Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks

Probleemstelling

Binnen het veld van Quantum Machine Learning (QML) op het niveau van Noisy Intermediate-Scale Quantum (NISQ) apparatuur, vormt het efficiënt laden van klassieke data in een kwantumregister een kritieke bottleneck. Bestaande methoden voor data-encoding hebben elk aanzienlijke nadelen:

• Hoek-encoding (Angle encoding): Is circuit-diepte-efficiënt, maar benut de exponentiële capaciteit van de Hilbertruimte niet optimaal; de representatieve capaciteit schaalt slechts lineair met het aantal qubits.
• Amplituude-encoding (Amplitude encoding): Kan tot $2^n$ klassieke waarden in $n$ qubits laden, maar vereist exacte staatvoorbereiding met een circuitdiepte van $O(2^n)$. Dit overstijgt de coherentiebudgetten en de fouttolerantie van huidige hardware.
• Data-reuploading: Mitigeert de capaciteitsproblemen, maar verhoogt de circuitdiepte en de gevoeligheid voor ruis aanzienlijk.

De kernuitdaging is dus het vinden van een methode die de exponentiële ruimte benut zonder de circuitdiepte te verhogen, en die compatibel is met de beperkte coherentie van NISQ-apparaten.

Methodologie: Shot-Based Quantum Encoding (SBQE)

De auteurs introduceren Shot-Based Quantum Encoding (SBQE), een strategie die de encodinglast verplaatst van coherente kwantumgates naar de klassieke controlelaag die de herhaalde uitvoeringen van het circuit ("shots") orchestreert.

Kernprincipes:

1. Mixture van toestanden: In plaats van voor elk datapunt één zuivere kwantumtoestand te bereiden, definieert SBQE een klassieke waarschijnlijkheidsvector $p(x) = (p_1, ..., p_n)$ voor een datapunt $x$.
2. Shot-toewijzing: Bij een totaal budget van $N_{tot}$ shots, worden deze shots verdeeld over een vaste set van $n$ vooraf bereide, hardware-vriendelijke basis-toestanden $\{|\psi_j\rangle\}$. Het aantal shots $N_j$ dat start in toestand $|\psi_j\rangle$ wordt getrokken uit een multinomiale verdeling bepaald door $p(x)$.
3. Dichtheidsmatrix: Het resultaat is een gemengde toestand (mixed state) die wordt beschreven door de dichtheidsmatrix:
   $$\rho(x) = \sum_{j=1}^{n} p_j(x) |\psi_j\rangle\langle\psi_j|$$
4. Lineaire afbeelding: Wanneer een variational unitary $U(\theta)$ wordt toegepast en observabelen worden gemeten, zijn de verwachtingswaarden lineair in de klassieke waarschijnlijkheden $p_j(x)$. Dit maakt het mogelijk om SBQE direct te combineren met niet-lineaire klassieke activatiefuncties.

Architectonische connectie:
SBQE is structureel equivalent aan een Multilayer Perceptron (MLP).

• De klassieke waarschijnlijkheidsvector $p(x)$ fungeert als de input.
• De kwantumcircuit-parameters $\theta$ realiseren de gewichten $W_{ij}(\theta) = \langle\psi_j| U^\dagger(\theta) O_i U(\theta) |\psi_j\rangle$.
• Een niet-lineariteit (zoals een aangepaste log-ReLU cascade) kan worden toegepast om de output van de ene laag om te zetten in de shot-verdeling voor de volgende laag, waardoor diepe kwantumnetwerken mogelijk zijn zonder extra encoding-gates.

Belangrijkste Bijdragen

1. Nieuw Encoding-Paradigma: SBQE elimineert de noodzaak voor data-encoding-gates volledig. De data wordt uitsluitend gecodeerd via de klassieke verdeling van shots over een set van basis-toestanden.
2. Hardware-Compatibiliteit: Omdat er geen diepe circuits nodig zijn voor staatvoorbereiding, past SBQE binnen de huidige coherentiebudgetten van NISQ-apparatuur (ongeveer 100 gates).
3. Theoretische Koppeling: De auteurs tonen aan dat SBQE wiskundig equivalent is aan een klassieke MLP waarbij de gewichten worden bepaald door de kwantumcircuit-parameters, wat een brug slaat tussen klassieke en kwantum-architecturen.
4. Scalabiliteit: Een register van $q$ qubits kan tot $2^q$ features coderen (via de grootte van de basis-set) zonder exponentiële toename in circuitdiepte, vergelijkbaar met amplituude-encoding maar zonder de kosten.

Resultaten

De methode werd getest op twee beeldclassificatie-benchmarks: Fashion-MNIST en Semeion (handgeschreven cijfers). De datasets werden gepreprocessed met PCA naar 8 dimensies (8 qubits). De resultaten werden vergeleken met een amplituude-encoding baseline en een breedte-gelijkgestelde klassieke lineaire MLP.

• Semeion Dataset:
  • SBQE bereikte een testnauwkeurigheid van 89,1% ± 0,9%.
  • Dit is een 5,3% reductie in fout ten opzichte van amplituude-encoding.
  • De prestatie is statistisch niet significant verschillend van een breedte-gelijkgestelde klassieke MLP (89,6%).
• Fashion-MNIST Dataset:
  • SBQE bereikte 80,95% ± 0,10% nauwkeurigheid.
  • Dit is 2,0% beter dan amplituude-encoding en 1,3% beter dan een lineaire MLP.
• Statistische significantie: Paired t-tests bevestigen dat SBQE significant beter presteert dan amplituude-encoding op beide datasets ($p < 0.01$).

Belangrijk is dat deze resultaten werden behaald met nul encoding-gates, wat betekent dat de volledige kwantum-resource (diepte) beschikbaar bleef voor de variational lagen.

Betekenis en Implicaties

Dit paper biedt een paradigmaverschuiving in hoe data wordt geladen in kwantumcomputers:

• Overtuigend gebruik van "Shots": Het toont aan dat de shots (herhalingen van metingen), die al een noodzakelijk en overvloedig resource zijn in NISQ-experimenten, kunnen worden gebruikt als een leerbaar, data-afhankelijk encoding-mechanisme.
• Overcoming Barren Plateaus: Omdat SBQE data encodeert via klassieke waarschijnlijkheden in plaats van rotatiehoeken, is het model niet beperkt tot periodieke functies (zoals bij hoek-encoding). Dit maakt het beter geschikt voor het scheiden van lineair scheidbare data.
• Praktische Toepasbaarheid: SBQE is direct toepasbaar op huidige hardware en vereist geen complexe staatvoorbereidingsalgoritmen. Het opent de deur voor diepere, expressievere QML-modellen die binnen de huidige fysieke beperkingen kunnen opereren.

Kortom, SBQE bewijst dat het herverdelen van bestaande experimentele resources (shots) een krachtige en praktische route is om de prestaties van quantum-neurale netwerken te verbeteren zonder de hardware-eisen te verhogen.