Quantum and classical processing with photonic quantum machine learning

Resumo Técnico: Processamento Quântico e Clássico com Aprendizado de Máquina Quântico Fotônico

Declaração do Problema
Embora a inteligência artificial e o aprendizado de máquina (ML) sejam ubíquos, eles incorrem em altos custos computacionais. O aprendizado de máquina quântico (QML) promete acelerar o processamento e resolver tarefas inacessíveis a sistemas clássicos, mas computadores quânticos universais tolerantes a falhas permanecem fora de alcance. As demonstrações atuais de vantagem quântica são frequentemente limitadas a problemas específicos sem relevância prática direta. Além disso, implementações físicas de QML enfrentam desafios como platôs estéreis em paisagens de otimização e a dificuldade de aplicar retropropagação a circuitos quânticos. Um gargalo específico nas tecnologias quânticas é a sondagem eficiente de estados quânticos; a tomografia de estado quântico padrão geralmente requer um número exponencial de medições em diferentes bases. Adicionalmente, realizações experimentais de QML óptico frequentemente lutam com discrepâncias entre simulações idealizadas e hardware imperfeito, levando a uma precisão reduzida em comparação com regimes clássicos.

Metodologia
Os autores relatam uma demonstração experimental de um sistema de processamento de reservatório quântico fotônico (QRP) capaz de lidar com tarefas de aprendizado de máquina quântico e clássico. O hardware central é um chip fotônico de silício programável ("Belenos") da Quandela, apresentando uma malha de 24 guias de onda ópticos integrados dispostos como Interferômetros de Mach-Zehnder (MZIs). O sistema é excitado por uma fonte de ponto quântico semicondutor gerando fótons únicos.

Componentes metodológicos chave incluem:

• Arquitetura de Hardware: O chip suporta até 12 fótons únicos simultâneos injetados em um subconjunto de modos. Ele utiliza detectores de resolução de número de fótons (PNR), um avanço significativo sobre esquemas de detecção binária (0 ou 1) anteriores.
• Processamento de Reservatório Quântico: O sistema emprega uma transformação unitária fixa e aleatória (o reservatório, $U_R$) para mapear dados de entrada em um espaço de características de alta dimensão. Isso é seguido por uma camada de leitura linear treinável implementada em software (uma rede neural).
• Tarefas Quânticas: Os autores implementaram tomografia de estado quântico para estados mistos e emaranhados em bases de dois e três modos. Diferentemente da tomografia padrão que requer medições exponenciais, este método usa uma única transformação unitária fixa e uma única base de medição. Os estados de entrada são gerados dentro do chip ou injetados, e o reservatório transforma correlações quânticas multimodo em estatísticas de contagem de fótons mensuráveis.
• Tarefas Clássicas e Mitigação de Erros: Para dados clássicos, as entradas são codificadas como parâmetros do interferômetro. Para abordar a lacuna entre simulação e realidade experimental, os autores introduziram uma técnica de treinamento "consciente do hardware". Isso envolve perturbar a matriz unitária do reservatório ($U_R$) com ruído aleatório durante a fase de treinamento in-silico. Essa regularização treina a rede para ser robusta contra imperfeições experimentais, como erros de transpilação e deriva de fase.

Contribuições Principais

1. Demonstração Experimental de QRP Fotônico: Este trabalho fornece a primeira demonstração experimental de um sistema óptico realizando uma tarefa quântica genuína (tomografia de estado quântico) usando uma arquitetura de computação de reservatório.
2. Detecção PNR Escalável: A implementação utiliza detecção de resolução de número de fótons em um chip fotônico de silício escalável, permitindo a captura de coincidências complexas de múltiplos fótons que detectores binários perdem.
3. Tomografia Quântica Eficiente: Os autores demonstram que o QRP pode reconstruir a matriz de densidade de estados quânticos mistos usando apenas uma única base de medição, contrastando com o custo exponencial da tomografia convencional.
4. Treinamento Consciente do Hardware: O artigo introduz uma estratégia específica de mitigação para imperfeições experimentais. Ao treinar a camada de leitura clássica em dados simulados com perturbações aleatórias do reservatório, o sistema alcança maior precisão do que um sistema idêntico operando no regime clássico (usando estados coerentes e medições de intensidade).

Resultados

• Tomografia Quântica: Na reconstrução de um estado misto de dois fótons, o sistema QRP alcançou uma fidelidade média de $F_{QRP} = 0,820 \pm 0,013$ no conjunto de dados de teste. Isso superou significativamente a "referência PNR" (detecção direta sem reservatório), que alcançou $F_{PNR} = 0,747 \pm 0,015$. A melhoria é atribuída à capacidade do reservatório de capturar coerências fora da diagonal (interferência quântica) que a detecção direta perde.
• Escalabilidade: O estudo verificou a escalabilidade da abordagem estendendo a tomografia para estados de três modos. Os resultados indicam que o tamanho do reservatório (número de modos) deve escalar para corresponder ao número de parâmetros independentes na matriz de densidade (13 parâmetros para 2 modos, 45 para 3 modos).
• Extração de Características: O sistema previu com sucesso características quânticas chave, incluindo pureza, entropia de von Neumann e negatividade, com alta precisão usando dados de apenas três detectores.
• Classificação Clássica: Para uma tarefa de classificação não linear binária (espirais entrelaçadas), a técnica de treinamento consciente do hardware rendeu uma precisão experimental de $\sim 79,7\%$. Isso superou a precisão de um sistema clássico ideal (entradas coerentes, detecção de intensidade), que serviu como linha de base. Sem o treinamento de perturbação, a precisão experimental foi significativamente menor devido a imperfeições de hardware.

Significado
Os autores afirmam que este trabalho demonstra um método prático para superar um gargalo crucial nas tecnologias quânticas: a sondagem eficiente de estados quânticos. Ao mostrar que o QRP pode realizar tarefas quânticas com uma única base de medição e superar regimes clássicos mesmo na presença de ruído experimental, o artigo sugere um caminho para vantagem quântica prática em aprendizado de máquina. Os resultados destacam que dispositivos fotônicos escaláveis baseados em chips integrados e fontes de fótons únicos podem aproveitar efetivamente efeitos quânticos tanto para processamento de dados quânticos quanto para computação clássica robusta. O estudo enfatiza que, embora computadores quânticos universais ainda não estejam disponíveis, abordagens físicas especializadas de QML como o QRP oferecem uma alternativa viável para acelerar tarefas específicas e extrair características quânticas.