QCNN with Rough Path Signature Kernels

Resumo Técnico: QCNN com Kernels de Assinatura de Caminhos Rugosos (Rough Path Signature Kernels)

Definição do Problema
A análise de séries temporais enfrenta um desafio fundamental: a invariância de dados sequenciais à reparametrização temporal. Modelos padrão de aprendizado de máquina, que dependem de uma parametrização temporal explícita, têm dificuldade em extrair características significativas quando os dados sofrem acelerações, desacelerações ou deformações não lineares arbitrárias. A Teoria dos Caminhos Rugosos (Rough Path Theory) oferece uma solução por meio da transformação de "assinatura" (signature)—um vetor de características de dimensão infinita de integrais iteradas que é inerentemente invariante à reparametrização temporal—mas o cálculo dessas características é computacionalmente proibitivo. O número de termos cresce exponencialmente com a dimensão do caminho e a ordem de truncamento. Embora os kernels de assinatura (produtos internos de assinaturas) ofereçam uma maneira de contornar o cálculo explícito de características ao resolver uma equação diferencial parcial (PDE) hiperbólica de segunda ordem, os sistemas lineares resultantes para kernels discretizados permanecem grandes e esparsos, criando um gargalo para aplicações de larga escala.

Metodologia
Os autores propõem uma arquitetura híbrida quântico-clássica projetada para abordar a classificação de séries temporais, integrando Assinaturas de Caminhos Rugosos com Redes Neurais Convolucionais Quânticas (QCNNs). O pipeline consiste em duas etapas principais:

1. Computação do Kernel de Assinatura (Camada de Características):
   A inovação central é o cálculo do kernel de assinatura entre um caminho de referência e um caminho alvo. O kernel é definido como a solução de um problema de Goursat (uma PDE específica). Os autores exploram dois métodos para resolver o sistema linear discretizado ($Ax=b$) derivado do esquema de diferenças finitas desta PDE:

   • Variational Quantum Linear Solver (VQLS): Uma abordagem quântica onde a solução é codificada em um estado quântico parametrizado. A matriz $A$ é decomposta em uma combinação linear de unitárias, e um ansatz eficiente de hardware (camadas alternadas de rotações $Y$ de qubit único e portas CNOT) é otimizado usando uma função de custo local para minimizar a sobreposição com o estado alvo.
   • Solvers Clássicos: Como uma linha de base e alternativa prática, os autores utilizam solvers numéricos clássicos (especificamente a biblioteca sigkernel) para avaliar o kernel.

2. Classificação Quântica (Camada QCNN):
   As características do kernel computadas são alimentadas em uma QCNN. Os autores investigam três configurações arquiteturais específicas para a tarefa de classificação binária (distinguir dígitos manuscritos 0 vs. 1):

   • Padrão (Standard): Dados de pixels brutos codificados em um registro de 8 qubits.
   • Substituição Pura de Kernel (Pure Kernel Substitution): A matriz de kernel de assinatura completa (achatada/flattened) substitui os dados da imagem como entrada para uma QCNN de 8 qubits.
   • Fusão de Qubit Auxiliar (Auxiliary Qubit Fusion): Uma abordagem multimodal onde os dados de imagem originais são codificados em 8 qubits, enquanto um único valor escalar (o elemento inferior direito da matriz de kernel, representando a interação total do caminho) é codificado em um 9º qubit auxiliar via uma rotação $R_Y$ parametrizada.

Contribuições Principais e Configuração Experimental
O artigo avalia essas arquiteturas em uma tarefa de classificação binária usando o conjunto de dados MNIST, especificamente o subconjunto de dígitos 0 e 1 convertidos em sequências de traços ordenados no tempo. Os experimentos foram conduzidos em simuladores de estado vetorial sem ruído usando Qiskit para circuitos quânticos e PennyLane para otimização de QCNN.

• Análise de Escalabilidade do VQLS: Os autores testaram rigorosamente o componente VQLS. Eles descobriram que, embora o VQLS converja para caminhos altamente comprimidos (3–4 passos de tempo), ele falha em escalar para tamanhos de amostra realistas (ex: 5–6 passos de tempo). A dimensão do sistema escala como $O(T^2)$, e o número de condição da matriz $\kappa$ infla rapidamente, fazendo com que o panorama de otimização se torne não convexo e levando à degradação da fidelidade de sobreposição. Consequentemente, os autores concluíram que o VQLS é atualmente inviável para loops de treinamento de múltiplas amostras sem uma compressão severa e com perda de informação.
• Comparação de Arquiteturas: Devido às limitações do VQLS, os benchmarks de desempenho subsequentes utilizaram a avaliação de kernel clássica. O estudo comparou o modelo "Standard" (apenas imagem) contra os modelos "SigKernel" (kernel puro) e "SigKernel aux qubit" (fusão) através de vários ansatzes convolucionais (UTTN, circuitos heurísticos U5–U15, e grupo-teórico USO(4)/USU(4)).

Resultos

• Limitações do VQLS: A abordagem VQLS é atualmente restrita a sequências fortemente comprimidas devido aos requisitos de contagem de qubits (mínimo de 10 qubits totalmente conectados para pequenos conjuntos de dados) e à rápida inflação do número de condição, que prende os otimizadores em mínimos locais.
• Desempenho de Classificação: A inclusão das características do kernel de assinatura proporcionou melhorias distintas de desempenho para arquiteturas específicas de QCNN. Notavelmente, a Arquitetura de Fusão de Qubit Auxiliar superou consistentemente o modelo de substituição pura de kernel na maioria dos ansatzes testados. Isso sugere que preservar a estrutura espacial original da imagem enquanto se incorpora as assinaturas de caminho como uma característica quântica auxiliar ortogonal é uma estratégia mais eficaz do que substituir inteiramente os dados espaciais pela matriz de kernel.
• Restrições de Dados: Os experimentos exigiram o redimensionamento (downsampling) dos caminhos de entrada para 16 pontos (15 intervalos de tempo) para caber nas restrições do registro de 8 qubits. Os autores reconhecem que isso introduz um compromisso, potencialmente descartando nuances geométricas finas necessárias para uma classificação robusta.

Significância e Alegações
O artigo posiciona este trabalho como uma prova de conceito para análise de séries temporais potencializada por computação quântica. Os autores afirmam que seu framework demonstra com sucesso o potencial das vantagens de implementar camadas de kernel de assinatura de caminhos dentro de circuitos quânticos, mostrando especificamente que arquiteturas híbridas podem aproveitar a invariância de reparametrização temporal das assinaturas para melhorar a precisão da classificação.

No entanto, os autores mantêm um tom modesto em relação ao estado atual da tecnologia. Eles declaram explicitamente que as limitações computacionais do componente VQLS em dispositivos NISQ (Near-Term Intermediate-Scale Quantum) atualmente impedem a aceleração quântica de ponta a ponta para kernels de assinatura. A significância do trabalho reside em estabelecer uma ponte matemática e arquitetural entre a teoria de caminhos rugosos (rough paths) e QCNNs, destacando que, embora a aceleração quântica total ainda não seja viável, os vieses estruturais fornecidos pelos kernels de assinatura podem melhorar significativamente os classificadores quânticos quando integrados via fluxos de trabalho híbridos clássico-quânticos. Os autores identificam direções futuras como a melhoria da treinabilidade do VQLS (ex: via ansatzes baseados em QAOA) e a extensão desses métodos para classificação multiclasse e hardware real com ruído.