Soft-Quantum Algorithms

Titel: Soft-Quantum Algorithms

Auteurs: Basil Kyriacou, Mo Kordzanganeh, Maniraman Periyasamy, en Alexey Melnikov (Terra Quantum AG)

---

1. Het Probleem

Variational Quantum Circuits (VQCs), ook wel Quantum Neural Networks (QNN's) genoemd, zijn een veelbelovende klasse van quantumalgoritmen voor machine learning. Echter, het trainen van deze circuits op huidige hardware (NISQ-era) of zelfs op klassieke simulatoren stuit op ernstige beperkingen:

• Hoge trainingskosten: Het trainen van VQCs op simulatoren is exponentieel duur in tijd en rekenkracht, vooral omdat elke extra poort de simulatietijd vergroot.
• Beperkte schaalbaarheid: De trainingsduur groeit onacceptabel snel vergeleken met klassieke neurale netwerken, mede door de exponentiële schaling van data in qubits en de poortgebaseerde decompositie.
• Architecturale beperkingen: De keuze van een specifieke "ansatz" (de schakeling van poorten) beperkt de dataflow en garandeert geen optimaliteit.
• Directe training is traag: Voor problemen met weinig qubits maar grote datasets is het direct trainen van de poortparameters inefficiënt.

2. Methodologie: Soft-Unitaries en Circuit Alignment

De auteurs stellen een tweestapsmethode voor die de directe training van poorten omzeilt door eerst de unitaire matrix direct te trainen en deze vervolgens om te zetten naar een schakeling.

Stap 1: Training van Soft-Unitaries

In plaats van de parameters van individuele quantumpoorten te trainen, trainen de auteurs de elementen van de volledige unitaire matrix $U$ (grootte $N \times N$, waarbij $N=2^n$ voor $n$ qubits) direct als parameters.

• Behoud van Unitairheid: Omdat het wijzigen van matrixelementen de unitaire eigenschap ($U^\dagger U = I$) kan schenden, wordt een regularisatieterm toegevoegd aan de verliesfunctie:
  $$L_{total} = L_{task} + \lambda \|U^\dagger U - I\|$$
  Hierbij straft de term $\|U^\dagger U - I\|$ afwijkingen van unitairheid af. De resulterende matrices worden soft-unitaries genoemd: objecten die zeer dicht bij unitair liggen maar niet strikt unitair zijn.
• Voordeel: Deze methode is onafhankelijk van het aantal poorten en de diepte van het circuit. Het leert een functie in een vaste tijd, ongeacht de complexiteit van de onderliggende poortstructuur.

Stap 2: Circuit Alignment (Schakeling Uitlijning)

Omdat soft-unitaries niet direct op een quantumchip kunnen worden uitgevoerd, moet deze matrix worden vertaald naar een reeks fysieke poorten.

• De auteurs gebruiken variational quantum compilers om een circuit te vinden dat zo goed mogelijk overeenkomt met de getrainde soft-unitary.
• De uitlijning wordt geminimaliseerd via een verliesfunctie die de afstand meet tussen de doel-unitary ($U_{soft}$) en het gegenereerde circuit ($U_{circuit}$).
• Complexiteit: De totale trainingskosten schalen als $O(d) + O(g)$ (waarbij $d$ het aantal datapunten en $g$ het aantal poorten is), in plaats van $O(d \cdot g)$ bij directe training. Dit maakt de methode aanzienlijk sneller voor grote datasets.

3. Belangrijkste Bijdragen

• Ansatz-agnostische training: De methode vereist geen vooraf gedefinieerde circuit-architectuur tijdens de trainingsfase, waardoor het volledige Hilbert-ruimte kan worden verkend.
• Efficiëntie: Het vermijden van matrix-exponentiatie (zoals in eerdere werken) en het direct trainen van matrixelementen met regularisatie versnelt het proces drastisch.
• Hybride integratie: De soft-unitaries kunnen naadloos worden geïntegreerd in hybride quantum-klassieke netwerken voor taken zoals versterkt leren.

4. Resultaten

De auteurs testen de methode op twee experimenten:

A. Toezicht op classificatie (Top-hat functie)

• Opdracht: Classificatie van een stapfunctie met 5 qubits en 1000 datapunten.
• Snelheid: De soft-unitary pipeline (training + uitlijning) voltooide het trainen in 3 minuten en 42 seconden. Directe training van een VQC duurde meer dan 2 uur (138 minuten).
• Nauwkeurigheid: De soft-unitary oplossing bereikte een lagere binary cross-entropy loss dan de direct getrainde VQC. De uiteindelijke uitlijning leverde een circuit op met een zeer kleine afwijking van de doel-unitary ($\|U^\dagger U - I\| \approx 3 \times 10^{-4}$).
• Conclusie: De methode is meer dan twee orde van grootte sneller zonder in te leveren op nauwkeurigheid.

B. Versterkt leren (Cartpole)

• Opdracht: Een hybride agent (3 qubits) die een paal op een kar moet balanceren.
• Vergelijking: Een hybride netwerk (Parallel Hybrid Network - PHN) met soft-unitaries versus een puur klassiek multilayer perceptron van vergelijkbare grootte.
• Resultaat: De hybride agent presteerde aanzienlijk beter. Na 340 episodes bereikte de hybride agent een gemiddelde duur van 417.0 seconden (waarbij de laatste 71 episodes perfect waren op 500 seconden), terwijl het klassieke model slechts 232.9 seconden haalde.
• Validatie: De uiteindelijke unitaire verliezen waren minimaal, wat aantoont dat de soft-unitaries effectief fungeren als echte quantumoperaties.

5. Betekenis en Beperkingen

Betekenis:
De paper toont aan dat het loskoppelen van data en poortarchitectuur tijdens de trainingsfase een krachtige strategie is. Het biedt onderzoekers een snelle manier om de theoretische limieten van quantummachine learning te verkennen (de "expressive limit") zonder vast te zitten aan de beperkingen van huidige hardware of specifieke circuit-ontwerpen. Het bewijst dat hybride systemen met soft-unitaries klassieke baselines kunnen overtreffen.

Beperkingen:

• Exponentiële schaling: De grootte van de soft-unitary matrix ($4^n$ elementen) en de benodigde diepte voor circuit alignment groeien exponentieel met het aantal qubits. De methode is daarom beperkt tot weinig-qubit problemen (kleine Hilbert-ruimten).
• Barren Plateaus: Omdat soft-unitaries maximale expressiviteit hebben, is de kans groot dat het verlieslandschap "barren plateaus" vertoont (waar gradiënten verdwijnen), wat het trainen van zeer diepe netwerken moeilijk maakt.
• Geen directe hardware-implementatie: De soft-unitary zelf is een wiskundig construct; het vereist altijd een tweede stap (uitlijning) om bruikbaar te zijn op echte hardware.

Conclusie:
Hoewel niet direct toepasbaar op grote schaal, biedt de "Soft-Quantum" methode een waardevol onderzoeksinstrument en een efficiëntere trainingsparadigma voor kleine, complexe quantumproblemen, met een potentiële snelheidswinst van meer dan 100x ten opzichte van traditionele VQC-training.