Technische Samenvatting: Stochastische Schrödinger Diffusiemodellen voor het Genereren van Ensembles van Zuivere Toestanden

1. Probleemstelling

In Quantum Machine Learning (QML) wordt klassieke data frequent gecodeerd als quantum zuivere toestanden (vectoren in een Hilbertruimte modulo globale fase) om kwantumkenmerkruimten te benutten. Wanneer quantum data schaars is, is een natuurlijke aanpak om de dataset te augmenteren door nieuwe toestanden te bemonsteren uit het onderliggende ensemble. Echter, het naief verstoren van klassieke invoer en het opnieuw coderen ervan leidt vaak tot pathologische quantum toestanden, zoals bijna orthogonale kenmerkt toestanden of ingestorte verstrengelingsstructuren, wat de trainingsstabiliteit en generalisatie schaadt.

De uitdaging ligt in het uitbreiden van score-gebaseerde diffusiemodellen naar de ruimte van quantum zuivere toestanden. In tegenstelling tot Euclidische ruimten, bevinden zuivere toestanden zich op de complexe projectieve variëteit $\mathbb{CP}^{d-1}$, uitgerust met de Fubini–Study (FS) metriek. Deze niet-Euclidische geometrie presenteert twee primaire obstakels:

1. Onberekenbare Overgangsdichtheden: De overgangsdichtheden die nodig zijn voor standaard score-gebaseerde training zijn over het algemeen niet beschikbaar in gesloten vorm op $\mathbb{CP}^{d-1}$.
2. Geometrische Complexiteit: Het definiëren van voorwaartse diffusies, scores en reverse-time bemonsteringsprocessen vereist zorgvuldige behandeling van de kromming van de variëteit en de invariantheid van de globale fase.

Bestaande "quantum diffusie" benaderingen richten zich vaak op toestandsherstel via ruisende kanalen of evolutie van dichtheidsmatrices, in plaats van generatieve modellering van ensembles van zuivere toestanden voor data-augmentatie.

2. Methodologie: Stochastische Schrödinger Diffusiemodellen (SSDMs)

De auteurs stellen Stochastische Schrödinger Diffusiemodellen (SSDMs) voor, een intrinsiek score-gebaseerd generatief raamwerk dat direct is gedefinieerd op de variëteit van zuivere toestanden $\mathbb{CP}^{d-1}$.

2.1. Voorwaartse Diffusie en SSE Realisatie

Het raamwerk construeert een voorwaartse diffusie in continue tijd $\{\psi_t\}_{t \in [0,T]}$ op de variëteit $(\mathbb{CP}^{d-1}, g_{FS})$.

• Riemanniaans OU-proces: Het voorwaartse proces wordt gemodelleerd als een tijdsinhomogeen Riemanniaans Ornstein–Uhlenbeck (OU) diffusieproces:
  $$d\psi_t = b(\psi_t, t) dt + \sigma(t) dW^{(M)}_t$$
  waarbij $W^{(M)}_t$ Brownse beweging is op de variëteit onder de FS-metriek, en $b$ een driftterm is (bijvoorbeeld die trekt naar een referentietoestand).
• Stochastische Schrödinger-vergelijking (SSE) Realisatie: Om deze variëteitsdiffusie te verbinden met fysische quantum dynamica, bieden de auteurs een SSE-realizatie op de Hilbert-sfeer. De dynamica wordt aangedreven door een stochastische unitaire evolutie die een Hamiltoniaan en Lindblad-achtige ruis termen omvat. Na quotiëntvorming van de globale fase, induceert dit de gewenste isotrope diffusie op $\mathbb{CP}^{d-1}$.

2.2. Reverse-time Dynamica en Riemanniaanse Score

Gebaseerd op tijd-omkeertheorie voor diffusies op Riemanniaanse variëteiten, is het reverse-time proces ook een diffusie op $\mathbb{CP}^{d-1}$ met dezelfde diffusiecoëfficiënt maar een gemodificeerde drift:
$$d\psi_t = \left( b(\psi_t, t) - \sigma(t)^2 \nabla_{FS} \log p_t(\psi) \right) dt + \sigma(t) d\bar{W}^{(M)}_t$$
Hier is $\nabla_{FS} \log p_t(\psi)$ de Riemanniaanse score, gedefinieerd als de gradiënt van de log-dichtheid met betrekking tot de FS-metriek. Deze term drijft het generatieve proces van een eenvoudige prior (bijvoorbeeld een Clifford $t$-design ensemble) terug naar de data-verdeling.

2.3. Leerdoel voor Lokale Tijd

Aangezien de overgangsdichtheid $p_t(\psi)$ en de globale score onberekenbaar zijn, maken SSDMs gebruik van een leerdoel voor lokale tijd:

1. Lokale Benadering: In Fubini–Study normale coördinaten gecentreerd rond een punt $\phi$, staat de intrinsieke variëteitsdiffusie een lokale Euclidische OU/VP-benadering toe tot de eerste orde voor kleine tijdstappen $\delta t$. Krommingseffecten treden pas op bij hogere ordes.
2. Analytische Teacher Score: Deze lokale benadering levert een gesloten-vorm Gaussische conditionele dichtheid op in de raakruimte. De gradiënt van de log van deze Gaussische verdeling biedt een analytische teacher score in normale coördinaten.
3. Mapping naar Variëteit: Deze teacher score wordt teruggemapped naar de variëteit met behulp van de geadjungeerde van de differentiaal van de logaritme-afbeelding, $(d \log_\phi)^*_\psi$.
4. Training: Een score-netwerk $s_\theta(\psi, t)$ wordt getraind om het Riemanniaanse denoising score matching-doel te minimaliseren, waarbij de ware Riemanniaanse score wordt benaderd door het matchen van de analytische teacher scores die zijn afgeleid van kort-tijd overgangen.

2.4. Bemonstering

Bemonstering wordt uitgevoerd door de geleerde reverse-time SDE op de variëteit te integreren. Het proces start vanuit een berekenbare prior (benaderd door Clifford $t$-designs) en maakt gebruik van een Euler–Maruyama schema in lokale raakvlakken, gevolgd door een retraction (of exponentiële afbeelding) om terug te projecteren op $\mathbb{CP}^{d-1}$.

3. Belangrijkste Bijdragen

1. SSDM Raamwerk: Introductie van een score-gebaseerd generatief raamwerk specifiek voor verdelingen over quantum zuivere toestanden op $\mathbb{CP}^{d-1}$.
2. Intrinsiek Diffusie Ontwerp: Ontwerp van een Riemanniaans OU voorwaartse diffusie met een Stochastische Schrödinger-vergelijking (SSE) realisatie, die een brug slaat tussen fysische quantum trajecten en variëteitsdiffusie.
3. Lokale-tijd Training: Voorstellen van een praktisch leerdoel dat gebruik maakt van de lokale Euclidische limiet in FS normale coördinaten om analytische teacher scores af te leiden, waardoor de noodzaak voor gesloten-vorm globale overgangsdichtheden wordt omzeild.
4. Generalisatie van Riemanniaanse Score: Afleiding van de reverse-time dynamica aangedreven door de Riemanniaanse score onder de FS-metriek, wat een principiële generalisatie biedt van Euclidische score-gebaseerde modellering naar quantum ensembles van zuivere toestanden.

4. Experimentele Resultaten

De auteurs evalueren SSDMs op het genereren van ensembles van zuivere toestanden voor $n=2, 4, 6$ qubits en hun nut in downstream QML-taken.

• Generatieve Kwaliteit: SSDMs presteren consequent beter dan baselines (waaronder Euclidische VP-SDE, Riemanniaanse Score-gebaseerde Generatieve Modellen (RSGM), QGANs en QuDDPMs) over alle systeemgroottes.
  • Maten: SSDMs bereiken een hogere toestandsfideliteit ($F_0$) en een lagere Maximum Mean Discrepancy (MMD), observable mismatch ($\Delta_{obs}$) en verstrengelings-Wasserstein-afstand.
  • Invloed van Geometrie: De intrinsieke modellering van de FS-geometrie levert aanzienlijke verbeteringen op ten opzichte van Euclidische baselines, met name naarmate de systeemdimensie toeneemt, wat bevestigt dat het intrinsiek leren van raak-scores op $\mathbb{CP}^{d-1}$ cruciaal is.
• Lokale-tijd Supervisie: Ablatiestudies tonen aan dat het gebruik van analytische lokale-tijd OU teacher scores de bemonsteringskwaliteit significant verbetert in vergelijking met eindige-differentie benaderingen of modellen zonder lokale supervisie.
• Downstream QML Nut: In representatie-niveau data-augmentatie taken verbeteren door SSDM gegenereerde quantum toestanden de generalisatie van downstream classifiers (bijvoorbeeld Kernel SVM, variational classifiers) onder beperkte gelabelde data, wat blijkt uit verbeterde kernel-uitlijning, kernel-gap en gemiddelde marge.

5. Betekenis en Claims

Het artikel claimt dat SSDMs een fysisch onderbouwde en geometrisch principiële route bieden voor score-gebaseerde generatieve modellering van quantum ensembles van zuivere toestanden.

• Augmentatie op Representatieniveau: Het raamwerk stelt de generatie van nieuwe quantum representaties direct in de kenmerkruimte in, wat een oplossing biedt voor dataschaarste in QML zonder de pathologieën van klassieke invoerverstoring.
• Geometrische Noodzaak: De resultaten tonen aan dat het respecteren van de Fubini–Study geometrie niet slechts een theoretische verfijning is, maar een praktische noodzaak voor stabiele en nauwkeurige bemonstering in hoge-dimensionale quantum toestandsruimten.
• Brug tussen Fysica en ML: Door gebruik te maken van de SSE-realizatie, verbindt het werk stochastische quantum dynamica met moderne generatieve modellering, en biedt het een flexibel ontwerpprincipe voor stabiele voorwaartse diffusies op gekromde variëteiten.

De auteurs merken beperkingen op, waaronder de afhankelijkheid van kleine-stap benaderingen voor het lokale teacher-signaal, de huidige focus op zuivere toestanden (exclusief gemengde toestanden), en schaalbaarheidsuitdagingen die inherent zijn aan de exponentiële groei van de Hilbertruimte en de niet-lineaire geometrie van $\mathbb{CP}^{d-1}$. Echter, positioneren ze SSDMs als een fundamentele stap naar efficiënte klassieke surrogaten voor simulatie van quantum toestandsensembles in het nabije-toekomstige quantum tijdperk.