Analog Quantum Asynchronous Event-Based Graph Neural Network

Resumo Técnico: Rede Neural de Grafos de Eventos Assíncronos Quântica Analógica

Definição do Problema
Câmeras de eventos (sensores de visão dinâmica) geram fluxos de dados esparsos e assíncronos caracterizados por coordenadas espaciais, carimbos de tempo (timestamps) e polaridade. Embora as Redes Neurais de Grafos de Eventos Assíncronos (AEGNNs) tenham surgido como um paradigma clássico eficiente para processar esses dados, construindo grafos espaço-temporais dinâmicos, o aumento da resolução e das taxas de quadros das câmeras de eventos impõe desafios computacionais substanciais. Arquiteturas clássicas, projetadas para dados síncronos densos, lutam com a latência e as demandas de energia para processar fluxos de eventos de alto rendimento. Além disso, embora a computação quântica ofereça potencial para acelerar computações baseadas em grafos, a interseção específica entre o aprendizado de grafos quânticos e o processamento de eventos assíncronos permanece amplamente inexplorada.

Metodologia
O artigo propõe as QA-AEGNNs (Redes Neurais de Grafos de Eventos Assíncronos Quânticas Analógicas), uma estrutura para implementar AEGNNs em processadores quânticos de átomos neutros. A metodologia aproveita as capacidades nativas de arranjos de átomos de Rydberg para espelhar as computações de passagem de mensagens das AEGNNs clássicas através de dinâmicas de Hamiltoniana contínuas.

1. Mapeamento Evento-Átomo: Dados de eventos em fluxo são mapeados para um arranjo de átomos neutros aprisionados. Cada átomo representa um nó do grafo (evento). As posições físicas dos átomos ($r_i$) são configuradas de modo que a proximidade geométrica reflita a vizinhança espaço-temporal dos eventos.

   • Incorporação 3D/2D: A estrutura suporta tanto arranjos atômicos 3D (mapeamento direto de coordenadas) quanto arranjos 2D (usando uma matriz de transformação linear) para acomodar as restrições atuais do hardware experimental.
   • Conectividade: Átomos representando eventos conectados são colocados dentro do raio de bloqueio de Rydberg ($R_b$), enquanto átomos não conectados são colocados além dele. Isso garante que as interações naturais de van der Waals ($V_{ij} \propto 1/r^6$) ocorram apenas entre vizinhos do grafo, implementando efetivamente as arestas do grafo.

2. Codificação de Características: As características dos nós (polaridade do evento) são codificadas usando dois métodos propostos:

   • Codificação de Estado Inicial: Os átomos são inicializados no estado fundamental ($|0\rangle$) ou excitado ($|1\rangle$) com base na polaridade do evento.
   • Codificação de Detuning Local: Os átomos são inicializados no estado fundamental, e o detuning de laser local ($\delta_{local}$) é modulado com base na polaridade do evento. Este método retém a informação da característica durante toda a evolução quântica.

3. Evolução da Hamiltoniana: O sistema evolui sob a Hamiltoniana de Rydberg nativa:
   $$H(t) = \sum \frac{\Omega(t)}{2}(\sigma_x) - \sum \delta_i(t) n_i + \sum V_{ij} n_i n_j$$
   A frequência de Rabi global ($\Omega$) e o detuning ($\delta$) impulsionam as transições, enquanto o termo de interação ($V_{ij}$) acopla os nós adjacentes. Esta evolução mimetiza as etapas de agregação e combinação de uma GNN clássica. A duração desta evolução ($\Delta\tau_s$) atua como um parâmetro ajustável análogo à profundidade da passagem de mensagens.

4. Leitura e Classificação: Após a evolução, os átomos são medidos na base computacional. Os resultados são agregados em um histograma de átomos excitados (vetor de características $z_s$), que serve como entrada para um classificador clássico (ex: SVM). Uma regra de maioria através de janelas temporais determina a classificação final.

5. Esquema de Treinamento: Um esquema de treinamento híbrido quântico-clássico é empregado. O tempo de evolução quântica ($\Delta\tau_s$) e os parâmetros do classificador clássico são otimizados conjuntamente usando uma busca em grade (grid search) sobre $\Delta\tau_s$ e otimização padrão para o classificador, minimizando o risco empírico nos dados de treinamento.

Principais Contribuições

1. Estrutura QA-AEGNN: A introdução de uma nova arquitetura que mapeia AEGNNs de eventos assíncronos para processadores de átomos neutros, utilizando o arranjo espacial atômico para incorporação de grafos e interações de Rydberg para passagem de mensagens.
2. Treinamento Híbrido: Um esquema de treinamento variacional leve onde a duração da evolução quântica é otimizada junto com o classificador clássico, tratando o processador quântico como um reservatório orientado por dados.
3. Validação Experimental: Simulações numéricas comparando a QA-AEGNN contra a AEGNN clássica em tarefas de classificação de grafos sintéticos e no conjunto de dados neuromórficos N-MNIST.

Resultos
O artigo apresenta resultados de simulação usando emuladores de vetor de estado e de tensor de rede de matriz de produto (MPS):

• Desempenho: A QA-AEGNN alcança consistentemente uma precisão de teste superior à AEGNN clássica em vários cenários, incluindo dados de apenas coordenadas e dados aumentados por polaridade. Em alguns cenários (ex: dados aumentados por polaridade com $w=0.1$), a QA-AEGNN atinge precisão de teste perfeita (1.0), enquanto a linha de base clássica estagna.
• Comparação de Codificação: O método de codificação por detuning local geralmente supera o método de codificação de estado inicial, particularmente em tarefas de classificação mais desafiadoras ($w=0.2$), sugerindo que preservar a informação da característica durante a evolução melhora a generalização.
• Robustez ao Ruído: O modelo demonstra resiliência ao ruído. Mesmo com erros de Preparação de Estado e Medição (SPAM) e decoerência quântica (relaxação $T_1$ e desfasamento $T_2$), a QA-AEGNN mantém um desempenho superior em comparação com a AEGNN clássica. O treinamento consciente do ruído estabiliza ainda mais o desempenho.
• Escalabilidade: A estrutura suporta inferência em tempo real para taxas de eventos de até ~128 eventos/s em uma plataforma de 256 átomos, com potencial para taxas mais altas conforme o hardware escala.

Significância e Alegações
Os autores afirmam que a QA-AEGNN preenche a lacuna entre o aprendizado de grafos quânticos e o processamento de eventos neuromórficos. A significância do trabalho reside em demonstrar que processadores quânticos de átomos neutros podem executar nativamente computações de grafos baseadas em eventos, aproveitando suas dinâmicas de Hamiltoniana contínua e paralelismo massivo.

O artigo sugere que a abordagem quântica oferece vantagens além de um simples aumento de velocidade computacional. Especificamente, a evolução quântica parece "misturar melhor a informação entre os nós", potencialmente extraindo características mais informativas de dados estruturados em grafos através de efeitos de interferência quântica e emaranhamento, superando assim as limitações inerentes aos algoritmos clássicos de passagem de mensagens. O trabalho estabelece uma base para a exploração futura de vantagens quânticas no processamento de fluxos de dados assíncronos de alto rendimento.