Trained quantum Kolmogorov--Arnold networks can dequantize, and a discrete-logarithm encoding need not: a measurement-based map of where quantum advantage can live

Technische Samenvatting: Getrainde Quantum Kolmogorov–Arnold-netwerken kunnen dequantiseren, en een discrete-logaritme-codering is daar niet voor nodig

Probleemstelling
Quantum machine learning (QML) modellen zijn alleen waardevol als ze niet efficiënt nagebootst kunnen worden door klassieke computers. Hoewel veel voorgestelde quantummodellen op quantumhardware draaien, falen ze vaak in het bieden van een echt voordeel omdat hun outputs gereproduceerd kunnen worden door klassieke algoritmen, met name tensor netwerk (TN) simulaties. De centrale uitdaging is het identificeren van welke specifieke quantumarchitecturen weerstand bieden tegen efficiënte klassieke contractie (dat wil zeggen een hoge "bond dimension" vereisen) terwijl ze wel trainbaar blijven. Voor Quantum Kolmogorov–Arnold-netwerken (QKAN's)—een familie van modellen waarbij leerbare randfuncties worden gerealiseerd door quantumsubroutines—blijft het onduidelijk of een concrete constructie tegelijkertijd weerstand kan bieden tegen efficiënte TN-simulatie en pathologieën bij het trainen, zoals barren plateaus, kan vermijden.

Methodologie
De auteurs introduceren een taakbewust bond-dimension criterium om de klassieke simuleerbaarheid van QKAN's te evalueren. In plaats van hardheid aan te nemen op basis van enkel circuitdiepte of de generatie van verstrengeling, meet deze studie de bond dimension ($\chi_{need}$) die een klassieke surrogaat (specifiek een Matrix Product State, MPS) nodig heeft om de output van het model te reproduceren met de specifieke nauwkeurigheid die het getrainde model bereikt.

De methodologie omvat:

1. Model Evaluatie: Het testen van diverse QKAN-constructies, inclusis de Chebyshev amplitude QKAN en een Variational QKAN (VQKAN) met all-to-all gecontroleerde rotaties.
2. Trainingsverificatie: Het waarborgen dat modellen daadwerkelijk een gladde doelunctie leren (gemeten via $R^2$ tegenover een constante voorspeller) voordat de simuleerbaarheid wordt beoordeeld. Dit voorkomt artefacten waarbij lage bond dimensions voortkomen uit onderaanpassing (under-fitting).
3. Diagnostiek:
   • Entanglement Entropy: Het meten van bipartiete von Neumann-entropie om onderscheid te maken tussen area-law (efficiënt simuleerbaar) en volume-law (moeilijk te simuleren) schaling.
   • Trainbaarheid: Het kwantificeren van de variantie van partiële afgeleiden om barren plateaus (exponentieel verdwijnende gradiënten) te detecteren.
   • Ruisanalyse: Het simuleren van depolariserende ruis om de overgang van hoge-bond regimes naar efficiënte Matrix Product Operator (MPO) representaties te observeren.
4. Gestructureerde Codering: Het implementeren van een discrete-logaritme feature map (gebaseerd op Liu–Arunachalam–Temme) om te testen of het plaatsen van hardheid in een getaltheoretische structuur, in plaats van generieke verstrengeling, een trainbaar maar klassiek hard model oplevert.

Belangrijkste Resultaten
De studie identificeert een "ladder" van gedragingen over verschillende QKAN-configuraties:

• R1: De Chebyshev Amplitude QKAN is exact klassiek.
  Dit model gebruikt amplitude-codering met $O(\log n)$ qubits. De output is wiskundig equivalent aan een klassieke gewogen som. Het vereist geen verstrengelingsbronnen en is efficiënt simuleerbaar met een bond dimension $\chi \le \sqrt{n}$.

• R2: Getrainde VQKAN's dequantiseren.
  Hoewel een VQKAN met willekeurige parameters een volume-law verstrengeling vertoont (wat een exponentiële bond dimension vereist), dequantiseert het model zodra het getraind is. Wanneer het getraind is om een gladde, 2-lokale doelunctie te fitten, blijft de taakbewuste bond dimension $\chi_{need}$ klein (constant of langzaam groeiend, $\chi \sim 2\text{--}5$), zelfs als de maximale mogelijke bond dimension exponentieel groeit. Het model past de data aan, maar doet dit met behulp van een laag-verstrengelde subspace die toegankelijk is voor klassieke surrogaten.

• R3: Ruis herstelt klassieke eigenschappen.
  Onder depolariserende ruis stort de operator-space entanglement entropy (OSEE) in. Er vindt een crossover plaats bij een ruispercentage $p \approx 0.03\text{--}0.05$, waarbij het model overgaat van een hoog-bond regime naar een efficiënt simuleerbaar MPO-regime, wat het gedrag van ruisige willekeurige circuits weerspiegelt.

• R4: Generieke hardheid triggert barren plateaus.
  Pogingen om hardheid af te dwingen door globale metingen, diepere entanglers of generieke Instantaneous Quantum Polynomial-time (IQP) feature maps te gebruiken, resulteren in barren plateaus. Deze configuraties drijven de gradiëntvarianties exponentieel omlaag ($Var \sim 2^{-n}$), waardoor de modellen ontrainbaar worden. Dit bevestigt de trade-off waarbij generieke routes naar hardheid de trainbaarheid vernietigen.

• R5 & R6: De Discrete-Logaritme Ontsnapping.
  De auteurs demonstreren dat een discrete-logaritme feature map succesvol de balans vindt.

  • Niet-concentratie: In tegen tegenover generieke IQP-kernels waarvan de variantie als $2^{-n}$ afneemt, behoudt de discrete-logaritme kernel een vlakke off-diagonal variantie ($0.07 \pm 0.01$) van 4 tot 14 qubits.
  • Trainbaarheid: Omdat de kernel niet concentreert, vermijdt het barren plateaus en kan het efficiënt getraind worden door een Support Vector Machine (SVM).
  • Hardheid: De kernel leunt op het discrete logaritme probleem, dat klassiek hard is. Een SVM die deze kernel gebruikt, bereikt $\ge 99\%$ nauwkeurigheid op een klassiek hard concept, terwijl generieke quantum en klassieke kernels falen (presteren op kansniveau).
  • Shot Efficiëntie: Het model blijft leerbaar met een realistisch aantal shots, terwijl het oplossen van generieke IQP-kernels exponentieel veel shots zou vereisen.

Betekenis en Claims
Het artikel claimt de eerste end-to-end classificatie van QKAN's te bieden langs de simuleerbaarheidsas met behulp van een taakbewuste metriek. De belangrijkste bijdragen zijn:

1. Een op meting gebaseerd criterium: Het stelt vast dat "dequantiseerbaarheid" gedefinieerd moet worden door de bond dimension die nodig is om de behaalde nauwkeurigheid van een model te evenaren, niet enkel door de circuitdiepte.
2. Een empirische kaart: Het plaatst concrete QKAN-configuraties op een "hardheid–trainbaarheid" vlak, waarbij wordt aangetoond dat het kwadrant "trainbaar en hard" leeg is voor generieke verstrengelde ansatze, maar toegankelijk is via gestructureerde coderingen.
3. Een ontwerpregel: De auteurs betogen dat gezocht moet worden naar quantumvoordeel in machine learning niet in diepe verstrengeling of generieke expressiviteit, aangezien deze de neiging hebben tot barren plateaus of dequantisering. In plaats daarvan moet het voordeel gezocht worden in gestructureerde, bewezen harde coderingen (zoals discrete logaritmen) die een lage verstrengeling behouden (om barren plateaus te vermijden) terwijl de computationele hardheid in de constructie van de kernel zelf wordt gecodeerd.

De auteurs merken expliciet op dat hun bevindingen gebaseerd zijn op numerieke simulaties voor kleine systeemgroottes ($n \le 14$) en geen asymptotisch bewijs vormen. Ze benadrukken dat het discrete-logaritme resultaat de eigenschappen van een specifieke codering demonstreert en geen algemeen theorem is voor alle QKAN's, en dat de integratie van dergelijke maps in de volledige Kolmogorov–Arnold architectuur een open vraag blijft.