SPATE: Spiking-Phase Adaptive Temporal Encoding for Quantum Machine Learning

Titel: SPATE: Spiking-Phase Adaptive Temporal Encoding voor Quantum Machine Learning

Auteurs: Nouhaila Innan, Rachmad Vidya Wicaksana Putra, en Muhammad Shafique (NYU Abu Dhabi).

---

1. Het Probleem

De meeste bestaande Quantum Machine Learning (QML) pipelines vertrouwen op statische encoding-methoden, zoals hoek-encoding (angle encoding) en amplituude-encoding (amplitude encoding). Deze methoden hebben twee belangrijke beperkingen:

1. Gebrek aan temporele structuur: Ze kunnen tijdsafhankelijke informatie of dynamische patronen in de data niet effectief vastleggen.
2. Beperkte representatiekwaliteit: Onder realistische beperkingen (weinig qubits, ondiepe circuits) leiden deze statische methoden vaak tot embeddings waarbij klassen slecht gescheiden zijn of waar de label-structuur niet goed wordt behouden. Dit beperkt de leercapaciteit van daaropvolgende variational quantum circuits (VQC) of Quantum Neural Networks (QNN).

Het doel is een encoding-methode te vinden die tijdsinformatie integreert en een betere geometrische organisatie van klassen in de Hilbert-ruimte creëert, zonder de qubit-begroting te overschrijden.

---

2. Methodologie: SPATE

De auteurs introduceren SPATE (Spiking-Phase Adaptive Temporal Encoding), een spike-gedreven encoding-mechanisme dat klassieke tabulaire data omzet in kwantumtoestanden met behulp van principes uit Spiking Neural Networks (SNN).

Het proces verloopt in vier hoofdstappen:

A. Input Normalisatie

Ruw data wordt gestandaardiseerd en vervolgens geschaald naar het interval $[0, 1]$ per feature.

B. Spike-Generatie (Leaky Integrate-and-Fire)

Voor elke genormaliseerde feature $x_i$ simuleert SPATE een discrete Leaky Integrate-and-Fire (LIF) neuron over een tijdsvenster $T$.

• Het membraanpotentiaal $v_i(t)$ wordt geüpdatet volgens een differentiaalvergelijking met een lekterm, een gain-factor en additief ruis.
• Zodra de drempelwaarde wordt overschreden, wordt een "spike" geregistreerd en wordt de potentiaal gereset.
• Dit resulteert in een spike-trein voor elke feature.

C. Extractie van Spike-parameters

Uit de gegenereerde spike-treinen worden drie soorten parameters afgeleid die de kwantumrotaties bepalen:

1. Spike Rate ($\alpha_i$): Het aantal spikes wordt gemapt naar een rotatiehoek (amplitude-achtig) via een $R_X$-poort.
2. Spike Timing Phase ($\phi_i$): De gemiddelde fase van de spike-tijden (cirkelvormig) wordt gemapt naar een rotatiehoek via een $R_Z$-poort.
3. Temporele Bins ($B$): De tijd wordt opgedeeld in $n_t$ bins. De histogram-telling van spikes per bin (gecentreerd om globale offsets te verwijderen) wordt gebruikt voor gekoppelde fase-operaties.

D. Kwantum State Preparation

SPATE gebruikt een circuit met twee soorten qubits:

• Feature Qubits ($d$): Ontvangen de rotaties voor spike rate ($\alpha$) en timing phase ($\phi$).
• Time Qubits ($n_t$): Een compact register dat fungeert als "fase-receptoren" voor temporele patronen.
• Koppeling: Er worden gecontroleerde fase-rotaties ($CRZ$) toegepast tussen feature qubits en time qubits, gebaseerd op de bin-weights ($\beta$). Dit injecteert grove temporele structuren in de kwantumtoestand.

Voordeel: Deze methode encodeert intensiteit, timing en temporele patronen binnen een vast qubit-budget en ondiepe circuits.

---

3. Belangrijkste Bijdragen

1. Innovatieve Encoding: SPATE is een nieuwe, spike-informeerde state-preparation methode die rate, timing-phase en temporele signatuur combineert via ondiepe rotaties en gecontroleerde koppelingen.
2. Evaluatie-protocol: De auteurs introduceren een encoding-centric evaluatie die onafhankelijk is van de classifier. Ze gebruiken metrics zoals:
   • CKTA (Centered Kernel Target Alignment): Meet hoe goed de embedding overeenkomt met labels.
   • Fisher Ratio & Silhouette Score: Meten de scheidbaarheid van klassen.
   • TVpair & Hnorm: Zorgen ervoor dat de representatie niet "instort" (collapse) en dat er voldoende informatie-inhoud is.
3. Empirische Validatie: Uitgebreide tests op diverse datasets (synthetisch en real-world) tonen aan dat SPATE superieure embeddings biedt vergeleken met hoek- en amplituude-encoding, wat leidt tot betere prestaties in hybride QNN's.

---

4. Resultaten

A. Kwaliteit van de Representatie (Encoding Metrics)

Op de meeste datasets presteert SPATE aanzienlijk beter dan de baselines:

• Blobs: SPATE bereikt een CKTA van 0.966 en een Fisher-score van 7.37, vergeleken met respectievelijk 0.632 en 0.70 voor hoek-encoding.
• Moons: SPATE verbetert de CKTA van ~0.015 (bij baselines) naar 0.506. De Silhouette-score verbetert van negatief naar 0.355, wat aangeeft dat de klassen nu duidelijk gescheiden clusters vormen.
• Iris: CKTA stijgt naar 0.744 (vs. 0.50 bij hoek-encoding).
• Uitzondering: Op de "Circles"-dataset presteert hoek-encoding beter, omdat de periodieke rotatie-mapping hier natuurlijk past bij de ring-vormige besluitgrenzen.

B. Hybride QNN Classificatie

De verbeterde embeddings vertalen zich direct in betere classificatieprestaties binnen een vast qubit-budget:

• Wine: SPATE bereikt een nauwkeurigheid van 0.826 en AUC van 0.978 (vs. 0.685 nauwkeurigheid voor amplituude-encoding).
• Moons: Nauwkeurigheid stijgt naar 0.840 en AUC naar 0.923.
• Cancer: Nauwkeurigheid van 0.837 met een zeer hoge recall (0.983).
• Digits: Hoewel de nauwkeurigheid vergelijkbaar blijft (beperkt door de hoge klassenaantallen en beperkte qubits), behaalt SPATE de hoogste AUC (0.799), wat wijst op betere rangschikking van klassen.

C. Visualisatie

t-SNE visualisaties tonen aan dat SPATE embeddings creëert met duidelijkere clusterstructuren en minder overlap tussen klassen dan hoek- of amplituude-encoding, vooral op datasets met complexe temporele of niet-lineaire grenzen.

---

5. Betekenis en Conclusie

Dit paper demonstreert dat het verbeteren van de encoding-fase (state preparation) cruciaal is voor het succes van QML, zelfs onder strenge hardware-beperkingen.

• Praktische Impact: SPATE biedt een praktische interface van "spike naar fase" die tijdsinformatie efficiënt in kwantumtoestanden kan injecteren zonder complexe trainbare SNN-architecturen te vereisen.
• Algemene Toepasbaarheid: De methode is niet gebonden aan een specifieke classifier en kan als voorvoegsel (prefix) worden gebruikt in elke QML-pipeline.
• Nuance: Hoewel SPATE over het algemeen superieur is, is er geen "universeel beste" encoding. De geometrie van de dataset bepaalt welke methode het beste werkt (bijv. hoek-encoding voor cirkelvormige data).
• Toekomst: De auteurs wijzen op de noodzaak van robuustere strategieën voor het kiezen van hyperparameters (zoals LIF-drempels) en verdere evaluatie op echte hardware met ruis.

Kortom, SPATE toont aan dat het integreren van neuromorfe principes (spiking) in de kwantum encoding leidt tot informatiever en beter scheidbare kwantumrepresentaties.