Hidden selection rules and amplitude ceilings in quantum Fourier models

In de zoektocht naar het bouwen van machines die leren van data, richten wetenschappers zich op de vreemde wetten van de kwantumfysica. In het hart van deze inspanning staan kwantumcircuits, die in essentie netwerken zijn van piepkleine schakelaars die informatie manipuleren die is opgeslagen in deeltjes die qubits worden genoemd. Om deze machines nuttig te maken voor taken zoals het herkennen van patronen of het voorspellen van trends, moeten onderzoekers hen leren om informatie op een niet-lineaire manier te verwerken, wat betekent dat de output niet simpelweg proportioneel meeschaalt met de input. Deze niet-lineariteit is de motor van het leren, maar in de kwantumwereld is dit iets kwetsbaars. De circuits zijn ontworpen om complexe golfachtige patronen te berekenen, en hun vermogen om te leren hangt volledig af van welke specifieke patronen zij kunnen genereren. Jarenlang opereerde het veld vanuit de aanname dat als een circuit complex genoeg is en lang genoeg wordt getraind, het uiteindelijk bijna elk patroon kan leren. Echter, een nieuwe studie suggereert dat deze hoop vaak ongegrond is, niet vanwege een gebrek aan trainingskracht, maar vanwege onzichtbare muren die in het ontwerp van het circuit zelf zijn ingebouwd.

Onderzoekers Pavel Sulimov en Claude Lehmann van de Zürichse Fachhochschule hebben ontdekt dat veel kwantumcircuits fundamenteel beperkt worden door verborgen regels die hen verhinderen bepaalde patronen uit te drukken, ongeacht hoeveel ze worden getraind. Deze beperkingen worden niet veroorzaakt door de ruis of fouten die huidige kwantumcomputers teisteren, noch zijn ze het resultaat van slechte trainingsstrategieën. In plaats daarvan zijn het structurele kenmerken, zoals de vaste geometrie van een gebouw die bepaalt welke kamers met elkaar verbonden kunnen worden. Het team ontdekte twee specifieke soorten van deze structurele barrières. De eerste werkt als een strikt filter, dat bepaalde frequenties volledig uit de output van het circuit wist, waardoor ze onmogelijk te leren zijn. De tweede werkt als een plafond, dat de kracht van de patronen die een circuit kan produceren begrenst, waardoor wordt gegarandeerd dat zelfs als een patroon is toegestaan, het zo zwak zal zijn dat het effectief nutteloos is voor het leren.

Om te begrijpen hoe deze barrières werken, stel je een kwantumcircuit voor als een machine die een getal neemt, het door een reeks poorten draait en een golfachtige output produceert. De onderzoekers ontdekten dat voor veel veelvoorkomende circuitontwerpen een verborgen symmetrie bestaat die de output dwingt om zich op een specifieke manier te gedragen. Als het circuit een bepaalde arrangement van verbindingen heeft, gehoorzaamt het aan een regel die vergelijkbaar is met een tijdsomkeersymmetrie. Deze regel dicteert dat als je het invoergetal met een specifieke hoeveelheid verschuift, de output van teken moet veranderen. Deze wiskundige beperking dwingt de machine om hele families van patronen te negeren. Bijvoorbeeld, in een specifiek ontwerp dat wordt gebruikt in een belangrijke benchmark voor kwantummachine learning, betekende deze regel dat het circuit alleen oneven patronen kon leren en fysiek niet in staat was om even patronen te leren. De onderzoekers ontwikkelden een snelle, computergestuurde methaling om op zoek te gaan naar deze regels voordat de training begint. Ze testten duizenden standaard circuitontwerpen en ontdekten dat deze tijdsomkeerregel aanwezig was in bijna 18 procent van hen, wat een aanzienlijk deel van het potentieel van het circuit nutteloos maakte nog voordat er een enkele berekening werd uitgevoerd.

De tweede barrière is een amplitudeplafond, dat beperkt hoe luid of sterk een patroon kan zijn. Wanneer een circuit een enkele laag qubits gebruikt om data te coderen, daalt de sterkte van de hoogste frequentiepatronen die het kan produceren exponentieel naarmate het aantal qubits toeneemt. Met slechts acht qubits is het sterkst mogelijke hoogfrequente patroon zo zwak dat het minder dan twee procent van de variatie in een dataset kan verklaren. Dit is niet een kwestie van het circuit dat te ondiep is; zelfs als het circuit dieper wordt gemaakt door de data meerdere keren opnieuw te coderen, blijft de sterkte van deze topfrequenties beperkt door de breedte van de eerste laag. De onderzoekers bewezen dat dit plafond standhoudt, ongeacht de ruis of fouten in het systeem. Het is een harde limiet op de expressiviteit van het model, wat betekent dat geen enkele hoeveelheid training het circuit ooit over deze muur kan duwen om een sterk hoogfrequent signaal te leren.

Om deze bevindingen te verifiëren, gingen het team van de theorie naar de echte wereld door experimenten uit te voeren op werkelijke kwantumprocessors geleverd door IBM. Ze testten circuits op apparaten variërend van een paar qubits tot een keten van 65 qubits. In elk geval hielden de verborgen regels stand. Wanneer ze een circuit ontwierpen dat er niet toe bedoeld was bepaalde patronen te produceren, produceerde de machine niets anders dan achtergrondruis voor die patronen, wat de theoretische voorspelling bevestigde. Ze demonstreerden ook dat ze deze regels doelbewust konden doorbreken door een enkele, eenvoudige gate aan het circuit toe te voegen, wat onmiddellijk zorgde ervoor dat de verboden patronen verschenen. Bovendien toonden ze aan dat de ruis in de machine soms de doorbreking van deze regels kon nabootsen, maar door de data zorgvuldig te analyseren, konden ze onderscheid maken tussen een echte structurele overtreding en een tijdelijke glitch veroorzaakt door de machine die in een lagere energietoestand verviel.

De implicaties van deze bevindingen zijn diepgaand voor het vakgebied van de kwantummachine learning. De studie laat zien dat het vermogen van een kwantummodel om te leren niet alleen een kwestie is van voldoende data of een krachtige computer; het is in de eerste plaats een vraag van architectuur. Voordat een model ooit wordt getraind, is het potentieel al bepaald door de structuur. De onderzoekers testten dit door hun voorspellingen over wat een circuit kon leren te bevriezen voordat de training werd uitgevoerd. Op real-world datasets waren deze vooraf getrainde voorspellingen opmerkelijk accuraat, en kwamen ze vaak binnen een minuscule foutmarge overeen met de uiteindelijke prestaties van de getrainde modellen. In gevallen waar de structurele regels een model verhinderden om te leren, kon geen enkele hoeveelheid training dit oplossen. Daarentegen, wanneer ze een structurele fout identificeerden en een eenvoudige fix toepasten, verbeterde de prestatie van het model drastisch, precies zoals voorspeld.

Dit werk verschuift de focus van het simpelweg trainen van kwantummodellen naar het begrijpen van hun fundamentele grenzen. Het onthult dat veel van de mislukkingen die worden gezien in benchmarks voor kwantummachine learning niet te wijten zijn aan een gebrek aan optimalisatie of data, maar omdat de modellen proberen patronen te leren die hun fysieke ontwerp hen verbiedt uit te drukken. De onderzoekers hebben een toolkit ontwikkeld om deze limieten vroegtijdig te identificeren, zodat wetenschappers circuits kunnen ontwerpen die daadwerkelijk in staat zijn tot de toegewezen taken. Door deze verborgen selectieregels en amplitudeplafonds te herkennen, kan het veld bewegen van trial-and-error benaderingen naar een meer principiële verstandhouding van wat kwantumcomputers wel en niet kunnen doen. De studie concludeert dat de weg naar nuttige kwantummachine learning niet ligt in het maken van circuits die dieper of complexer zijn, maar in het waarborgen dat hun structuur is afgestemd op de patronen die ze bedoeld zijn te leren.