Qutrit-Based Neural Quantum Kernels for Classification Tasks

Technische Samenvatting: Qutrit-gebaseerde Neurale Kwantumkernels voor Classificatietaken

Probleemstelling
Quantum Machine Learning (QML) heeft zich grotendeels gericht op qubit-gebaseerde architecturen (twee-niveau systemen). Hoewel geparametriseerde kwantumcircuits (PQCs) en data re-uploading modellen veelbelovend zijn gebleken, kampen ze met uitdagingen wat betreft trainbaarheid (bijv. barren plateaus) en expressiviteit. Bovendien zijn standaard qubit-embeddings structureel beperkt door de $SU(2)$-algebra, die slechts drie onafhankelijke parameters per subsysteem biedt, wat het aantal kenmerken dat lokaal kan worden gecodeerd beperkt. Daarnaast vereisen qubit-gebaseerde modellen vaak complexe readout-strategieën voor multiclass-classificatie. Het artikel adresseert de noodzaak om Neural Quantum Kernels (NQKs) uit te breiden naar qudits ($d$-niveau systemen), specifiek qutrits ($d=3$), om gebruik te maken van rijkere lokale vrijheidsgraden, natuurlijke multiclass-interfaces mogelijk te maken en potentieel de efficiëntie van feature-encoding te verbeteren.

Methodologie
De auteurs breiden het Neural Quantum Kernel-framework uit naar qutrits. NQKs werken in twee fasen: (1) het voortrainen van een Quantum Neural Network (QNN) via supervised learning om een optimale taak-adaptieve embedding te vinden, en (2) het bevriezen van deze parameters om een kwantumkernel te definiëren, die vervolgens wordt gebruikt met een klassieke Support Vector Machine (SVM).

Belangrijke methodologische componenten zijn onder meer:

• Architectuur: De studie maakt gebruik van een data re-uploading architectuur waarbij klassieke kenmerken herhaaldelijk worden gecodeerd en afgewisseld met trainbare variatieblokken.
• Schaalbare Voortraining: Om optimalisatieproblemen te verzachten, hanteren de auteurs een "progressieve groei"-strategie. Modellen worden getraind beginnend bij een enkele qutrit, en de geleerde parameters worden gebruikt om grotere systemen (2, 3, 4 qutrits) te warm-starten door nieuwe parameters (inclusief entangling gates) op nul te initialiseren.
• Kernel Constructies: Twee benaderingen worden vergeleken:
  • $n$-naar-$n$: Een $n$-qutrit QNN wordt direct getraind, en de volledige embedding wordt hergebruikt.
  • 1-naar-$n$: Een enkele qutrit QNN wordt getraind, en de geleerde unitaire wordt gerepliceerd over een $n$-qutrit register, afgewisseld met vaste entangling operaties.
• Qutrit Specifieke Aspecten:
  • Parameterisaties: De studie onderzoekt drie verschillende parameterisaties voor enkele qutrit $SU(3)$ unitaires: Geometrisch (Lie-algebra exponentieel), Euler-hoeken decompositie, en Givens-rotaties vorm.
  • Entangling Primitives: De 1-naar-$n$ constructie gebruikt vaste SUM (gegeneraliseerde CNOT) gates, terwijl de $n$-naar-$n$ constructie gebruikmaakt van trainbare controlled-unitary gates gerangschikt in een nearest-neighbor patroon.
  • Feature Budget: Het aantal gecodeerde kenmerken ($p$) wordt gekoppeld aan de parameters van de $SU(3)$ generatoren. Voor $d=3$ kunnen tot 8 kenmerken per subsysteem worden gecodeerd.
• Taken en Datasets: De modellen worden geëvalueerd op binaire en drie-klasse classificatietaken met behulp van vier benchmark datasets: Fashion-MNIST, HAR (Human Activity Recognition), MAGIC Gamma Telescope, en Covertype.

Belangrijkste Bijdragen

1. Uitbreiding naar Qudits: Het artikel generaliseert het NQK-framework van qubits naar qutrits, waarbij nieuwe ontwerpkeuzes worden geïntroduceerd met betrekking tot lokale dimensie, $SU(3)$ parameterisatie en feature budget allocatie.
2. Systematische Design Analyse: Het biedt een uitgebreide ablation study over hoe specifieke architecturale keuzes (systeemgrootte $n$, feature budget $p$, kernel constructie type, en $SU(3)$ parameterisatie) de prestaties beïnvloeden.
3. Impact van Parameterisatie: Het werk demonstreert dat de keuze van de $SU(3)$ parameterisatie cruciaal is. De Geometrische (Lie-algebra exponentiële) parameterisatie presteert consistent beter dan de Euler-hoeken en Givens-rotaties in termen van optimalisatiedynamiek (gradiëntnormen, trainingsverlies) en uiteindelijke nauwkeurigheid.
4. Prestatie Validatie: De studie toont empirisch aan dat qutrit-gebaseerde NQKs over het algemeen beter presteren dan hun corresponderende QNN baselines (measurement-based variational classifiers) over diverse systeemgroottes en feature budgets.

Resultaten

• NQK vs. QNN: In bijna alle settings op de Fashion-MNIST dataset behaalden qutrit NQKs (zowel 1-naar-$n$ als $n$-naar-$n$) een hogere testnauwkeurigheid dan de corresponderende QNN baselines. Dit ondersteunt de hypothese dat het leren van een taak-adaptieve embedding en het bevriezen hiervan voor kernelconstructie een sterkere classifier oplevert dan het variatie-model alleen.
• Schaalings-trends:
  • Systeemgrootte ($n$): Het vergroten van het aantal qutrits verbeterde de prestaties over het algemeen, hoewel de winst de neiging had te verzadigen (bijv. rond $n=4$ voor Fashion-MNIST).
  • Feature Budget ($p$): Het vergroten van het aantal gecodeerde kenmerken verbeterde de nauwkeurigheid over het algemeen, maar de relatie was dataset-afhankelijk. Voor sommige datasets (bijv. Covertype) was de prestatie niet-monotoon en piekte deze bij intermediaire feature-aantallen.
  • Parameterisatie: De Geometrische parameterisatie leverde consequent de beste resultaten op. De Euler-hoeken en Givens-rotaties parameterisaties vertoonden lagere prestaties en andere schaalgedragingen, wat benadrukt dat de structurele rol van parameters (bijv. fasen versus rotaties) het leerproces beïnvloedt.
• Vergelijking met Klassieke Baselines: Wanneer vergeleken met een klassieke RBF-SVM met identieke preprocessing, bleven de qutrit NQKs competitief. Hoewel de klassieke SVM vaak een iets hogere gemiddelde nauwkeurigheid bereikte (binnen statistische onzekerheid), benaderden de kwantummodellen deze prestatie, waarbij de 4-naar-4 NQK de klassieke baseline licht overtrof in de Covertype drie-klasse taak.
• 1-naar-$n$ vs. $n$-naar-$n$: Bij matige systeemgroottes ($n=4$) behaalden beide constructies een vergelijkbare nauwkeurigheid, wat suggereert dat de eenvoudigere 1-naar-$n$ strategie (het repliceren van een enkele qutrit map) competitief kan zijn met de meer flexibele $n$-naar-$n$ benadering.

Significantie en Claims
Het artikel claimt dat het uitbreiden van NQKs naar qudits niet louter een generalisatie is, maar een veelbelovende route om complexe datastructuren in QML uit te buiten. De primaire significantie ligt in het aantonen dat:

1. Rijkere Embeddings: De verhoogde lokale vrijheidsgraden in $SU(3)$ maken rijkere feature-embeddings en een efficiënter gebruik van parameters mogelijk vergeleken met $SU(2)$.
2. Geschiktheid voor Multiclass: Qutrits bieden een natuurlijke interface voor multiclass-classificatie via de computationele basis, waardoor de noodzaak voor complexe encoding-schema's die bij qubits nodig zijn, wordt vermeden.
3. Design Gevoeligheid: De prestaties van qudit-gebaseerde modellen zijn zeer gevoelig voor ontwerpkeuzes, met name de parameterisatie van de unitaries. De studie benadrukt dat een "design-driven" aanpak noodzakelijk is, waarbij de selectie van bouwstenen (parameterisatie, entangling strategie) even cruciaal is als het opschalen van resources.
4. Praktische Leefbaarheid: Ondanks dat de resultaten zijn getest onder ideale (ruisvrije) simulaties, suggereren de resultaten dat qudit NQKs kunnen concurreren met sterke klassieke kernelmethoden, mits de architecturale keuzes geoptimaliseerd zijn.

De auteurs blijven bescheiden over hun claims en merken op dat de resultaten beperkt zijn tot ideale simulaties en kleine systeemgroottes vanwege computationele kosten. Ze erkennen dat de voordelen van schaling dataset-afhankelijk zijn en dat de interactie tussen feature encoding en parameterisatie verdere systematische karakterisering vereist. Toekomstig werk wordt gesuggereerd om de robuustheid tegen ruis en hogere-dimensionele qudits ($d > 3$) te verkennen.