Technische Samenvatting: Het overwinnen van Fourier-locking in Quantum Data Re-uploading Classifiers via Spectrale Homotopie

1. Probleemstelling

Data Re-uploading Parameterized Quantum Circuits (DRU-PQCs) zijn theoretisch universele functie-approximatoren die in staat zijn complexe, niet-lineaire beslissingsgrenzen te modelleren door het nabootsen van diepe neurale netwerken via sequentiële data-injectie. De hoge expressiviteit van deze architecturen creëert echter hoog-oscillerende, niet-convexe verlieslandschappen die weerstand bieden aan gradiëntgebaseerde optimalisatie.

Hoewel recente literatuur falende trainingen in deze architecturen toeschrijft aan "barren plateaus" (waarbij gradiënten verdwijnen door chaotische expressiviteit) of onvoldoende capaciteit, stelt dit artikel dat de primaire bottleneck een afzonderlijke structurele faalmodus is, genaamd Fourier Locking (FL). In DRU-PQCs zijn de coderingsgewichten (die de invoerfrequenties selecteren) en de verstrengelingslagen (die kwantuminformatie routeren) niet-lineair gekoppeld. Wanneer ze willekeurig worden geïnitialiseerd op hoog-frequente targets, kan de optimizer de coderingsparameters vaak laten instorten in geïsoleerde, spookachtige lokale minima. Eenmaal "vastgezet" (locked), selecteren de coderingsgewichten een frequentiespectrum dat niet is uitgelijnd met de doel-beslissingsgrens. Bijgevolg kunnen de verstrengelingslagen geen signaal routeren dat effectief niet bestaat, wat ertoe leidt dat het model faalt ondanks dat het de volledige geometrische gevoeligheid voor zijn parameters behoudt.

2. Methodologie en Theoretisch Kader

Diagnostische Metrieken

De auteurs stellen dat standaard gradiëntmagnitudes en de parameterruimte Quantum Fisher Information Matrix (QFIM) onvoldoend zijn voor de diagnose van FL. In plaats daarvan maken zij gebruik van twee specifieke Fisher-diagnostieken:

1. Input-ruimte Quantum Fisher Information ($F_x$): Meet de effectieve frequentie-inhoud van de gecodeerde toestand (de Fubini–Studische susceptibiliteit ten opzichte van de inputdata). In een vastgezette (locked) circuit blijft $F_x$ bevroren op een misalignede waarde vanaf de initialisatie.
2. Fisher Discriminant Ratio (FDR): Meet de uitlijning van gemeten kenmerken met de klassenlabels. In een vastgezet circuit stort de FDR in richting nul, wat wijst op een "klasse-degeneratieve readout" waarbij de toestand oscilleert met de input maar er niet in slaagt te mappen naar de labels.

Cruciaal is dat de auteurs aantonen dat gevangen circuits een niet-degeneratieve parameterruimte-QFIM behouden (wat aangeeft dat de toestand responsief blijft aan parameters), wat bewijst dat de fout een kwestie is van spectrale misalignement, en niet van geometrische ongevoeligheid.

Experimenteel Ontwerp

De studie maakt gebruik van een 4-qubit DRU-PQC met $L=2$ re-uploading lagen en 50 trainbare parameters (40 kwantum, 10 klassiek). Experimenten werden uitgevoerd over 50 onafhankelijke random seeds om de bimodale probabiliteitsruimte van de optimizer (gevangen versus ontsnapt) in kaart te brengen.

De kerninterventie is Spectrale Homotopie, een curriculum leerprotocol dat de doel frequentie ($f$) stapsgewijs van laag naar hoog aanpast ($f: 1.0 \to 2.0 \to 3.0$). Deze aanpak beoogt de vroegere verlieslandschappen te convexificeren, waardoor de gezamenlijke parameters naar de doel-frequentieband getransporteerd kunnen worden voordat hoog-frequente attractoren manifesteren.

Controlecondities omvatten:

• Standaard Training (STD): Directe training op het hoog-frequente target ($f=3.0$).
• Routing Ablaties: Testen of het vooraf uitlijnen van de verstrengelingslagen (Identity initialisatie of Coupled Warmup) een willekeurig geïnitialiseerde coderingsstaat kon redden.
• Reverse Curriculum: Training van hoog naar laag frequentie ($3.0 \to 1.0$) om irreversibiliteit te testen.
• Random Curriculum: Willekeurige ordening van frequentiefases om effecten van datadiversiteit te controleren.

3. Belangrijkste Resultaten

Diagnose van Fourier Locking

• Readout Collapse: Gevangen circuits vertoonden een Fisher Discriminant Ratio (FDR) die naar nul stortte ($r_{pb} = 0.912, p < 0.001$), wat de falende label-uitlijning bij de readout bevestigt.
• Spectrale Imobiliteit: Het definiërende kenmerk van een gevangen circuit was het gebrek aan beweging in de effectieve frequentie-inhoud ($F_x$). Gevangen circuits hielden een statische, misalignede $F_x$ vast gedurende de training, terwijl ontsnapende circuits hun frequentie-inhoud significant verplaatsten ($r_{pb} = -0.48, p < 0.001$).
• Parameter Sensitiviteit: In tegen tegenstelling tot de barren plateau-hypothese, vertoonden gevangen circuits geen instorting in de parameterruimte-QFIM trace, wat bevestigt dat de optimizer verlamd werd door spectrale misalignement in plaats van een verlies van geometrische gevoeligheid.

Effectiviteit van Spectrale Homotopie

• Verbetering van de Escape Rate: Standaard training op hoog-frequente targets leverde een escape rate van 6% op (finale accuratesse > 0.65). Het voorwaartse spectrale homotopie-curriculum ($1.0 \to 2.0 \to 3.0$) verdrievoudigde dit naar 18%.
• Werkingsmechanisme: Succesvolle "ontsnappers" onder het voorwaartse curriculum vertoonden een monotone toename van $F_x$ in lijn met de curriculumfasen, terwijl gevangen circuits spectraal statisch bleven. De laag-frequente fasen verbeterden de accuratesse niet onmiddellijk (accuratesse bleef op niveau van kansberekening tot Fase 3), maar fungeerden als een "latent steigerwerk" (latent scaffold) dat de coderingsgewichten naar de juiste spectrale trechter transporteerde.
• Routing Failure: Ablatie-studies toonden aan dat het fixeren van de verstrengelingslagen (via Identity initialisatie of warmup) de prestaties niet kon redden. Dit bevestigt dat de coderings-initialisatie de dominante variabele is; als de coderingsgewichten zich vastleggen op een verkeerde frequentie, kunnen de verstrengelingslagen het signaal niet meer routeren.
• Irreversibiliteit: Het reverse curriculum ($3.0 \to 1.0$) resulteerde in een escape rate van 0%. Zelfs seeds die de hoog-frequente grens succesvol hadden geleerd in Fase 1, leden onder "catastrofaal spectraal vergeten" wanneer ze werden gedwongen in lagere-frequentie geometrieën, wat aangeeft dat de architectuur niet in staat is om concurrerende frequentie-representaties te behouden zodra de hoog-frequente attractor verloren gaat.

4. Betekenis en Claims

Het artikel herformuleert de optimalisatie-bottleneck in expressieve DRU-PQCs. Het stelt dat het falen niet komt door een gebrek aan representatieve capaciteit of de chaotische afvlakking van het landschap (barren plateaus), maar door een Fourier Locking fenomeen waarbij de coderingsgewichten structureel misaligned raken met de doel-frequentieband.

De primaire bijdrage is de identificatie van spectrale mobiliteit (de migratie van $F_x$) als de kritieke diagnostische indicator voor succesvolle training, wat dit onderscheidt van statische parametergevoeligheid. De studie demonstreert dat frequentie-pacing via spectrale homotopie deze locks kan omzeilen door het vroege landschap te convexificeren, wat effectief werkt als een steiger om parameters naar de doel-basin te transporteren.

De auteurs houden echter een bescheiden standpunt aan over de volledigheid van de oplossing. Ondanks het succes van spectrale homotopie, bleven 82% van de willekeurige initialisaties permanent gevangen, wat aangeeft dat hoewel frequentie-pacing het probleem vermindert, de "initialisatie-loterij" een dominante factor blijft. Het artikel concludeert dat willekeurige initialisatie onvoldoende is voor het betrouwbaar trainen van expressieve DRU-PQCs op hoog-frequente targets en suggereert dat toekomstig werk zich moet richten op deterministische coderings-initialisatie (bijv. het gebruik van klassieke spectrale analyse om gewichten vooraf in te stellen) in plaats van enkel te vertrouwen op optimalisatie-curricula.