SQGen: Structured Quantum Image Generation with Latent-Modulated Quantized Tensor Trains

Technische Samenvatting van SQGen: Gestructureerde Kwantum Beeldgeneratie met Latent-Gemoduleerde Gekwantiseerde Tensor Trains

Probleemstelling

Het genereren van afbeeldingen direct vanuit kwantumsystemen op Noisy Intermediate-Scale Quantum (NISQ) hardware blijft een onopgeloste uitdaging. Bestaande kwantumgeneratieve modellen worden geconfronteerd met drie primaire, gekoppelde obstakels:

1. Trainbaarheid: Diepe geparametriseerde circuits lijden vaak aan "barren plateaus", waarbij de gradiëntvariantie exponentieel afneemt met het aantal qubits en de circuitdiepte, wat optimalisatie blokkeert.
2. Circuitcomplexiteit: Methoden die vertrouwen op amplitude-encodering brengen dure toestandsvoorbereidingskosten met zich mee, en de diepe circuits die nodig zijn om deze toestanden voor te bereiden, eroderen kwantuminformatie door hardware-ruis.
3. End-to-End Kwantumvoordeel: Het produceren van outputs op beeldschaal vereist doorgaans een klassieke decoder om kwantumtoestanden te interpreteren. Deze hybride aanpak doorbreekt het end-to-end kwantumvoordeel, aangezien het grootste deel van de modelleringscapaciteit in de klassieke component berust.

Huidige hybride benaderingen (bijv. ondiepe kwantumcomponenten met klassieke decoders) falen in het bieden van een echt kwantumvoordeel voor hoog-dimensionale doelwitten, terwijl puur kwantum benaderingen worstelen met de ruis- en dieptebeperkingen van NISQ-apparaten.

Methodologie

De auteurs stellen SQGen voor, een volledige kwantumgenerator ontworpen om end-to-end te opereren zonder een klassieke decoder tijdens inferentie. De architectuur is gebouwd op een Quantized Tensor Train (QTT) skelet met Latent Modulation (LM), volledig getraind op klassieke hardware en ingezet als een native-gate kwantumcircuit.

1. QTT Bond Skeleton (Fysieke Implementatie):

• Structuur: Het model maakt gebruik van een QTT-decompositie van de doelpixelverdeling. In tegenstelling tot klassieke tensornetwerken, promoot SQGen de QTT bond-indices naar fysieke ancilla bond qubits.
• Mechanisme: Voor een afbeelding van grootte $2^{n_s} \times 2^{n_s}$ worden de rij- en kolomcoördinaten gemapt naar binaire bits over $n_s$ schalen. Elke schaal wordt gecodeerd door twee fysieke qubits. De bond-dimensie $\chi$ wordt gemapt naar $n_b = \log_2 \chi$ ancilla qubits.
• Operatie: Elk circuitpunt past een lokale unitaire operatie toe op het bond-register (ancilla's) en de twee fysieke qubits die een specifieke beeld-schaal vertegenwoordigen. De output is de bond-marginale Born-verdeling, verkregen door alle qubits te meten en de ancilla-bits te negeren. Deze structuur stelt het circuit in staat om multi-schaal correlaties efficiënt te leren met een beperkt aantal qubits.

2. Latent Modulation (LM):

• Angle-Level Factorization: Om de generatie te conditioneren op een latente variabele $z$, verfijnt SQGen de data re-uploading techniek. In plaats van re-uploading rotaties naast trainbare rotaties te plaatsen, factoriseert het de rotatiehoek in een trainbaar hoofdpad plus een additieve latente term.
• Wiskundige Basis: Dit berust op de abelse eigenschap van rotaties rond een gemeenschappelijke as. Een rotatie $R_a(\theta) R_a(\omega \cdot z + \beta)$ is exact gelijk aan een enkele rotatie $R_a(\theta + \beta + \omega \cdot z)$.
• Voordeel: Deze exacte decompositie maakt het mogelijk dat de latente $z$ de output-hoeken direct moduleert. Bij implementatie kunnen deze rotaties worden samengevoegd tot enkele native gates, wat de circuitdiepte vermindert.

3. Klassieke Training, Kwantum Deployment Pipeline:

• Training: Het model wordt volledig op een klassiek systeem getraind met behulp van een differentieerbare QTT-implementatie.
  • Latent Prior: De latente variabele $z$ wordt gesampled uit een torus-prior ($\mathbb{T}^d$) met behulp van een gescrambled Sobol quasi-Monte Carlo sequentie, passend bij de $2\pi$ periodiciteit van rotatiehoeken.
  • Encoder: Een kleine CNN-gebaseerde encoder brengt afbeeldingen naar de torus-latente ruimte tijdens de training.
  • Doelstelling: De training minimaliseert een reconstructieverlies (KL-divergentie en L1-afstand) tussen de doelpixelverdeling en de Born-verdeling van het circuit bij $z = E_\phi(x)$.
  • Optimalisatie: Exacte gradiënten worden teruggepropageerd door de tensorcontracties, waardoor de shot-noise en barren plateau problemen van computationele kwantumtraining worden vermeden.
• Deployment: Na de training wordt de encoder verwijderd. De geleerde parameters worden één-op-één geëxporteerd naar een native-gate kwantumcircuit (met behulp van gates $\{R_y, R_z, \text{CNOT}\}$). Inferentie houdt in dat $z$ direct wordt gesampled uit de torus-prior, het circuit wordt uitgevoerd en de meting plaatsvindt in de computationele basis.

Belangrijkste Bijdragen

1. SQGen Architectuur: Een gestructureerde kwantum beeldgenerator die een QTT bond skeleton (die efficiënt multi-schaal kenmerken leert met behulp van ancilla qubits) combineert met Latent Modulation (die exacte, hoek-niveau conditionering biedt om de sample-diversiteit te verbeteren).
2. Klassieke Trainingspipeline: Een volledig klassiek trainingsframework dat een differentieerbaar QTT-model optimaliseert onder een torus-prior. Dit vermijdt barren plateaus en sampling-overhead, wat de export van parameters naar een native-gate circuit mogelijk maakt zonder een klassieke decoder in het inferentiepad.
3. Empirische Validatie: Uitgebreide experimenten tonen aan dat SQGen stabiel traint, een lage reconstructiefout (KL en L1) bereikt op MNIST en Fashion-MNIST, de sample-diversiteit behoudt en een veelbelovende haalbaarheid op echte kwantumhardware laat zien vergeleken met amplitude-encodering baselines.

Experimentele Resultaten

• Prestaties op MNIST: SQGen behaalde de laagste per-sample KL en L1 fouten over alle tien de cijferklassen terwijl een niet-nul sample-diversiteit werd behouden. Het presteerde beter dan ablaties (Vanilla Born Machine, BM+LM, BM+QTT) en triviale baselines.
  • Ablatie Bevindingen: Het QTT bond skeleton alleen produceerde een statisch, zero-diversity prototype. Latent modulation alleen produceerde ruizige samples met een slechte getrouwheid (fidelity). Alleen hun combinatie (SQGen) leverde een scherpe klassenstructuur met latente-conditionele variatie op.
• Synthetische Doelwitten: Op gecontroleerde taken (multi-schaal strepen en bewegende Gaussische blobs) reproduceerde SQGen succesvol complexe ruimtelijke patronen en demonstreerde consistente variatie met continue latente inputs.
• Bond Rank Schaling: Het verhogen van de bond rank $\chi$ verbeterde de reconstructiekwaliteit tot op een bepaald punt (verzadiging bij $\chi=8$), maar hogere ranks verhoogden de circuitcomplexiteit en de gevoeligheid voor ruis.
• Ruisrobuustheid: Onder depolariserende ruis-simulaties toonde SQGen een trade-off tussen representatieve capaciteit (hogere $\chi$) en ruisresistentie (lagere $\chi$).
• Echte Hardware: Geëxploiteerd op het ibm_kawasaki apparaat, genereerde SQGen afbeeldingen die nauw lijken op het doelwit, terwijl een amplitude-encodering baseline ernstige degradatie vertoonde en de structurele integriteit verloor.

Betekenis en Claims

Het artikel claimt dat SQGen de fundamentele barrières voor kwantum beeldgeneratie op NISQ-hardware aanpakt door:

• Het Elimineren van de Klassieke Decoder: Het bereiken van echte end-to-end kwantumgeneratie waarbij de output-verdeling direct wordt afgelezen uit kwantummetingen.
• Het Waarborgen van Trainbaarheid: Door klassiek te trainen op een differentieerbaar tensornetwerk, omzeilt de methode het barren plateau probleem dat inherent is aan diepe variationele kwantumcircuits.
• Hardware Compatibiliteit: Het gebruik van een ondiep, native-gate circuit met een gestructureerde QTT-topologie maakt het model haalbaar voor huidige kwantumapparaten, zoals aangetoond door de superieure prestaties op echte hardware vergeleken met state-preparation-zware baselines.

De auteurs positioneren SQGen niet als een universele oplossing voor alle kwantum generatieve taken, maar als een specifieke architecturale vooruitgang die gestructureerde, beeld-schaal generatie mogelijk maakt met een duidelijke route naar deployment op NISQ-apparaten.