Fourier Analysis of Variational Quantum Circuits for Supervised Learning

Resumo Técnico: Análise de Fourier de Circuitos Quânticos Variacionais para Aprendizado Supervisionado

Definição do Problema
Circuitos Quânticos Variacionais (VQCs) são cada vez mais utilizados como aproximadores de funções em aprendizado supervisionado. Embora esteja estabelecido que a saída de um VQC pode ser representada como uma soma de Fourier truncada dos dados de entrada, assume-se frequentemente que o conjunto de frequências disponíveis (o espectro) é determinado unicamente pelas portas de codificação. Os autores identificam uma limitação crítica nesta suposição: a parte variacional do circuito pode restringir coeficientes de Fourier específicos a zero, removendo efetivamente frequências que estariam teoricamente disponíveis com base apenas na codificação. Além disso, a dependência funcional desses coeficientes de Fourier em relação aos parâmetros variacionais permaneceu amplamente inexplorada. Essa falta de caracterização espectral precisa dificulta a capacidade de prever qual arquitetura de VQC é mais adequada para um conjunto de dados específico sem recorrer ao treinamento completo.

Metodologia
O artigo propõe uma abordagem metodológica de duas frentes:

1. Cálculo do Espectro Exato e dos Coeficientes:
   Construindo sobre o algoritmo de Nemkov et al. [18], os autores desenvolvem um procedimento para calcular o espectro de Fourier exato e os coeficientes para qualquer dado VQC (especificamente aqueles transpiláveis em circuitos Clifford + Pauli).

• Algoritmo: O método utiliza a construção de uma árvore binária onde os nós representam circuitos em uma forma normal canônica. Ao percorrer caminhos através desta árvore e multiplicar fatores trigonométricos associados a rotações de Pauli, o algoritmo decompõe o valor esperado em uma soma de polinômios trigonométricos.
• Análise de Coeficientes: Os autores derivam que os coeficientes de Fourier são polinômios trigonométricos dos parâmetros variacionais $\theta$. Eles estabelecem condições necessárias e suficientes para que as partes combinatórias desses coeficientes se anulem, permitindo a identificação de frequências que são estritamente zero, independentemente dos valores dos parâmetros.
• Análise de Dados: Para comparar o espectro do circuito com um conjunto de dados, os autores empregam a Transformada Rápida de Fourier Não Uniforme (NFFT) via inversão numérica iterativa. Isso permite a extração de representações de frequência a partir de dados do mundo real espaçados de forma não uniforme.

2. Heurística de Classificação de Arquitetura:
   Os autores propõem um método sensível ao conjunto de dados para classificar arquiteturas de VQC sem treinamento. A hipótese central é que uma arquitetura ideal deve conter as frequências dominantes do conjunto de dados, mantendo um tamanho de espectro suficientemente pequeno para garantir a treinabilidade (abordando o compromisso entre expressividade e treinabilidade).

• Métrica de Pontuação: Uma pontuação é calculada com base em três componentes:
  • $R_\Omega$: A energia dos coeficientes de Fourier do conjunto de dados que residem fora do espectro disponível do VQC.
  • $R_{corr}$: Uma heurística de distância de Mahalanobis que estima a probabilidade de os parâmetros variacionais do VQC reproduzirem as correlações e magnitudes específicas dos coeficientes de Fourier do conjunto de dados.
  • $R_{punish}$: Um termo de penalidade proporcional ao tamanho do espectro, desencorajando arquiteturas excessivamente expressivas, mas potencialmente intratáveis.
• A arquitetura com a menor pontuação total é prevista como a que melhor se ajusta aos dados.

Principais Contribuições

• Caracterização Espectral Refinada: O artigo demonstra que o espectro de Fourier de um VQC não é determinado apenas pelas portas de codificação, mas é significamente restringido pelas camadas variacionais. Isso corrige a superestimação das frequências disponíveis encontrada na literatura anterior [16].
• Dependência Funcional: Os autores fornecem a primeira descrição dos coeficientes de Fourier como polinômios trigonométricos explícitos dos parâmetros variacionais, incluindo um algoritmo para calcular o espectro exato e os coeficientes para qualquer circuito dado.
• Seleção Preditiva de Arquitetura: Um novo algoritmo é introduzido para prever a arquitetura de VQC que melhor se ajusta a um determinado conjunto de dados, comparando a transformada de Fourier do conjunto de dados contra o espectro derivado analiticamente dos circuitos candidatos.

Resultados
Os autores testaram seus métodos em onze arquiteturas diferentes de VQC usando dois conjuntos de dados: a função de regressão sintética de Friedman e o conjunto de dados de dígitos manuscritos MNIST (reduzido para 2D via t-SNE).

• Variabilidade Espectral: Apesar de utilizarem as mesmas portas de codificação em todas as arquiteturas, os espectros de Fourier resultantes variaram significamente, indo de 7 a mais de 6.000 frequências. Isso confirmou que as camadas variacionais podam ativamente o espectro.
• Desempenho de Classificação: O método de pontuação proposto identificou com sucesso arquiteturas (especificamente os circuitos 2, 7 e 9) que alcançaram as menores perdas de teste no conjunto de dados Friedman e performaram de forma competitiva no conjunto de dados MNIST.
• Limitações: O estudo observou que, embora a heurística tenha geralmente correlacionado com o desempenho, o termo $R_{corr}$ (baseado em um subconjunto de coeficientes) às vezes falhou em distinguir perfeitamente entre arquiteturas com propriedades espectrais semelhantes, mas diferentes correlações internas de coeficientes. Além disso, o custo computacional de calcular o espectro completo escala exponencialmente com a profundidade do circuito, limitando a prova de conceito atual a circuitos pequenos (4 qubits, 3 camadas).

Significância e Alegações
O artigo afirma fornecer o primeiro algoritmo capaz de determinar a relação funcional exata entre parâmetros variacionais e coeficientes de Fourier. Ao revelar que a parte variacional de um circuito restringe o espectro, os autores argumentam que os VQCs devem ser projetados especificamente para uma tarefa, em vez de simplesmente maximizar a expressividade. O método proposto oferece uma ferramenta de simulação clássica para prever o desempenho do modelo e selecionar arquiteturas, potencialmente economizando os recursos computacionais exigidos para treinar modelos subótimos. No entanto, os autores observam modestamente que seu método é atualmente limitado a circuitos pequenos devido à escala exponencial da simulação clássica e que a heurística de classificação, embora promissora, requer refinamento adicional em relação à ponderação de seus componentes.