Resumo Técnico: Redes Neurais Ópticas Quânticas de Variáveis Contínuas Inspiradas em Hardware

Problema

O desenvolvimento de Redes Neurais Ópticas Quânticas (QONNs) de Variáveis Contínuas (CV) enfrenta um compromisso fundamental entre viabilidade experimental e universalidade computacional. Operações gaussianas (deslocamentos, squeezers, divisores de feixe) são acessíveis via hardware e induzem transformações afins, mas carecem da não-linearidade necessária para a aproximação universal de funções. Alcançar a universalidade requer tipicamente recursos não-gaussianos. No entanto, propostas padrão para unitários não-gaussianos, como portas Kerr ou portas de fase cúbica, são experimentalmente exigentes devido às fracas suscetibilidades de terceira ordem ou à necessidade de feed-forward de alto desempenho e estados ancila sob medida. Além disso, a simulação clássica de sistemas CV frequentemente depende da truncagem do espaço de Hilbert infinito (cortes de espaço de Fock), o que introduz erros de aproximação e limita a escalabilidade.

Metodologia

Os autores propõem uma nova arquitetura de QONN experimentalmente viável que utiliza a subtração de fótons sinalizada (heralded photon subtraction) como a principal fonte de não-linearidade, evitando a necessidade de portas não-gaussianas determinísticas difíceis. A arquitetura consiste em camadas:

1. Codificação de Entrada: Vetores de dados de entrada são codificados como estados coerentes reais usando operadores de deslocamento.
2. Processamento Gaussiano: Um operador unitário gaussiano ajustável ($\hat{G}$) é aplicado. Este operador é decomposto via decomposição de Bloch-Messiah em uma sequência de interferômetros ($\hat{U}_1, \hat{U}_2$), squeezers de modo único ($\hat{S}$) e deslocamentos ($\hat{D}$). Esta camada realiza a transformação afim nas quadraturas ópticas.
3. Ativação Não-Linear: A subtração de fótons de modo múltiplo é realizada através do operador de aniquilação ($\hat{a}$). Isso é implementado fisicamente ao desviar uma fração fraca do modo de sinal para um modo de vácuo ancila através de um divisor de feixe e condicionar em um evento de detecção de fóton único (sinalização/heralding).
4. Leitura (Readout): A saída é obtida via detecção homódina da quadratura de posição ($\langle \hat{x} \rangle$).

Estrutura Teórica:
Uma contribuição metodológica chave é a derivação de expressões analíticas em forma fechada para a saída da rede. Ao utilizar transformações de Bogoliubov e a expansão de Wick–Isserlis (generalizada para médias não nulas), os autores expressam os valores esperados de observáveis nos estados não-gaussianos resultantes inteiramente em termos dos primeiros e segundos momentos estatísticos (médias e covariâncias) do estado gaussiano subjacente. Esta abordagem:

• Evita a truncagem de Fock, permitindo a simulação exata em espaços de Hilbert de dimensão infinita.
• Permite o treinamento baseado em gradiente via derivadas analíticas.
• Mapeia a operação de subtração de fótons para uma família específica de funções de ativação de crista (ridge) ajustáveis.

Ferramenta de Simulação:
Para validar a teoria, os autores desenvolveram o QuaNNTO, uma biblioteca Python de alto desempenho construída sobre o framework JAX. Ela utiliza as expressões analíticas derivadas para computar valores esperados exatos e realizar otimização baseada em gradiente no supercomputador MareNostrum 5.

Principais Contribuições

1. Funções de Ativação Analíticas: O artigo deriva uma expressão em forma fechada (Eq. 17) demonstrando que a subtração de fótons em estados coerentes com squeezing induz uma função de ativação não-polinomial e ajustável. A forma e o ganho desta função são controlados pelo parâmetro de squeezing $r$.
2. Aproximação Universal em uma Única Camada: Os autores provam que uma QONN de camada única com leitura linear satisfaz o Teorema da Aproximação Universal (UAT). Cada modo com subtração de fótons atua efetivamente como um neurônio óptico-quântico. Quando múltiplos modos estão correlacionados, termos cruzados não-lineares adicionais emergem, aumentando a expressividade.
3. Design Viável em Hardware: A arquitetura depende exclusivamente de componentes disponíveis na tecnologia fotônica atual: osciladores locais, divisores de feixe, deslocadores de fase, amplificadores paramétricos ópticos (para squeezing), detectores de fóton único e detectores de fotões.
4. Simulação Clássica Exata: O framework baseado em Wick–Isserlis permite a simulação clássica exata de QONNs não-gaussianas sem o custo computacional ou os erros de aproximação associados à truncagem de espaço de Fock.

Resultados

O framework proposto foi testado em três tarefas distintas:

• Ajuste de Curvas (Curve Fitting): QONNs de camada única com subtração de fótons aprenderam com sucesso funções não-lineares complexas (polinômios, exponenciais, funções oscilatórias) a partir de conjuntos de dados ruidosos. Em contraste, redes puramente gaussianas (sem subtração) limitaram-se a ajustes lineares. Aumentar o número de modos subtraídos (neurônios) reduziu o erro de ajuste a zero, consistente com o UAT.
• Classificação:
  • Moons e Circles: As QONNs de camada única alcançaram precisão perfeita no conjunto de dados "moons" com um neurônio e no conjunto "circles" com três neurônios (este último exigindo um modo auxiliar para equilibrar as probabilidades). Redes puramente gaussianas falharam em aprender as fronteiras de decisão não-lineares necessárias.
  • MNIST: O modelo classificou com sucesso um subconjunto do dataset MNIST (dígitos 0–4) após redução de dimensionalidade via autoencoder. Os resultados indicaram que adicionar neurônios ou camadas melhorou a capacidade de classificação.
• Síntese de Porta Não-Gaussiana: A QONN foi treinada para replicar a ação de uma porta de fase cúbica ($\hat{V}(\gamma) = e^{i\gamma \hat{x}^3/3}$) através do pareamento de momentos estatísticos de ordem superior de estados coerentes. Os resultados mostraram que aumentar o número de neurônios em uma única camada ou adicionar camadas melhorou a fidelidade da síntese da porta. Notavelmente, os autores observaram sinais de desaparecimento de gradiente (vanishing gradients) em configurações de múltiplas camadas mais profundas em comparação com configurações de camada única mais largas com recursos não-gaussianos equivalentes.

Significância e Alegações

O artigo alega que esta arquitetura oferece um "ponto ideal" (sweet spot) para o aprendizado de máquina quântico fotônico, fundindo tratabilidade analítica, viabilidade experimental e alto poder de representação.

• Eficiência vs. Profundidade: Diferente de propostas anteriores que dependem de circuitos profundos com muitos eventos não-gaussianos (levando a probabilidades de sucesso exponencialmente baixas e exigindo truncagem de espaço de Fock para simulação), esta abordagem alcança alta expressividade com um design de camada única rasa.
• Exatidão: Ao evitar cortes de Fock, o método fornece um ansatz genuinamente de variáveis contínuas. Os autores argumentam que isso é crucial para a escalabilidade, pois o custo computacional escala com o número de modos e subtrações, em vez de um corte artificial de número de fótons imposto.
• Generalidade: Embora o foco principal seja a subtração de fótons, os autores observam que o formalismo se generaliza para qualquer recurso não-gaussiano que possa ser expresso como um polinômio em operadores de escada atuando sobre um estado gaussiano, incluindo implementações perturbativas de interações Kerr fracas.

O trabalho posiciona a proposta de QONN de camada única como um candidato promissor para tarefas de aprendizado de máquina quântico fotônico escaláveis e processamento de informação quântica, tais como engenharia de estados quânticos e síntese de portas não-gaussianas, sem o custo experimental proibitivo de portas não-gaussianas determinísticas.