Intrinsic Flow Matching on Quantum Pure-State Manifolds with Phase-Aligned Transport

Technische Samenvatting: Intrinsic Flow Matching op Quantum Pure-State Manifolds met Fase-Gealigneerde Transport

1. Probleemstelling

Quantum pure-state ensembles bevinden zich op de complexe projectieve ruimte $\mathbb{CP}^{d-1}$, waarbij $d=2^n$ voor $n$ qubits. In tegenstelling tot Euclidische data zijn pure toestanden alleen gedefinieerd tot een globale fase, wat een gauge-redundantie creëert. Bestaande generatieve modelleringsbenaderingen behandelen deze toestanden vaak als vectoren in een omringende Euclidische ruimte ($\mathbb{C}^d$ of $\mathbb{R}^{2d}$). Deze benadering is geometrisch mismatchend omdat het de quotientstructuur van de manifold negeert, wat potentieel transport leert in onfysische richtingen (radiale beweging of globale fase-rotatie) die niet overeenkomen met betekenisvolle toestandsevolutie.

Hoewel recente intrinsieke diffusiemodellen (bijv. Stochastic Schrödinger Diffusion Models, SSDM) de manifold-geometrie adresseren, erven zij de complexiteiten van diffusie-machinerie: lokale score-schatting, teacher-approximaties en reverse-time stochastische simulatie. Deze worden steeds moeilijker te optimaliseren en te simuleren naarmate de dimensie van de Hilbert-ruimte groeit. Het artikel stelt dat de generatie van quantum pure-states beter geformuleerd kan worden als een intrinsiek waarschijnlijkheidstransport probleem op $\mathbb{CP}^{d-1}$, waarbij wordt bewogen van stochastische diffusie naar deterministische flow.

2. Methodologie: Intrinsic Flow Matching (IFM)

De auteurs stellen Intrinsic Flow Matching (IFM) voor, een deterministisch transportframework dat direct leerbare tangent-snelheidsvelden op de projectieve manifold leert.

• Intrinsieke Transportformulering: In plaats van een scorefunctie voor een reverse-time stochastische differentiële vergelijking (SDE) te leren, leert IFM een tijdafhankelijk tangent-snelheidsveld $v_t(\psi) \in T_\psi\mathbb{CP}^{d-1}$. De dichtheidsevolutie wordt beheerst door de intrinsieke continuïteitsvergelijking:
  $$\partial_t p_t + \text{div}_{\mathbb{CP}}(p_t v_t) = 0$$
  De tangentruimte wordt geïdentificeerd met de horizontale subspace $H_\psi = \{ \xi \in \mathbb{C}^d : \langle \psi, \xi \rangle = 0 \}$, wat radiale en onfysische fasecomponenten verwijdert.

• Fase-Gealigneerde Conditionele Paden: Een kernuitdaging in flow matching is het definiëren van paden tussen een basissteekproef $\psi_0$ en een doelsteekproef $\psi_1$. Omdat $\psi_1$ alleen gedefinieerd is tot een fase, vereist interpolatie een gauge-fixing conventie. IFM maakt gebruik van de Pancharatnam in-fase conventie [17]. Voor een paar $(\psi_0, \psi_1)$ wordt de doelrepresentant $\bar{\psi}_1$ gekozen zodanig dat de overlap $\langle \psi_0, \bar{\psi}_1 \rangle$ reëel en niet-negatief is. Deze keuze is bewezen de reële eind-overlap te maximaliseren en de omringende chord-lengte te minimaliseren onder alle fase-equivalente representanten.

• Padconstructie en Snelheid: De conditionele pad $\gamma_t(\psi_0, \psi_1)$ wordt geconstrueerd via genormaliseerde chord-interpolatie tussen $\psi_0$ en de fase-gealigneerde $\bar{\psi}_1$:
  $$\tilde{\psi}_t = (1-t)\psi_0 + t\bar{\psi}_1, \quad \psi_t = \frac{\tilde{\psi}_t}{\|\tilde{\psi}_t\|}$$
  De doel-snelheid $u_t$ is de tijdsafgeleide van dit pad, orthogonaal geprojecteerd op de horizontale tangentruimte bij $\psi_t$.

• Trainingsdoelstelling: Het model $v_\theta(\psi, t)$ wordt getraind door de verwachte kwadratische fout te minimaliseren tussen de voorspelde tangent-snelheid en de doel-conditionele snelheid:
  $$\mathcal{L}_{\text{IFM}}(\theta) = \mathbb{E} \left[ \| v_\theta(\psi_t, t) - u_t(\psi_t | \psi_0, \psi_1) \|_{\psi_t}^2 \right]$$
  waarbij de norm geïnduceerd wordt door de Fubini–Study metriek.

• Sampling: Generatie vindt plaats door de geleerde gewone differentiaalvergelijking (ODE) deterministisch te integreren op de manifold, waarbij een retractie-stap (normalisatie) wordt gebruikt om de toestand op de eenheidssfeer te behouden.

3. Belangrijke Theoretische Bijdragen

Het artikel biedt een rigoureuze wiskundige karakterisering van IFM:

• Populatie Optimaliteit: De auteurs bewijzen dat de populatie-minimizer van de IFM-doelstelling de conditionele verwachting-snelheidsveld herstelt die geassocieerd is met de gekozen padfamilie. Dit veld is het unieke marginale transportveld dat de dichtheidsevolutie aanstuurt.
• Continuïteitsvergelijking: Er wordt aangetoond dat het geleerde veld voldoet aan de intrinsieke continuïteitsvergelijking op $\mathbb{CP}^{d-1}$, wat garandeert dat de dichtheidsevolutie fysisch consistent is met de conservering van waarschijnlijkheidsstroom.
• Eindpunt en Stabiliteitsgaranties: Onder deterministische Monge-koppelingen en Fubini–Study geodetische interpolatie herstelt IFM exact het displacement-interpolatie snelheidsveld. Verder wordt een Wasserstein-2 stabiliteitsbegrens vastgesteld, die de trainingsfout ($L^2$) koppelt aan de kwaliteit van de gegenereerde distributie in termen van de Fubini–Study afstand.
• Conditionele-naar-Marginale Reductie: Vergelijkbaar met standaard flow matching theorie, verschilt de conditionele doelstelling van de marginale regressiedoelstelling slechts door een additieve constante, wat verzekert dat zij dezelfde minimizers delen.

4. Experimentele Resultaten

De auteurs evalueren IFM tegenover Euclidische Flow Matching (FM) en intrinsieke diffusie-baselines (SSDM) over verschillende benchmarks:

• Single-Cluster Schaling: Op gecontroleerde single-cluster distributies presteert IFM consequent beter dan Euclidische FM, waarbij het prestatieverschil significant groter wordt bij hogere qubit-aantallen (10 en 12 qubits).
• Multimodale en Coherentie-gevoelige Ensembles: IFM vertoont substantiële winsten op multimodale benchmarks waar modi verschillen door projectieve fase-structuur of coherente product-toestand organisatie. Het presteert ook goed op spin-coherent pieken en compacte natuurkunde-geïnspireerde families (TFIM en XXZ grondtoestanden).
• Amplitude-gecodeerde Afbeeldingen: Op MNIST-afgeleide benchmarks waar afbeeldingen als quantum-amplituden zijn gecodeerd, presteert IFM beter dan Euclidische FM over alle metrieken bij zowel 6 als 12 qubits.
• Vergelijking met Diffusie: Hoewel IFM vaak verbetering laat zien ten opzichte van Euclidische FM, merkt het artikel op dat het voordeel niet uniform is over elke metriek of taak. Echter, de winsten zijn het meest uitgesproken in hoog-dimensionale, coherentie-gevoelige en multimodale settings.

5. Betekenis en Claims

Het artikel claimt dat het succes van IFM niet louter een resultaat is van de overstap van diffusie naar flow matching, maar specifiek te danken is aan het respecteren van de intrinsieke geometrie van de pure-state ruimte. Door direct op $\mathbb{CP}^{d-1}$ te opereren en gebruik te maken van fase-gealigneerde transport, vermijdt IFM de "gauge-redundantie" die omringende Euclidische modellen te kwel.

De auteurs positioneren IFM als een deterministisch tegenhanger van Stochastic Schrödinger Diffusion Models (SSDM). Terwijl SSDM vertrouwt op stochastische simulatie en score-schatting, maakt IFM gebruik van deterministische snelheid-matching en ODE-integratie. Het werk suggereert dat geometrisch transport een veelbelovend organiserend principe is voor quantum generatieve modellering, met name voor hoog-dimensionale taken waar stochastische diffusiemethoden te maken krijgen met schaalbaarheids- en optimalisatie-uitdagingen. Het framework wordt gepresenteerd als een wiskundig expliciete formulering van waarschijnlijkheidstransport op quantum-toestandsruimten, waarbij machine learning doelstellingen worden verbonden met natuurkunde-geïnspireerde concepten zoals waarschijnlijkheidsstromen en continuïteitswetten.