Controllable Quantum Memory Capacity in Quantum Reservoir Networks with Tunable partial-SWAPs

Resumo Técnico: Capacidade de Memória Quântica Controlável em Redes de Reservatório Quântico com SWAPs Parciais Sintonizáveis

Declaração do Problema
A Computação de Reservatório Quântico (QRC) oferece um framework promissor para aprendizado de máquina quântico de curto prazo em hardware de Escala Intermediária Ruidosa (NISQ). No entanto, arquiteturas existentes enfrentam desafios significativos quanto ao controle e compreensão de seus mecanismos de memória. As duas arquiteturas concorrentes primárias são modelos baseados em feedback e modelos recorrentes. Modelos baseados em feedback recodificam medições clássicas no estado quântico, mas esse processo colapsa o estado quântico, destruindo superposição e emaranhamento, e adiciona profundidade de circuito significativa. Por outro lado, modelos recorrentes utilizam registradores de memória e leitura separados com um mecanismo parcial de medição e reinicialização. Embora esses modelos recorrentes tenham demonstrado desempenho de última geração em hardware, seu mecanismo subjacente de geração de memória não é totalmente compreendido ou controlável. Especificamente, não há um único parâmetro governando a capacidade de memória; o sistema depende de inicializações aleatórias de pesos, tornando a taxa de dissipação de memória imprevisível e difícil de ajustar para tarefas específicas.

Metodologia
Os autores propõem um avanço nas arquiteturas de QRC recorrentes introduzindo um mecanismo realizável em hardware chamado SWAP parcial sintonizável. Esta abordagem generaliza o circuito de amortecimento de amplitude em um subcircuito parametrizado que realiza uma troca parcial entre os registradores de leitura e de memória imediatamente antes da medição.

A Rede de Reservatório Quântico (QRN) com SWAP Parcial proposta consiste em três camadas primárias:

1. Camada de Incorporação: Dados de séries temporais clássicos são mapeados para ângulos de rotação e codificados em qubits de memória. Um esquema de reenvio de dados é empregado para introduzir não linearidade por meio de portas emaranhadoras (CRZ) e rotações de qubit único.
2. Camada de Troca de Memória: Esta é a inovação central. Um subcircuito realiza uma operação de SWAP parcial entre qubits de memória e de leitura adjacentes, controlada por um hiperparâmetro $\gamma \in (0, 1]$.
   • Quando $\gamma = 1$, a operação é um SWAP canônico, transferindo totalmente a informação e reinicializando o qubit de memória para $|0\rangle$.
   • Quando $0 < \gamma < 1$, a operação atua como um canal de amortecimento de amplitude controlado. Ela transfere informação parcial para o registrador de leitura, enquanto deixa superposição residual no qubit de memória.
   • O qubit de leitura é subsequentemente medido e reinicializado para $|0\rangle$.
3. Camada de Medição e Reinicialização: O registrador de leitura é medido na base Pauli-Z para gerar um vetor de características (distribuição empírica de strings de bits), e o registrador é reinicializado para o próximo passo de tempo.

Teoricamente, este mecanismo cria um canal de amortecimento de amplitude controlado que purifica o registrador de memória ao longo do tempo. O parâmetro $\gamma$ funciona analogamente à "taxa de vazamento" em Redes de Estado de Eco (ESNs) clássicas, fornecendo controle direto sobre a taxa de dissipação de memória.

Principais Contribuições

• Capacidade de Memória Controlável: O artigo introduz um único hiperparâmetro sintonizável ($\gamma$) que controla diretamente a capacidade de memória e a taxa de dissipação da QRN, abordando a falta de controle em modelos recorrentes anteriores.
• Unificação Teórica: Os autores identificam o mecanismo subjacente de memória decrescente nestes circuitos como um canal de amortecimento de amplitude controlado, fornecendo um análogo quântico claro para a integração com vazamento clássica.
• Realizabilidade em Hardware: O mecanismo de SWAP parcial é projetado para ser implementável em QPUs baseadas em portas e inclui um efeito de "purificação" que pode servir como um método de mitigação de erros para execução recorrente de longo prazo.

Resultados
Os autores validaram a abordagem por meio de simulações usando o simulador Aer sem ruído e experimentos no QPU ibm_boston.

• Capacidade de Memória de Curto Prazo (STMC): Usando um benchmark de recordação aleatorizada, o estudo demonstrou que o desempenho da memória é altamente dependente de $\gamma$. O desempenho ótimo foi consistentemente encontrado na faixa $0 < \gamma < 1$. Valores próximos de 0 (identidade) ou 1 (SWAP completo) resultaram em desempenho pobre, confirmando que um equilíbrio entre retenção e dissipação de informação é necessário. O desempenho geralmente melhorou com o aumento do número de qubits.
• Tarefa NARMA-5: A rede foi testada na tarefa de média móvel autoregressiva não linear de quinta ordem (NARMA-5). Os resultados mostraram que o $\gamma$ ótimo para a tarefa STMC correspondia estreitamente ao $\gamma$ ótimo para a tarefa NARMA-5. Além disso, aumentar o número de blocos de reenvio de dados ($n_{repeats}$) melhorou o desempenho nesta tarefa não linear, sugerindo a necessidade de não linearidade além da capacidade de memória.
• Comparação com ESN Clássica: Quando comparada a uma Rede de Estado de Eco clássica com contagem de nós equivalente, a QRN com SWAP parcial mostrou uma vantagem de desempenho em quase todos os casos testados, apesar de estar limitada a uma única semente aleatória devido aos custos de simulação.
• Execução em Hardware: No QPU ibm_boston, o sistema executou com sucesso uma tarefa de previsão NARMA-5 com uma profundidade de circuito de 203.133 portas ao longo de 1.000 passos de tempo. O resultado em hardware (RMSE = 0,0646) foi razoavelmente próximo da simulação sem ruído (RMSE = 0,0484), demonstrando que o mecanismo de SWAP parcial permite que a QRN funcione em ambientes de alto ruído, mantendo capacidades de processamento não linear.

Significado e Alegações
O artigo afirma que o SWAP parcial sintonizável fornece um método "trivial" porém eficaz para criar memória decrescente em circuitos quânticos com requisitos assintóticos de qubits de $O(N)$. Ao desacoplar a capacidade de memória da inicialização aleatória de pesos e fornecer um botão de controle direto ($\gamma$), os autores argumentam que isso aproxima os algoritmos QRN da controlabilidade de seus equivalentes clássicos.

O trabalho sugere que este mecanismo permite a construção de Redes de Reservatório Quântico mais robustas e interpretáveis. Os autores postulam que, à medida que QPUs com taxas de erro mais baixas e melhor conectividade se tornarem disponíveis, esta abordagem facilitará o desenvolvimento de redes neurais quânticas recorrentes verdadeiramente controláveis (QRNNs). A demonstração bem-sucedida em hardware NISQ atual valida a praticidade da abordagem para tarefas de previsão de séries temporais, mesmo na presença de ruído significativo.