Benchmarking loss functions for trainable quantum feature maps

Technische Samenvatting: Benchmarking van Verliesfuncties voor Trainbare Kwantumkenmerkkaarten

Probleemstelling
Quantum Support Vector Machines (QSVM's) vertrouwen op Quantum Feature Maps (QFMs) om klassieke data te coderen in hoogdimensionale kwantumtoestanden. Hoewel standaard QSVM's gebruikmaken van vaste QFMs, beperkt dit hun expressiviteit en aanpassingsvermogen aan complexe, niet-lineaire datadistributies. Trainbare Quantum Feature Maps (TQFMs) pakken dit aan door geparametriseerde poorten en data re-uploading te introduceren om de embeddingruimte te optimaliseren. De optimalisatie van TQFMs is echter sterk afhankelijk van de keuze van de verliesfunctie. Bestaande literatuur mist een systematisch begrip van hoe verschillende verliesfuncties de optimalisatiedynamiek, computationele kosten en classificatiestabiliteit beïnvloeden. Specifiek identificeren de auteurs een "trajectkruisingsprobleem" in fixed-target trainingsschema's waarbij optimalisatietrajecten elkaar snijden, wat leidt tot instabiele convergentie en scherpe dalingen in nauwkeurigheid.

Methodologie
De auteurs stellen een systematisch benchmarking-framework voor waarbij drie verschillende verliesfuncties worden vergeleken voor het trainen van TQFMs binnen een hybride kwantum-klassieke QSVM-pipeline:

1. Afstandverlies (Distance Loss - DL): Gebaseerd op de Hilbert-Schmidt afstand tussen gemengde dichtheidsmatrices van verschillende klassen. Deze methode beoogt de inter-klasse scheiding te maximaliseren, maar vereist het evalueren van alle paarwijze fideliteiten, wat resulteert in een kwadratische computationele complexiteit van $O(M^2)$, waarbij $M$ de grootte van de dataset is.
2. Meetverlies (Measurement Loss - ML): Wijst elke klasse toe aan een vaste orthogonale basisstaat en minimaliseert de fout tussen de gecodeerde toestand en het doel. Deze benadering evalueert samples onafhankelijk, wat een lineaire complexiteit van $O(M)$ oplevert. De auteurs hypothetiseren echter dat het dwingen van clusters naar vaste doelen in een beperkte Hilbertruimte zorgt voor trajectkruisingen.
3. Log-Likelihood Verlies (Log-Likelihood Loss - LLL): De kernvoorstel van dit werk. Geïnspireerd door Maximum Likelihood Estimation, interpreteert deze methode de fideliteit $|\langle \psi | y \rangle|^2$ als een conditionele waarschijnlijkheid $P(y|x)$. In plaats van een lineaire straf te minimaliseren, minimaliseert LLL de negatieve log-likelihood:
   $$L_{LLL}(\theta) = -\frac{1}{L} \sum_{j=1}^{L} \frac{1}{M_j} \sum_{i=1}^{M_j} \log \left( |\langle \psi(x_i^j, \theta) | y_j \rangle|^2 \right)$$
   Deze formulering past een niet-lineaire straf toe die snel toeneemt voor samples met lage voorspellingswaarschijnlijkheden, waardoor de nadruk wordt gelegd op moeilijk te classificeren samples en een sterker optimalisatiesignaal wordt gegeven.

Experimentele Opstelling
De studie maakt gebruik van de Qiskit state-vector simulator met de EfficientSU2 ansatz. Experimenten werden uitgevoerd op drie synthetische datasets (Moons, Circles, Gaussian) die variërende niveaus van niet-lineariteit en klassecomplexiteit vertegenwoordigen. De evaluatie omvatte 20 onafhankelijke runs per configuratie om statistische stabiliteit te beoordelen, variërende circuitdieptes (1 tot 6 lagen) en het testen van robuustheid tegen gesimuleerde depolariserende en readout-ruis.

Belangrijkste Resultaten

• Optimalisatiestabiliteit: De ML-methode vertoonde significante instabiliteit, gekenmerkt door het "trajectkruisingsprobleem" waarbij de overlap tussen klassen piekte en de nauwkeurigheid daalde tijdens de vroege training, met name bij ondiepe circuits. De LLL-methode slaagde erin dit te mitigeren en bereikte een stabiele convergentie die vergelijkbaar is met de DL-methode, maar zonder de kwadratische kosten.
• Computationele Efficiëntie: DL behield de hoogste classificatienauwkeurigheid maar leed onder $O(M^2)$ schaling, wat het onpraktisch maakt voor grote datasets. Zowel ML als LLL behielden een lineaire $O(M)$ schaling. De trainingstijd van LLL was bijna identiek aan die van ML, wat bevestigt dat de verbeterde stabiliteit niet gepaard gaat met extra computationele overhead.
• Classificatieprestaties:
  • DL behaalde consistent de hoogste gemiddelde nauwkeurigheid over de datasets heen.
  • LLL presteerde significant beter dan ML wat betreft stabiliteit (lagere standaarddeviatie in nauwkeurigheid over runs) en behaalde competitieve gemiddelde nauwkeurigheid, die vaak die van ML evenaarde of overtrof, vooral bij ondiepe circuits (bijv. 1-laags circuits op de Circles dataset).
  • Het vergroten van de circuitdiepte (variatielaag) hielp bij het mitigeren van trajectkruising voor alle methoden, maar introduceerde een trade-off waarbij excessieve diepte leidde tot overfitting zonder evenredige winst in testnauwkeurigheid.
• Ruisrobuustheid: Onder gesimuleerde ruismodellen behield de LLL-methode een robuuste prestatie op eenvoudigere datasets (Moons), maar vertoonde het de verwachte degradatie op complexere datasets (Circles, Gaussian), wat consistent is met de moeilijkheidsgraad van de classificatietaak.

Betekenis en Claims
Het artikel beweert dat het ontwerp van het trainingsdoel een cruciale factor is bij het bepalen van de trainbaarheid en generalisatie van TQFM-gebaseerde QSVM's. De primaire bijdrage is de introductie van de Log-Likelihood Loss, die een praktische oplossing biedt voor de trade-off tussen computationele efficiëntie en optimalisatiestabiliteit.

De auteurs stellen dat LLL een "stabieler optimalisatiegedrag" biedt dan de conventionele Measurement Loss, terwijl de lineaire computationele complexiteit behouden blijft. Deze benchmark biedt praktische richtlijieden voor het balanceren van trainbaarheid, efficiëntie en voorspellende prestaties. Het werk claimt niet de fundamentele beperkingen van NISQ-apparaten op te lossen, maar biedt een methodologische verbetering voor de optimalisatiefase van hybride kwantumclassifiers.

Toekomstige Richtingen
De auteurs merken op dat het huidige framework nog steeds steunt op een klassieke SVM voor de uiteindelijke beslissingsgrens. Ze suggereren dat toekomstig werk zich moet richten op volledig kwantum inferentie-schema's die labels direct toewijzen op basis van meetwaarschijnlijkheden. Daarnaast is verder onderzoek nodig naar de relatie tussen circuit-expressiviteit (parameter aantal versus structurele eigenschappen) en optimalisatieprestaties.