Q-SINDy: Quantum-Kernel Sparse Identification of Nonlinear Dynamics with Provable Coefficient Debiasing

Titel: Q-SINDy: Quantum-Kernel Sparse Identification van Niet-lineaire Dynamica met Bewezen Coëfficiënt-Debiasing

Auteurs: Samrendra Roy en Syed Bahauddin Alam (University of Illinois at Urbana-Champaign)

---

1. Het Probleem

Sparse Identification of Nonlinear Dynamics (SINDy) is een gevestigde methode om bestuurende vergelijkingen van dynamische systemen te ontdekken uit tijdreeksdata door een sparsere regressie uit te voeren op een vooraf gedefinieerde bibliotheek van functies (meestal polynomen).

De auteurs onderzoeken of het uitbreiden van deze polynoombibliotheek met een kwantum-kenmerkbibliotheek (quantum feature library) de ontdekking van vergelijkingen kan verbeteren. Hoewel kwantum-kenmerkmappen (quantum feature maps) klassieke data projecteren naar exponentieel hoge dimensies en veelbelovend zijn voor classificatie, is hun toepassing op vergelijkingenontdekking onontgonnen terrein.

De Kernproblematiek:
De auteurs ontdekten een systematisch faalmechanisme bij een naïeve implementatie van een kwantum-aangereikte SINDy: coëfficiënt-cannibalisme (coefficient cannibalization).

• Wanneer kwantum-kenmerken ($Q$) worden toegevoegd aan de polynoombibliotheek ($P$), absorberen ze een deel van de "uitlegkracht" die eigenlijk toebehoort aan de polynoomtermen.
• Dit leidt tot een systematische bias in de geschatte coëfficiënten van de polynomen. De gevonden vergelijkingen worden hierdoor onjuist, zelfs als de kwantum-kenmerken nuttige informatie bevatten.
• Zonder correctie kan dit leiden tot een daling van de "true-positive rate" (TPR) van het herstel van de ware dynamica met tot wel 100%.

---

2. Methodologie

Q-SINDy Framework

Het voorstel is een hybride bibliotheek $\Theta = [P, Q]$, waarbij:

• $P$: Een klassieke polynoombibliotheek (bijv. $1, x, y, x^2, xy, \dots$).
• $Q$: Een bibliotheek van kwantum-kenmerken, berekend als verwachtingswaarden van observabelen op een toestand voorbereid door een geparametriseerde kwantumcircuit $U_\phi(x)$.

De methode lost het volgende optimalisatieprobleem op (via STLSQ - Sequentially Thresholded Least Squares):
$$\min_{\Xi} \|\dot{X} - [P, Q] \Xi\|_F^2 + \lambda \|\Xi\|_0$$

De Oplossing: Orthogonalisatie

De auteurs leiden een exacte formule af voor de bias en bewijzen dat deze volledig kan worden geëlimineerd door orthogonalisatie van de kwantum-kenmerken ten opzichte van de polynoomruimte tijdens het trainingsproces.

De stap is als volgt:

1. Bereken de projectie van $Q$ op het kolomruimte van $P$.
2. Projecteer $Q$ naar het orthogonale complement van $P$:
   $$Q_\perp = Q - P(P^\top P)^{-1}P^\top Q$$
3. Gebruik $Q_\perp$ in plaats van $Q$ in de regressie.

Theoretisch Bewijs:

• Stelling 1: Toont aan dat de bias $\Delta\xi_P = (P^\top P)^{-1}P^\top Q \hat{\xi}_Q$ ontstaat wanneer $P^\top Q \neq 0$.
• Stelling 3: Bewijst dat door $Q$ te vervangen door $Q_\perp$, de matrix $P^\top Q_\perp = 0$ wordt. Hierdoor decoupleren de vergelijkingen en worden de polynoomcoëfficiënten in Q-SINDy exact gelijk aan die van "vanilla" SINDy (onbevooroordeeld), ongeacht de waarde van de kwantum-coëfficiënten.

Diagnostiek

De auteurs introduceren een nieuwe, dynamische diagnostische maatstaf, $R^2_Q$, om de ernst van cannibalisme vooraf te voorspellen. Dit is de $R^2$ van een lineaire regressie van $\dot{X}$ op alleen $Q$. Een hoge $R^2_Q$ impliceert dat kwantum-kenmerken de dynamica goed kunnen voorspellen, wat de kans op cannibalisme vergroot.

---

3. Belangrijkste Resultaten

De methode werd getest op zes canonieke dynamische systemen (Duffing, Van der Pol, Lorenz, Lotka-Volterra, kubische oscillator, Rössler) en uitgebreid naar de Burgers-vergelijking (PDE).

• Verificatie van Cannibalisme: Bij naïeve Q-SINDy daalde de TPR drastisch. Bijvoorbeeld, bij het Duffing-systeem met ruis ($\sigma=0.02$) daalde de TPR van 1.0 (vanilla) naar 0.40 (naïef Q-augmented).
• Effectiviteit van Orthogonalisatie: De georthogonaliseerde Q-SINDy (met $Q_\perp$) herstelde de prestaties exact tot het niveau van vanilla SINDy over alle ruisniveaus en systemen. De afwijking in coëfficiënten was kleiner dan $10^{-14}$ (machine precisie).
• Uitsluiten van Alternatieve Oorzaken:
  • Een controle met RBF-kernen (klassieke kernel-augmentatie) over 20 hyperparameter-configuraties presteerde zelfs slechter dan kwantumvarianten. Dit bewijst dat het probleem niet simpelweg het aantal kenmerken is, maar specifiek de geometrie van de kwantum-kenmerken.
• Voorspellende Diagnostiek: De $R^2_Q$-diagnostiek voorspelde de ernst van cannibalisme met een statistisch significante correlatie ($r=0.70, p=0.023$), wat een aanzienlijke verbetering is ten opzichte van simpele kolomruimte-overlap ($r=0.55$).
• Robuustheid: De methode bleef robuust tegen hardware-ruis (depolarisatiekanalen tot 2% per poort), wat relevant is voor huidige NISQ-apparaten.
• Generalisatie: De bevindingen golden voor drie verschillende kwantum-architecturen (ZZ-angle encoding, IQP, data re-uploading) en voor een PDE-uitbreiding (Burgers' vergelijking).

---

4. Bijdragen en Significantie

1. Identificatie van een Fundamenteel Foutpatroon: Het paper identificeert en kwantificeert "coëfficiënt-cannibalisme" als een kritieke valkuil bij het combineren van klassieke en kwantum-kenmerken voor symbolische regressie.
2. Wiskundig Bewezen Oplossing: Het biedt een eenvoudige, goedkope algebraïsche correctie (orthogonalisatie) die de bias exact elimineert, met formele bewijzen voor zowel least-squares als sparse regression (STLSQ).
3. Praktische Validatie: De resultaten tonen aan dat kwantum-kenmerken nuttig kunnen zijn voor het vangen van residu-dynamica die niet in polynomen passen, mits de orthogonalisatie wordt toegepast. Zonder deze stap is de implementatie schadelijk.
4. Toekomstperspectief: Hoewel de huidige experimenten klassiek simuleerbaar zijn (2-3 qubits), legt het werk de basis voor het gebruik van kwantum-kenmerken in wetenschappelijk machine learning (SciML) op grotere schaal. Het benadrukt dat de waarde van kwantum-features ligt in hun representatiekracht, niet noodzakelijk in hun berekeningsvoordeel op dit moment.

Conclusie:
Q-SINDy demonstreert dat het naïef toevoegen van kwantum-kenmerken aan SINDy de vergelijkingenontdekking kan saboteren. Echter, met de voorgestelde orthogonalisatiestap, kan het framework de voordelen van kwantum-embeddings benutten zonder de interpretatie en nauwkeurigheid van de gevonden fysieke wetten te compromitteren. Dit is een essentiële stap voor het betrouwbaar integreren van kwantumtechnieken in engineering-toepassingen waar interpretabiliteit cruciaal is.