continue-Variabele (CV) Quantum Computing nog onderontwikkeld.

De centrale uitdaging in Quantum Machine Learning (QML) is het coderen van klassieke data in quantumtoestanden. Bestaande methoden (zoals amplitude-codering op qubits) zijn vaak beperkt tot één-dimensionale structuren of vereisen zware compilatie- overhead. Voor wetenschappelijke toepassingen, zoals het oplossen van PDE's op 2D- of 3D-velden, ontbreekt een efficiënte manier om multidimensionale velden als een globaal gestructureerd object in een quantumcircuit te coderen, zonder de voordelen van de spectrale domeinverwerking te verliezen.

Methodologie

De auteurs introduceren een Continuous-Variable Quantum Fourier Layer (CV-QFL) die een structurele isomorfie benut tussen het Cooley-Tukey butterfly-netwerk en CV-fotonische circuits. De methode bestaat uit drie hoofdstappen:

1. Bipartiete Gaussische Codering (Encoding):

   • In plaats van data punt-voor-punt te coderen, wordt een inputmatrix $D \in \mathbb{R}^{m \times n}$ direct ingebed in de kruis-covariantieblok van een bipartiete Gaussische toestand.
   • De matrix wordt eerst ontbonden via Singular Value Decomposition (SVD): $D = U \Sigma V^\top$.
   • De singuliere waarden ($\Sigma$) worden gecodeerd in de correlaties tussen twee registers ($r_1$ en $r_2$) met behulp van Two-Mode Squeezing (TMS) operatoren.
   • De unitaire factoren $U$ en $V$ worden geïmplementeerd als passieve interferometers op respectievelijk register $r_1$ en $r_2$. Hierdoor wordt de oorspronkelijke matrix $D$ exact gereconstrueerd in de $x$-kwadratuur van de covariantiematrix.

2. CV Quantum Fourier Transform (QFT):

   • De auteurs tonen aan dat de elementaire "butterfly" operaties van het Cooley-Tukey algoritme natuurlijk corresponderen met CV-fotonische poorten: Faseverschuivingen (Phase Shifters) en Stralingskoppelingen (Beam Splitters).
   • De 2D FFT wordt uitgevoerd door onafhankelijke 1D FFT's toe te passen op elk van de twee registers ($r_1$ en $r_2$) parallel.
   • Door de lineaire eigenschappen van Gaussische toestanden, resulteert deze parallelle transformatie in een exacte 2D Fourier-transformatie van de ingekodeerde matrix, leesbaar uit de covariantiematrix na de transformatie.

3. Berekening en Complexiteit:

   • De gate-count complexiteit voor een $m \times n$ domein is $O(m \log m + n \log n)$. Dit is een verbetering ten opzichte van de klassieke 2D FFT complexiteit van $O(mn \log(mn))$, omdat de twee dimensies onafhankelijk en parallel worden verwerkt.

Belangrijkste Bijdragen

• Bipartiete Gaussische Matrix-codering: Een nieuw coderingsschema dat een matrix exact in de kruis-covariantie van een multimode Gaussische toestand inbedt, waardoor 2D-data als een gestructureerd quantumobject wordt behandeld.
• CV-QFL Architectuur: Het ontwerp van een laag die een exacte 2D quantum Fourier-transformatie uitvoert binnen een Gaussisch fotonisch circuit, gebaseerd op de isomorfie met het Cooley-Tukey algoritme.
• Hardware-natieve Spectrale Verwerking: De methode is bij uitstek geschikt voor scenario's waar het signaal al optisch aanwezig is (bijv. coherent licht), waardoor de noodzaak voor een expliciete klassiek-naar-quantum coderingsfase wordt geëlimineerd.

Resultaten

De auteurs hebben de CV-QFL getest op twee taken met behulp van de Strawberry Fields simulator:

1. Spectrale Low-Pass Filtering:

   • Een 64x64 beeld met ruis werd gefilterd. De CV-QFL onderdrukte hoogfrequente ruis door de transmissiviteit van specifieke modi te regelen (via LossChannel).
   • Het resultaat bereikte machine-precisie (fout van $3.8 \times 10^{-15}$) vergeleken met een klassieke referentie met hetzelfde masker. De signaal-ruisverhouding (SNR) verbeterde met +9.4 dB.

2. Oplossen van de 2D Warmtevergelijking:

   • De diffusie van een warmtevergelijking ($\partial_t u = \alpha \nabla^2 u$) werd opgelost in het Fourier-domein.
   • De diffusie-operator werd geïmplementeerd door de transmissiviteit van de LossChannel te programmeren als $T = e^{-2\alpha k^2 \Delta t}$.
   • De oplossing door de CV-QFL kwam exact overeen met een klassieke pseudospectrale solver over meerdere tijdstappen, met fouten op het niveau van drijvende-kommaberekening ($\approx 10^{-16}$).

Betekenis en Toekomstperspectief

• Efficiëntie: De CV-QFL biedt een meer hulpbron-efficiënte manier om 2D Fourier-transformaties uit te voeren in quantumcircuits ($O(m \log m + n \log n)$ vs $O(mn \log(mn))$).
• Toepassing in QML en Operator Learning: De architectuur is ideaal voor "Neural Operators" die opereren op velden (zoals in Fourier Neural Operators), omdat het de data behoudt als een gestructureerd veld in plaats van een verzameling scalaren.
• Quantum Advantage: Hoewel de huidige implementatie volledig Gaussisch is en dus klassiek simuleerbaar (geen kwantumvoordeel voor pure klassieke data), legt het de basis voor toekomstige niet-Gaussische quantum-neurale operators.
• Natuurlijke Quantum-toepassingen: De grootste potentie ligt in het oplossen van intrinsiek quantummechanische problemen (zoals veel-deeltjes Hamiltonian dynamica), waar klassieke simulaties onhaalbaar worden. In deze context kan de CV-QFL een natuurlijk voordeel bieden door quantum-correlaties direct te manipuleren.

Samenvattend introduceert dit werk een brug tussen klassieke spectrale methoden en CV-quantumcomputing, waardoor een nieuwe route wordt geopend voor fotonische solvers voor PDE's en quantum-machine learning op gestructureerde data.