QCNN with Rough Path Signature Kernels

Technische Samenvatting: QCNN met Rough Path Signature Kernels

Probleemstelling
Tijdreeksanalyse staat voor een fundamentele uitdaging: de invariantie van sequentiële data ten opzichte van tijdreparametrisatie. Standaard machine learning-modellen, die vertrouwen op expliciete tijdparametrisatie, worstelen met het extraheren van betekenisvolle kenmerken wanneer data onderhevig is aan willekeurige versnellingen, vertragingen of nietlineaire vervormingen. De Rough Path Theory biedt een oplossing via de "signature" transformatie—een oneindig-dimensionale feature-vector van geïtereerde integralen die inherent invariant is voor tijdreparametrisatie—maar het berekenen van deze kenmerken is computationeel prohibitief. Het aantal termen groeit exponentieel met de paddimensie en de afkaporde (truncation order). Hoewel signature kernels (inwendige producten van signatures) een manier bieden om de expliciete feature-berekening te omzeilen door een tweede-orde hyperbolische partiële differentiaalvergelijking (PDE) op te lossen, blijven de resulterende lineaire systemen voor gediscretiseerde kernels groot en ijl, wat een bottleneck vormt voor grootschalige toepassingen.

Methodologie
De auteurs stellen een hybride quantum-klassieke architectuur voor, ontworpen voor tijdreeksclassificatie door Rough Path Signatures te integreren met Quantum Convolutional Neural Networks (QCNNs). De pijplijn bestaat uit twee primaire stadia:

1. Signature Kernel Berekening (Feature Laag):
   De kerninnovatie is de berekening van de signature kernel tussen een referentiepad en een doelpad. De kernel wordt gedefinieerd als de oplossing van een Goursat-probleem (een specifieke PDE). De auteurs verkennen twee methoden om het gediscretiseerde lineaire systeem ($Ax=b$) op te lossen dat voortvloeit uit het eindige-verschil schema van deze PDE:

• Variational Quantum Linear Solver (VQLS): Een quantumbenadering waarbij de oplossing wordt gecodeerd in een geparametriseerde quantumtoestand. De matrix $A$ wordt ontbonden in een lineaire combinatie van unitairheden, en een hardware-efficiënte ansatz (afwisselende lagen van single-qubit $Y$-rotaties en CNOT-poorten) wordt geoptimaliseerd met behulp van een lokale kostenfunctie om de overlap met de doeltoestand te minimaliseren.
• Klassieke Solvers: Als baseline en praktisch alternatief gebruiken de auteurs klassieke numerieke solvers (specifiek de sigkernel library) om de kernel te evalueren.

2. Quantum Classificatie (QCNN Laag):
   De berekende kernel-features worden ingevoerd in een QCNN. De auteurs onderzoeken drie specifieke architecturale configuraties voor de binaire classificatietaak (het onderscheiden van handgeschreven cijfers 0 versus 1):

• Standaard: Ruwe pixeldata gecodeerd in een 8-qubit register.
• Pure Kernel Substitutie: De volledige signature kernelmatrix (platgeslagen) vervangt de beelddata als de input voor een 8-qubit QCNN.
• Auxiliary Qubit Fusie: Een multimodale aanpak waarbij de originele beelddata wordt gecodeerd in 8 qubits, terwijl een enkele scalaire waarde (het element rechtsonder in de kernelmatrix, dat de volledige padinteractie representeert) wordt gecodeerd op een 9e hulpqubit via een geparametriseerde $R_Y$-rotatie.

Kernbijdragen en Experimentele Opzet
Het artikel evalueert deze architecturen op een binaire classificatietaak met behulp van de MNIST-dataset, specifelijk een subset van de cijfers 0 en 1 die zijn omgezet in tijdgeordende streeksequenties. De experimenten werden uitgevoerd op ruisloze statevector-simulatoren met behulp van Qiskit voor de quantumcircuits en PennyLane voor de QCNN-optimalisatie.

• VQLS Schaalbaarheidsanalyse: De auteurs hebben de VQLS-component rigoureus getest. Ze ontdekten dat hoewel VQLS convergeert voor sterk gecomprimeerde paden (3–4 tijdstappen), het faalt bij het schalen naar realistische steekproefomvang (bijv. 5–6 tijdstappen). De systeemdimensie schaalt als $O(T^2)$ en de conditiegetal $\kappa$ van de matrix zwelt snel op, waardoor het optimalisatie-landschap niet-convex wordt en de overlap-fidelity degradeert. Bijgevolg concludeerden de auteurs dat VQLS momenteel onhaalbaar is voor multi-sample trainingslussen zonder extreme verlieslatende compressie.
• Architectuurvergelijking: Vanwege de beperkingen van VQLS werd de daaropvolgende prestatiebenchmark uitgevoerd met klassieke kernel-evaluatie. De studie vergeleken het "Standard" beeld-alleen model met de "SigKernel" (pure kernel) en "SigKernel aux qubit" (fusie) modellen over diverse convolutionele ansatzes (UTTN, heuristische circuits U5–U15, en groepstheoretische USO(4)/USU(4)).

Resultaten

• VQLS Beperkingen: De VQLS-benadering is momenteel beperkt tot zwaar gecomprimeerde sequenties vanwege de vereisten voor het aantal qubits (minimaal 10 volledig verbonden qubits voor kleine datasets) en de snelle inflatie van het conditiegetal, wat optimizers in lokale minima vangt.
• Classificatieprestaties: De inclusie van signature kernel-features zorgde voor duidelijke prestatieverbeteringen voor specifieke QCNN-architecturen. Met name de Auxiliary Qubit Fusion Architectuur presteerde consistent beter dan het pure kernel-substitutiemodel over de meeste geteste ansatzes. Dit suggereert dat het behouden van de originele ruimtelijke beeldstructuur, terwijl pad-signatures als een orthogonale, hulp-quantumfeature worden toegevoegd, een effectievere strategie is dan het volledig vervangen van ruimtelijke data door kernelmatrices.
• Data-beperkingen: De experimenten vereisten het downsamplen van inputpaden naar 16 punten (15 tijdintervallen) om te voldoen aan de beperkingen van het 8-qubit register. De auteurs erkennen dat dit een trade-off introduceert, die potentieel fijne geometrische nuances die nodig zijn voor robuuste classificatie wegwerpt.

Betekenis en Claims
Dit artikel positioneert dit werk als een proof-of-concept voor quantum-enhanced tijdreeksanalyse. De auteurs beweren dat hun framework succesvol de potentiele voordelen demonstreert van het implementeren van path signature kernel-lagen binnen quantumcircuits, waarbij specifiek wordt aangetoond dat hybride architecturen de tijdreparametrisatie-invariantie van signatures kunnen benutten om de classificatienauwkeurigheid te verbeteren.

De auteurs hanteren echter een bescheiden toon met betrekking tot de huidige staat van de technologie. Ze stellen expliciet dat de computationele beperkingen van de VQLS-component op Near-Term Intermediate-Scale Quantum (NISQ) devices momenteel volledige end-to-end quantumversnelling voor signature kernels in de weg staan. De betekenis van het werk ligt in het vestigen van een wiskundige en architecturale brug tussen Rough Path Theory en QCNNs, waarbij wordt benadrukt dat hoewel volledige quantumversnelling nog niet haalbaar is, de structurele priors geleverd door signature kernels de classificatie door quantumclassifiers aanzienlijk kunnen verbeteren wanneer ze worden geïntegreerd via hybride klassiek-quantum workflows. De auteurs identificeren toekomstige richtingen zoals het verbeteren van de VQLS-trainbaarheid (bijv. via QAOA-gebaseerde ansatzes) en het uitbreiden van deze methoden naar multi-class classificatie en echte, ruisige hardware.