Technische Samenvatting: AQKA: Actieve Quantum Kernel Acquisitie Onder een Schotbegroting

1. Probleemstelling

Quantum kernel-methoden, die klassieke invoer afbeelden naar een quantum-kenmerkruimte om fideliteiten te berekenen $K(x_i, x_j) = |\langle \phi(x_j)|\phi(x_i)\rangle|^2$, behoren tot de meest toegankelijke werklasten voor Noisy Intermediate-Scale Quantum (NISQ)-hardware. Hun praktische implementatie wordt echter geblokkeerd door meetkosten. Het schatten van een $N \times N$ kernel-matrix vereist $\Theta(N^2 S)$ circuit-uitvoeringen (schoten), waarbij $S$ het aantal schoten per invoer is om een gewenste precisie te bereiken. Op huidige hardware, waar circuit-latenties variëren van milliseconden tot seconden, beperkt deze schaling de inzetbare probleemgroottes tot enkele honderden.

Bestaande strategieën om de begroting te besparen (zoals Nyström-QKE, ShoFaR, kernel-doeluitlijning) lossen dit op door te sub-sampling welke invoeren gemeten moeten worden (bijvoorbeeld het selecteren van landmark-kolommen of trainingspunten). Deze methoden wijzen de schotbegroting echter doorgaans uniform toe binnen hun gekozen subsets. Ze houden geen rekening met de heterogeniteit van de bijdrage van elke specifieke kernel-invoer aan de prestaties van de downstream-classificator. De kernvraag die onbeantwoord blijft is: gegeven een vaste schotbegroting $B$, hoe moeten schoten op paar-niveau worden toegewezen om het verlies van de downstream-taak te minimaliseren?

2. Methodologie: AQKA

De auteurs formuleren quantum kernel-leren met een schotbegroting als een optimalisatieprobleem dat het verwachte verlies $\mathbb{E}[L(\hat{K})]$ minimaliseert, onderworpen aan een totale schotbegrotingsbeperking $\sum s_{ij} \leq B$.

Theoretische Afleiding

Met behulp van een analyse op eerste orde (Delta-methode) gecombineerd met Karush-Kuhn-Tucker (KKT)-voorwaarden, leiden de auteurs een gesloten-vorm optimale toewijzingsregel af. Voor een kernel-invoer $K_{ij}$ geschat met $s_{ij}$ schoten, is de variantie $K_{ij}(1-K_{ij})/s_{ij}$. De optimale toewijzing $s^*_{ij}$ die de variantie van de verlies-schatting minimaliseert, is evenredig met de gevoeligheid van het verlies voor die invoer:
$$s^*_{ij} \propto |g_{ij}| \sqrt{K_{ij}(1-K_{ij})}$$
waarbij $g_{ij} = \partial L / \partial K_{ij}$ de gradiënt van het verlies met betrekking tot de kernel-invoer is.

• Voor Kernel Ridge Regression (KRR): De gradiënt wordt expliciet afgeleid als $g_{ij} = -2\lambda^2(\beta_i \alpha_j + \beta_j \alpha_i)$, waarbij $\alpha = (K+\lambda I)^{-1}y$ en $\beta = (K+\lambda I)^{-1}\alpha$.
• Voor Support Vector Machines (SVM): Met behulp van de enveloppe-stelling (Danskin's stelling) wordt de gradiënt afgeleid als $g_{ij} = -y_i y_j \eta^*_i \eta^*_j$, waarbij $\eta^*$ de optimale duale variabelen zijn.

Algorithmische Implementatie

De auteurs stellen AQKA (Active Quantum Kernel Acquisition) voor, een inzetbaar algoritme dat in rondes werkt:

1. Warm-up: Een klein deel van de begroting ($\eta_w B$) wordt uniform besteed om een initiële kernel-schatting $\hat{K}$ te zaaien.
2. Gevoeligheidsschatting: Het algoritme lost het KRR- (of SVM-) probleem op $\hat{K}$ op om de op gradiënt gebaseerde gevoeligheidsscores $g_{ij}$ te berekenen.
3. Target-Fill Toewijzing: In plaats van schoten te samplen uit een multinomiale verdeling (wat paren met lage gevoeligheid kan verzwakken door stochastische pieken), gebruikt AQKA een deterministische "target-fill"-benadering. Het berekent het doel-aantal schoten $s^*_{ij}$ en voegt het verschil $\max(0, s^*_{ij} - s_{ij})$ toe aan elk paar.
4. Exploratie: Een klein exploratie-aandeel ($\eta_e B$) wordt uniform toegevoegd om te voorkomen dat het algoritme paren volledig negeert die belangrijk kunnen worden door hogere-orde effecten of schattingsruis.

3. Belangrijkste Bijdragen

1. Compleet Regime Ontleding

Het artikel biedt een principiële karakterisering van wanneer verschillende toewijzingsstrategieën optimaal zijn:

• AQKA domineert in het begrotingsbeperkte regime ($B \lesssim 16 n_{pairs}$) bij KRR-taken met schaarse gevoeligheid.
• Nyström-QKE (laag-rang reconstructie) wint bij verzadigende begrotingen op ingeplante schaarse data, waarbij de laag-rang structuur volledig kan worden hersteld.
• ShoFaR-achtige methoden zijn alleen concurrerend in extreem lage-begroting regimes.

2. Gesloten-vorm Paar-niveau Acquisitietheorie

• KKT-Optimale Toewijzing: Afleiding van de gesloten-vorm gradiënt $g_{ij}$ voor KRR en SVM onder schotruis.
• Gecorrigeerde Schaarse-bewuste Grenzen: De auteurs leiden een Cauchy-Schwarz-grens af voor de haalbare variantiereductieratio $\rho$. Ze corrigeren de naïeve $\Theta(m^2/N^2)$ schaling (aannemende dat $g$ wordt ondersteund op $S \times S$) naar een nauwkeurigere $\Theta(m/N)$ schaling ($\rho \leq 2m/N$ voor KRR). Dit weerspiegelt het structurele feit dat zelfs als de oplossingsvector $\alpha$ schaars is, de gevoeligheidsvector $\beta = (K+\lambda I)^{-1}\alpha$ generiek dicht is, wat betekent dat elk paar dat de ondersteuningsset raakt, een niet-nul gevoeligheid heeft.
• Regret-grenzen: Een expliciete-constante plug-in regret-grens wordt geboden, die aantoont dat de fout convergeert naar de orakel-optimum naarmate de warm-up-begroting toeneemt.

3. Inzetbaar Target-Fill Algoritme

Het artikel toont aan dat een deterministisch target-fill-schema natuurlijke multinomiale sampling overtreft, met name in het begrotingsbeperkte regime. Multinomiale sampling neigt om agressief te concentreren op een paar hoge-score paren, andere te verzwakken en ruis in de matrix-inversie te versterken; target-fill handhaaft een minimum dekkingseiland.

4. Eerste Multi-Seed Live Online Adaptatie op Quantum Hardware

De auteurs rapporteren de eerste gepubliceerde demonstratie van online adaptieve schottoewijzing op huidige 156-qubit IBM Heron-klasse apparaten.

• IBM Aachen (N=20): +17,0 ± 4,8 procentpunten boven uniforme toewijzing (3,5$\sigma$ significantie).
• IBM Berlijn (N=30): +14,0 ± 8,5 procentpunten bij hogere begrotingen.

4. Experimentele Resultaten

Synthetische en Gesimuleerde Instellingen

• Ingeplante Schaarse KRR: Op synthetische data met schaarse oplossingsvectoren bereikt AQKA (target-fill met geschatte gevoeligheid) +8 tot +25 procentpunten boven uniforme toewijzing naarmate $N$ schaalt van 225 naar 1000.
• Ruisvrije Quantum Kernels: De winsten transfereren naar ruisvrije 4-qubit ZZFeatureMap-simulaties, wat +13 tot +18 punten boven uniform toont.
• Hardware-hersampling Ablatie: Met behulp van een kernel gemeten op IBM Pittsburgh (156 qubits) en hersampling met schotruis, bereikt AQKA +26,3 ± 6,1 punten bij $B = n_{pairs}$ en +31,9 ± 7,2 punten bij $B = 4n_{pairs}$ boven uniform.

Real-Data Benchmarks

• Borstkanker (Dicht $\alpha$): Op een real-world dataset waar de oplossingsvector dicht is (niet schaars), domineert AQKA niet uniform. Het is concurrerend maar toont regime-afhankelijke prestaties, wat benadrukt dat het voordeel van de methode afhankelijk is van hoge heterogeniteit in paar-niveau gevoeligheid.
• SVM vs. KRR: Het artikel merkt op dat hoewel het theoretische kader zich uitbreidt naar SVM, de plug-in-versie kwetsbaarder is door de instabiliteit van de ondersteuningsset onder ruisige warm-ups. In kleine-N, ruisige-warm-up regimes kan AQKA voor SVM onderpresteren ten opzichte van uniforme toewijzing, terwijl de KRR-versie robuust blijft.

5. Betekenis en Claims

Het artikel claimt de kloof te dichten tussen theoretische schotbegrotingsoptimalisatie en praktische implementatie op NISQ-hardware. De primaire betekenis ligt in:

1. Voorbij uniforme toewijzing gaan: Aantonen dat niet-uniforme, gevoeligheidsbewuste schottoewijzing cruciaal is voor quantum kernel-leren op korte termijn, vooral wanneer begrotingen krap zijn.
2. Hardware-validatie: Het bieden van de eerste multi-seed, live-online validatie van een adaptieve schottoewijzingsstrategie op echte quantum hardware, bewijzend dat de theoretische winsten apparatuurruis en kalibratie-drift overleven.
3. Regime-bewustzijn: Vaststellen dat geen enkele methode universeel superieur is; AQKA is specifiek ontworpen voor het begrotingsbeperkte, schaarse-gevoeligheidsregime, wat de operationeel relevante zone is voor huidige hardware.

De auteurs zijn bescheiden in hun claims, erkennend dat voor problemen met dichte gevoeligheid of verzadigende begrotingen, andere methoden (zoals Nyström) of uniforme toewijzing mogelijk preferabel zijn. Ze identificeren ook de SVM plug-in-ruis als een huidige beperking die toekomstig werk vereist (bijvoorbeeld margin-gestabiliseerde acquisitie).