A Coherence Law for Trainability in Noisy Equivariant Quantum Neural Networks

Technische Samenvatting: Een Coherentiewet voor Trainbaarheid in Ruisende Equivariante Kwantumneurale Netwerken

Probleemstelling
De trainbaarheid van Variational Quantum Algorithms (VQAs) wordt bedreigd door twee verschillende mechanismen: het barren-plateau fenomeen, waarbij gradiënten exponentieel verdwijnen door circuit-expressiviteit, en ruis-geïnduceerde degradatie. Hoewel symmetrie (specifiek equivariantie) is vastgesteld als een structureel instrument om barren plateaus te mitigeren door de dynamische Lie-algebra te beperken, biedt dit niet inherent bescherming tegen ruis. Er bestaat een kritieke kloof in het begrijpen van welke fysieke grootheid bepaalt of de gradiënten van een equivariant circuit overleven onder decoherentie. Standaard kanaaldiagnostiek (bijv. gemiddelde gate-infidelity, unitarity-verlies) faalt vaak in het voorspellen van trainbaarheid omdat deze middelt over vrijheidsgraden die niet deelnemen aan de specifieke gradiëntrespons. Dit artikel adresseert de vraag: Welke fysieke grootheid bepaalt het overleven van gradiënten in ruisende equivariante kwantumneurale netwerken (QNNs)?

Methodologie
De auteurs onderzoeken $U(1)$-equivariante brickwork-circuits werkend op een cyclusgrafiek met periodieke randvoorwaarden. Het systeem conserveert een totale lading $\hat{N}$, en de input-toestand is gefixeerd binnen één specifieke ladingsector (specifiek de enkelvoudige excitatie-sector, $r=1$).

• Model: Het circuit bestaat uit trainbare enkelvoudige-qubit $R_z$-rotaties en gefixeerde naburige $XY$ hopping-gates. De output is een sector-geprojecteerde lokale readout $O_B = P_r Z_0 P_r$.
• Trainbaarheidscriterium: Trainbaarheid wordt gekwantificeerd door het tweede moment van de voorspellingsgradiënt, $M_2(\theta_i; \gamma)$, geëvalueerd over een kleine-box parameter-prior. De degradatie wordt gemeten als $D_M(\gamma) = \log[M_2(\theta_i; 0) / M_2(\theta_i; \gamma)]$.
• Theoretisch Kader:
  1. Light-Cone Reductie: De auteurs bewijzen dat actieve gradiënten strikt worden ondersteund binnen de achterwaartse lichtkegel van de readout, beperkt tot de actieve ladingsector. Zij stellen een ondergrens vast voor het ruisvrije gradiënt tweede moment die onafhankelijk is van het totale aantal qubits $n$, mits de input een eindige gewicht behoudt binnen de lichtkegel.
  2. Coherentie-analyse: De gradiëntamplitude bevindt zich in de off-diagonaal (coherentie) elementen van de actieve ladingsector. De auteurs definiëren de readout-zichtbare uitgelijnde coherentiesnelheid ($\lambda_{vis}$) als een Rayleigh-quotiënt van de ruisgenerator langs de specifieke gradiënt-dragende modus. Dit wordt gecontrasteerd met de worst-case coherentiesnelheid ($\lambda_{coh}$), die maximaliseert over alle off-diagonale richtingen.
  3. Perturbatieve Wet: Een eerste-orde open-systeem analyse leidt een trainingswet af waarbij de leidende orde van de degradatie proportioneel is aan de geaccumuleerde uitgelijnde contractie.
• Numeriek Protocol: Simulaties evolueren volledige dichtheidsmatrices voor systeemgroottes tot $n=10$ en dieptes $L \in \{3, \dots, 6\}$. De studie gebruikt een grid van ruisdieptes en vergelijkt restrictieve-isotrope kanalen (amplitude damping, dephasing, depolarizing) met gestructureerde, anisotrope kanalen (inclusclusief een gecorreleerde-dephasing controle).

Kernbijdragen

1. Light-Cone Reductie Theorem: Het artikel bewijst dat voor $U(1)$-equivariante brickwork-circuits de ondersteuning van actieve gradiënten is geconfineerd binnen de achterwaartse lichtkegel van de readout binnen de ladingsector. Cruciaal is dat de ruisvrije gradiënt-amplitude een ondergrens heeft die onafhankelijk is van de totale systeemomvang, mits de input-excitatie niet volledig delokaliseert buiten de kegel.
2. Readout-zichtbare Uitgelijnde Coherentiesnelheid: De auteurs identificeren dat trainbaarheid niet wordt beheerst door globale kanaaleigenschappen of sector-populaties, maar door de contractiesnelheid van de specifieke off-diagonale modus die de gradiënt draagt. Zij definiëren $\lambda_{vis}$ als de fundamentele grootheid, waarbij zij aantonen dat deze begrensd wordt door de worst-case snelheid $\lambda_{coh}$ ($\lambda_{vis} \leq \lambda_{coh}$).
3. Empirische Trainingswet: Door middel van dichtheidsmatrix-simulaties leiden de auteurs een empirische schalingswet af voor eindige-ruis degradatie: $D_M \propto (\gamma L)^{1.002} \lambda_{coh}^{0.964}$ (met $R^2 \approx 0.979$) voor restrictieve-isotrope ruis.
4. Diagnostische Superioriteit: De studie demonstreert dat de sector-coherentiesnelheid de standaard kanaaldiagnostiek (zoals gemiddelde infidelity, zuiverheidsverlies) significant beter voorspelt wat betreft gradiëntdegradatie, omdat deze gematcht is aan de specifieke operator-subruimte van de respons.

Resultaten

• Lokalisatie: Numerieke kaarten bevestigen dat gradiënten verdwijnen buiten de analytische achterwaartse lichtkegel, waarbij de actieve-naar-inactieve ratio een factor $> 10^{27}$ overstijgt.
• Perturbatieve Geldigheid: In het regime van kleine ruis is de gradiëntdegradatie lineair ten opzichte van het product van de ruisdiepte en de coherentiesnelheid, wat de perturbatieve afleiding valideert.
• Eindige-Ruis Schaling: De degradatie volgt een machtswet afhankelijk van de geaccumuleerde ruisdiepte ($\gamma L$) en de coherentiesnelheid. De coherentiesnelheid verklaart ongeveer 94% van de variantie in degradatie die de ruisdiepte alleen niet kan verklaren.
• De Zero-Alignment Controle: Een beslissende test met een gecorreleerde-dephasing kanaal onthulde een kanaal met een grote worst-case snelheid ($\lambda_{coh} = 4.5$) maar een bijna nul uitgelijnde snelheid ($\lambda_{vis} \approx 0$). Zoals voorspeld door de theorie, produceerde dit kanaal geen meetbaar gradiëntverlies ($|D_M| < 3 \times 10^{-14}$), wat bewijst dat de worst-case snelheid onvoldoende is om trainbaarheid in gestructureerde ruis te voorspellen.
• Grootte-onafhankelijkheid: De degradatiewet blijft invariant ten opzichte van het totale aantal qubits $n$ (getest tot $n=10$) en de randvoorwaarden (cyclus versus open keten), wat de theoretische ondergrens bevestigt.

Betekenis en Claims
Het artikel claimt een "coherentiewet" te hebben vastgesteld die de equivariante architectuur, open-systeem dynamica en ruisende trainbaarheid koppelt. De centrale bevinding is dat readout-zichtbare sector-coherentie de operatieve grootheid is die het overleven van gradiënten bepaalt.

• Mechanisme: Causaliteit bepaalt waar de gradiënt leeft (de lichtkegel), terwijl coherentie bepaalt hoe snel deze vervalt (de uitgelijnde contractiesnelheid).
• Implicatie voor Benchmarks: Het rapporteren van symmetrie-covariantie of sector-lekken is onvoldoende. Een nutvolle benchmark moet het overleven van sector-coherentie binnen de readout-lichtkegel rapporteren.
• Implicatie voor Design: Hardware-bewuste ansatz-ontwerpen moeten prioriteit geven aan het plaatsen van gradiënt-dragende coherentie in richtingen die traag contrageren onder het specifieke ruismodel, in plaats van enkel te vertrouwen op het behoud van symmetrie.
• Beperkingen: De zuivere scalaire wet is expliciet beperkt tot de enkelvoudige excitatie-sector en restrictieve-isotrope ruis. Voor hogere sectoren of gestructureerde ruis is de uitgelijnde snelheid (die een Rayleigh-quotiënt berekening vereist) noodzakelijk, aangezien de worst-case scalaire waarde faalt. De studie is beperkt tot numerieke simulaties en rapporteert geen experimentele hardware-validatie.

Het artikel concludeert dat het overleven van trainbare gradiënten in ruisende equivariante QNNs een functie is van de uitlijning tussen de ruisgenerator en de gradiënt-dragende modus, in plaats van de globale sterkte van het ruiskanaal.