⚛️ kwantumfysica

Who can sample forever? Shot noise effects in quantum linear regression

Dit artikel toont aan dat ruis door eindige steekproefgrootte de kwantumlineaire regressie fundamenteel beperkt door het probleem slecht geconditioneerd te maken, waardoor voorspellingsfouten aanhouden of zelfs toenemen bij grotere datasets wanneer doelwaarden ruis bevatten vanwege een vorm van kwantumoverfitting.

Oorspronkelijke auteurs: Gabriele Lo Monaco, Salvatore Lorenzo, Alessandro Ferraro, Mauro Paternostro, G. Massimo Palma, Luca Innocenti

Gepubliceerd 2026-10-09

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gabriele Lo Monaco, Salvatore Lorenzo, Alessandro Ferraro, Mauro Paternostro, G. Massimo Palma, Luca Innocenti

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In het snel evoluerende veld van quantum machine learning proberen onderzoekers computers te leren patronen te herkennen met behulp van de vreemde regels van de quantumfysica. Een veelgebruikte aanpak omvat een tweestaps-proces: eerst neemt een vast quantumapparaat een invoer en transformeert deze naar een reeks getallen die kenmerken (features) worden genoemd, die de invoer op een nieuwe manier beschrijven. Vervolgens leert een standaard computerprogramma deze kenmerken te combineren om een voorspelling te doen, zoals het identificeren van een specifieke chemische eigenschap of een type materiaal. Deze methode is aantrekkelijk omdat het quantumgedeelte niet getraind hoeft te worden, wat sommige van de moeilijkste problemen vermijdt die andere quantumalgoritmen teisteren. Er zit echter een fundamentele adder onder het gras: het quantumapparaat kan deze kenmerken niet simpelweg direct als getallen uitvoeren. In plaats daarvan moet het de quantumtoestand vele malen meten om de kansen op verschillende uitkomsten te schatten. Dit proces is vergelijkbaar met het proberen te raden van de exacte verhouding rode en blauwe knikkers in een pot door telkens een handvol eruit te halen; hoe meer knikkers je eruit haalt, hoe dichter je schatting bij de waarheid komt, maar met een beperkt aantal pogingen zal je schatting altijd een zekere willekeurige fout bevatten.

Een team van natuurkundigen heeft nu onderzocht hoe deze onvermijdelijke meetfout, bekend als shot noise, de bekwaamheid van deze quantummodellen om te leren beïnvloedt. Ze richtten zich op een specifieke opstelling waarbij het quantumapparaat kenmerken genereert uit een collectie trainingsdata, en een klassieke computer probeert de beste wiskundige relatie tussen deze kenmerken en het gewenste antwoord te vinden. De onderzoekers ontdekten dat het louter schatten van deze kenmerken met een eindig aantal metingen een verborgen valstrik creëert. In een ideale wereld met oneindig veel metingen zouden de kenmerken op een vlak, lager-dimensionaal oppervlak liggen binnen een enorme wiskundige ruimte. Maar in de echte wereld, waar metingen beperkt zijn, duwt de willekeurige ruis de geschatte kenmerken van dit oppervlak af en de lege ruimte eromheen in. Wanneer de computer probeert te leren van deze ruizige data, probeert hij een lijn te fitten bij deze afwijkende punten, waardoor hij effectief leert voorspellen in richtingen die in de onderliggende fysica eigenlijk niet bestaan.

De studie onthult dat dit een specifiek type fout creëert dat anders werkt dan fouten in de klassieke informatica. In standaard learning, als je een ruizige dataset hebt, helpt het toevoegen van meer voorbeelden meestal om dichter bij het juiste antwoord te komen. Hier vonden de onderzoekers dat het simpelweg toevoegen van meer trainingsvoorbeelden het probleem niet oplost als het aantal metingen per voorbeeld laag blijft. In plaats daarvan zet de fout zich vast op een hardnekkige bodem die wordt bepaald door de precisie van de individuele metingen. De enige manier om deze bodem te verlagen, is door het aantal metingen dat voor elk afzonderlijk trainingsvoorbeeld wordt genomen te verhogen. Als de onderzoekers probeerden te leren met te weinig metingen per voorbeeld, zou het model steeds gevoeliger worden voor de ruis, en zou het toevoegen van meer data de resultaten zelfs zouden stoppen met verbeteren.

De situatie wordt nog complexer wanneer de antwoorden die het model probeert te leren zelf ook lichtelijk onjuist zijn, bijvoorbeeld door imperfecties in de wijze waarop de quantumtoestanden werden voorbereid. In dit scenario begint het model de ruis zelf te leren. De onderzoekers observeerden een fenomeen dat zij quantum overfitting noemen, waarbij het vergroten van de precisie van de trainingsdata de voorspellingen van het model juist slechter maakt. Dit gebeurt omdat het model zich vastklampt aan de willekeurige richtingen die door de meetruis worden gecreëerd, en naarmate de trainingsdata nauwkeuriger wordt, versterkt het de fouten in de doelantwoorden. De studie laat zien dat er een delicate afweging is: men moet het aantal trainingsvoorbeelden afwegen tegen het aantal metingen dat voor elk voorbeeld wordt genomen.

Door middel van gedetailleerde wiskundige analyse en computersimulaties hebben de onderzoekers nauwkeurig in kaart gebracht hoe deze fouten groeien en krimpen. Ze toonden aan dat wanneer de doelantwoorden perfect zijn, de fout eerst snel afneemt naarmate de metingen toenemen, maar daarna vertraagt, gedomineerd door een systematische bias die niet kan worden verwijderd door meer data toe te voegen. Wanneer de doelantwoorden ruizig zijn, kan de fout uiteindelijk weer beginnen toe te nemen als de trainingsmetingen te precies worden zonder een overeenkomstige toename in de precisie van de testmetingen. Dit werk biedt een duidelijke gids voor de toewijzing van middelen in quantumexperimenten, waarbij wordt aangetoond dat een grotere dataset niet altijd beter is als de kwaliteit van de individuele metingen niet ook wordt verbeterd. De bevindingen suggereren dat toekomstige quantum learning-systemen ontworpen moeten worden met een zorgvuldig bewustzijn van deze statistische limieten, waarbij het aantal metingen en het aantal voorbeelden als twee zijden van dezelfde munt worden behandeld in plaats van als onafhankelijke variabelen.

Technische Samenvatting: Wie kan eeuwig samplen? Effecten van shot noise in kwantum lineaire regressie

Probleemstelling
Kwantum lineaire regressie (QLR) omvat niet-variationele kwantum machine learning-architecturen, zoals Quantum Extreme Learning Machines (QELMs) en kwantum fidelity kernels, waarbij een vaste kwantumdevice inputdata naar een kwantumkenmerkruimte (feature space) mapt, en een klassiek lineair model wordt getraind op de resulterende verwachtingswaarden. Een fundamenteel onderscheid tussen QLR en klassieke lineaire regressie is dat kwantumkenmerken niet direct toegankelijk zijn; ze moeten worden geschat uit een eindig aantal metingen of 'shots' ( $N$ ). Dit introduceert intrinsieke samplingsruis (shot noise) in de kenmerkmatrix.

Het artikel adresseert een kritische lacune in het begrip van hoe deze ruis door eindige statistieken de leerprestaties beïnvloedt. Hoewel klassieke regressie met ruisige kenmerken (errors-in-variables modellen) bekend staat om het introduceren van bias, zijn de specifieke structurele gevolgen van shot noise op de rang en conditionering van kwantumkenmerkmatrices nog niet systematisch gekarakteriseerd. Specifiek onderzoeken de auteurs hoe de interactie tussen het aantal trainingsstatussen ( $n_{tr}$ ) en het aantal shots per status ( $N$ ) de gemiddelde kwadratische fout (MSE) bepaalt, wat de intuïtie uitdaagt dat het vergroten van de datasetgrootte alleen voldoende is om de fout te minimaliseren.

Methodologie
De auteurs analyseren de QLR-setting waarbij de trainingsdoelwaarden aanvankelijk als exact worden beschouwd, en ruis uitsluitend ontstaat door de schatting van de input-waarschijnlijkheden. Ze modelleren de empirische kenmerkmatrix $\hat{P}_N$ als een perturbatie van de ideale, rang-arme matrix $P$ (waarbij $\text{rank}(P) \le d^2$ , met $d$ als de Hilbertruimte-dimensie).

Analyse van Rang-discontinuïteit: Het kernprobleem dat is geïdentificeerd, is dat terwijl de ideale matrix $P$ rang-arm is (beperkt tot een subruimte van dimensie $d^2$ ), de empirische matrix $\hat{P}_N$ met hoge waarschijnlijkheid volledige rang krijgt door shot noise. Deze toename in rang creëert een discontinuïteit in de Moore-Penrose pseudoinverse $\hat{P}_N^+$ , wat leidt tot divergerende termen als $N \to \infty$ indien dit niet correct wordt afgehandeld.
Perturbatieve Expansie: De auteurs ontwikkelen een op maat gemaakte perturbatieve benadering voor de pseudoinverse in het regime waar $n_{tr}, n_{out} > d^2$ . Door de ruismatrix te decomponeren in blokken relatief aan de support en cokernel van $P$ , isoleren zij de divergerende componenten. Ze tonen aan dat hoewel de pseudoinverse zelf divergeert, fysieke voorspellingen (betreffende exacte doelwaarden en test-waarschijnlijkheden) eindig blijven omdat de divergerende blokken worden geannuleerd door de projectie op de signalsubruimte.
Bias-Variantie Decompositie: De studie leidt een expliciete decompositie af van de oneindige-teststatistieken MSE in trainingsbias en trainingsvariantie. Ze gebruiken twee complementaire benaderingen:
- Een homogeen Gaussisch ruismodel om analytisch de momenten van de Schur-complement te berekenen en schaalwetten af te leiden.
- Een rigoureuze multinomiale ruisanalyse die Gaussische benaderingen vermijdt, gebruikmakend van concentratie-ongelijkheden en 'high-probability bounds' om de residu-termen voor eindige $N$ en grote $n_{tr}$ te beheersen.
Extensie naar Ruisige Doelwaarden: Het kader wordt uitgebreid naar scenario's waarin ook de trainingsdoelwaarden ruis bevatten (bijv. door fouten in de staatvoorbereiding), waarbij wordt geanalyseerd hoe dit interacteert met de rang-verhogende shot noise.

Kernbijdragen en Resultaten

Intrinsieke Slechte Conditionering: Het artikel stelt vast dat eindige-shot schatting kwantum lineaire regressie onvermijdelijk slecht geconditioneerd maakt. De empirische kenmerkmatrix verkrijgt "spuriële richtingen" buiten de ideale subruimte, die een singulariteit dragen op de schaal van de ruis $N^{-1/2}$ .
Resource Schaalwetten: De auteurs leiden de schaling van de MSE af met betrekking tot $N$ $N$ en $n_{tr}$ $n_{t r}$ , waarbij twee verschillende regimes worden geïdentificeerd:
- Lage Statistiek ( $N \lesssim n_{tr}$ ): De MSE wordt gedomineerd door een systematische bias die schaalt als $N^{-2}$ . Deze bias ontstaat door de toename in rang en de daarmee gepaard gaande slechte conditionering. Cruciaal is dat deze bias ongevoelig is voor het aantal trainingsstatussen $n_{tr}$ .
- Hoge Statistiek ( $N \gtrsim n_{tr}$ ): De MSE wordt gedomineerd door variantie (fluctuaties) die schaalt als $(N n_{tr})^{-1}$ .
De Afweging: In tegenstelling tot klassieke regressie met exacte kenmerken, kan het enkel vergroten van de datasetgrootte ( $n_{tr}$ ) de fout veroorzaakt door shot noise niet wegnemen zodra de variantie is onderdrukt. De fout convergeert naar een bodem die wordt bepaald door het per-status shot-budget ( $N^{-2}$ ). Om de fout verder te verkleinen, moet men $N$ samen met $n_{tr}$ verhogen.
Kwantum Overfitting: Wanneer de trainingsdoelwaarden ruis bevatten, koppelen de voorheen onschadelijke "spuriële richtingen" (gecreëerd door shot noise) aan de labelruis. Dit leidt tot een term in de MSE die schaalt als $N/M$ (waarbij $M$ de test-shots zijn). Bijgevolg kan het vergroten van de trainingsstatistieken $N$ zonder de teststatistieken $M$ te vergroten, de testfout juist vergroten. De auteurs identificeren dit als een vorm van kwantum overfitting, waarbij het verfijnen van de trainingskenmerken de ruis in de labels versterkt.
Expliciete Coëfficiënten: Het artikel biedt expliciete formules voor de bias- en variantiecoëfficiënten in termen van de POVM, het trainingsensemble en de doel-observabele, gevalideerd tegen numerieke simulaties over diverse regimes en dimensies.

Betekenis en Claims
Het artikel claimt bloot te leggen dat er een fundamentele afweging bestaat tussen de grootte van de dataset en de per-status meting-statistieken in niet-variationele kwantumlering. Het betoogt dat bekende intuïties uit de klassieke leer herzien moeten worden om rekening te houden met de geometrie van de kwantumtoestandsruimte, specifiek de beperking dat ideale kwantumkenmerken in een subruimte van dimensie $d^2$ leven, terwijl hun schattingen dat niet doen.

De auteurs benadrukken dat hun resultaten een basis bieden voor resource-bewuste trainings- en regularisatiestrategieën. Zij stellen dat prestatiegaranties in Kwantum Machine Learning (QML) expliciet rekening moeten houden met eindige-shot effecten, waarbij het totale experimentele budget wordt behandeld als een gezamenlijk allocatieprobleem tussen het aantal trainingsstatussen en het aantal shots per status, in plaats van het prioriteren van de datasetgrootte in isolatie. Het werk benadrukt dat eindige statistieken kwalitatief andere conclusies kunnen trekken dan de uit ideale, oneindige-steekproef analyses.

Meer zoals dit