Machine learning of quantum data using optimal similarity measurements

1. O Problema

O aprendizado de máquina quântico (QML) busca obter vantagem computacional ao processar dados que são inerentemente quânticos (como saídas de simuladores quânticos, sensores ou redes quânticas). O núcleo de muitos algoritmos de QML (como classificadores de kernel e redes neurais quânticas) depende da avaliação da similaridade entre estados quânticos, especificamente o sobreposição de estados (overlap), definida como o produto interno ao quadrado $|\langle \psi | \phi \rangle|^2$.

O desafio central identificado pelos autores é a ineficiência das abordagens atuais:

• Reconstrução Tomográfica: Métodos tradicionais exigem caracterizar individualmente cada estado de dados antes de compará-los. Isso requer um número de amostras que cresce exponencialmente com o tamanho do sistema (dimensão do espaço de Hilbert), tornando-o inviável para dados de alta dimensão.
• Custo de Caracterização: Em redes quânticas futuras, os dados são gerados e transmitidos como estados quânticos nativos. Caracterizá-los individualmente destrói a vantagem quântica e consome recursos excessivos.
• Limitação de Escalabilidade: Protocolos existentes baseados em testes de SWAP ou circuitos profundos tornam-se proibitivos experimentalmente em grande escala.

2. Metodologia

Os autores propõem e demonstram um protocolo óptimo em termos de amostragem e eficiente em hardware para estimar a sobreposição de estados quânticos sem caracterizar os estados individualmente.

A. Esquema de Medição

• Interferência Quântica Bosônica: O método utiliza interferência direta entre dois estados quânticos desconhecidos (ou seus cópias) em divisores de feixe balanceados (BS).
• Medição de Paridade de Fótons: Após a interferência, mede-se a paridade do número total de fótons em um dos registros de saída.
• Estimador Direto: A sobreposição é estimada diretamente a partir das estatísticas de contagem de fótons (eventos de número par vs. ímpar). A relação é dada por:
  $$\text{Tr}[\hat{\rho}^{(A)}\hat{\rho}^{(B)}] = \langle \hat{\Pi} \rangle$$
  onde $\hat{\Pi}$ é o operador de paridade.
• Complexidade de Amostragem: O protocolo demonstra que a complexidade de amostragem necessária para estimar a sobreposição com erro aditivo $\epsilon$ é $O(\epsilon^{-2})$. Crucialmente, essa complexidade é independente da dimensão do sistema (número de modos, número de fótons ou energia), tornando-o escalável para dados de alta dimensão.

B. Plataforma Experimental

• Hardware: O experimento foi realizado na plataforma Prakash-1, um processador fotônico integrado totalmente programável.
• Circuito: Utiliza um chip de nitreto de silício ($Si_3N_4$) com uma malha quadrada de 10x10 de interferômetros Mach-Zehnder (MZI) sintonizáveis termicamente.
• Preparação de Estado: Pares de fótons indistinguíveis (1550 nm) são gerados via conversão paramétrica descendente espontânea (SPDC) e codificados em estados de qudits (estados de dimensão superior a 2) usando fases relativas em múltiplos modos espaciais.
• Detecção: Detectores de fótons únicos de nanowire supercondutores (SNSPD) são usados para detecção de coincidências.

3. Contribuições Principais

1. Protocolo de Medição Ótimo: Estabelecimento de um esquema de medição conjunta de sobreposição que atinge o limite inferior teórico (bound de Helstrom) para a complexidade de amostragem, superando estratégias distribuídas locais que sofrem de "maldição da dimensionalidade".
2. Eficiência Hardware-Nativa: Demonstração de que a interferência bosônica em circuitos fotônicos integrados permite a medição de similaridade sem a necessidade de circuitos quânticos profundos ou reconstrução de estado.
3. Validação em QML Realista: Aplicação bem-sucedida do protocolo em duas tarefas fundamentais de aprendizado de máquina em um ambiente experimental ruidoso:
   • Classificação supervisionada baseada em kernel.
   • Aprendizado online de estados quânticos desconhecidos.
4. Generalidade: O método é aplicável tanto a estados de variáveis discretas (DV) quanto contínuas (CV), incluindo estados não-Gaussianos e emaranhados.

4. Resultados Experimentais

Os autores validaram o protocolo em duas tarefas distintas:

A. Classificação de Dados Quânticos

• Tarefa: Classificação de três conjuntos de dados quânticos (separáveis linearmente, esfericamente separáveis e clusters sobrepostos) usando uma Máquina de Vetores de Suporte (SVM) baseada em kernel quântico.
• Desempenho:
  • Dados separáveis: 100% de precisão.
  • Dados esféricos: 98,47% ± 0,71%.
  • Dados sobrepostos (não linearmente separáveis no espaço original): 91,65% ± 2,15%.
• Conclusão: O kernel quântico, avaliado via interferência direta, conseguiu separar dados que seriam inseparáveis no espaço de parâmetros clássico original.

B. Aprendizado Online de Dados Quânticos

• Tarefa: Treinar um modelo quântico paramétrico para aproximar um estado alvo desconhecido (ruído incluído) minimizando a infidelidade, usando o algoritmo de Aproximação Estocástica de Perturbação Simultânea (SPSA).
• Desempenho:
  • O algoritmo convergiu para uma infidelidade de nível de poucos por cento dentro de 500 iterações.
  • Fidelidade mediana final: 98,3% (infidelidade de $1,7 \times 10^{-2}$).
  • Robustez: O método manteve alta precisão mesmo com ruído térmico (crosstalk) entre os sintonizadores de fase e com um número reduzido de cópias de estado ($N=100$) por avaliação de sobreposição.

5. Significado e Impacto

Este trabalho representa um passo fundamental para a escalabilidade do Aprendizado de Máquina Quântico (QML):

• Viabilidade Prática: Demonstra que é possível realizar tarefas complexas de QML em hardware fotônico atual, superando a barreira da caracterização individual de dados.
• Vantagem Exponencial: O protocolo oferece uma vantagem exponencial em eficiência de amostragem em comparação com métodos distribuídos clássicos ou tomográficos, especialmente para dados de alta dimensão.
• Bloco de Construção para Redes Quânticas: A capacidade de medir a similaridade entre estados quânticos nativos sem medi-los individualmente é essencial para futuras redes quânticas, permitindo aplicações como computação quântica distribuída, aprendizado federado quântico e processamento de dados de sensores quânticos.
• Caminho para Vantagem Quântica: Ao resolver o gargalo da medição de similaridade, este trabalho abre caminho para explorar vantagens quânticas reais em problemas de aprendizado de máquina que são intratáveis classicamente.

Em resumo, o artigo estabelece a medição conjunta de sobreposição via interferência quântica como um bloco de construção hardware-eficiente e optmizado em amostragem, viabilizando a análise escalável de dados quânticos em redes integradas.