Scaling Adaptive Non-Local Observable Quantum Super-Resolution via Matrix Product States

Resumo Técnico: Escalonamento de Super-Resolução Quântica Adaptativa de Observáveis Não Locais via Matrix Product States

Definição do Problema
A super-resolução (SR) de imagens visa reconstruir imagens de alta resolução a partir de entradas de baixa resolução. Embora o aprendizado profundo clássico domine este campo, os Circuitos Quânticos Variacionais (VQCs) emergiram como um framework alternativo. Uma arquitetura específica, os VQCs de Observáveis Não Locais Adaptativos (ANO-VQCs), melhora os VQCs padrão ao tratar operadores de medição de Hermitianos como componentes treináveis em vez de observáveis de Pauli fixos. Isso permite combinações dependentes da tarefa de correlações multiqubit.

No entanto, simular ANO-VQCs para SR de imagens enfrenta um gargalo severo de escalabilidade. Usando uma codificação de um-pixel-para-um-qubit, uma imagem de entrada de tamanho $p \times p$ requer $n = p^2$ qubits. A simulação convencional de estado vetorial (statevector) exige o armazenamento de $2^n$ amplitudes complexas, o que se torna intratável mesmo para tamanhos de entrada modestos (por exemplo, gargalos de memória ocorrem em entradas de $6 \times 6$ ou 36 qubits). Embora a contração de redes de tensores exatas (Exact TN) ofereça uma alternativa, ela também se torna computacionalmente impraticável além de certos tamanhos de entrada (por exemplo, $12 \times 12$ ou 144 qubits). Há uma necessidade de um backend de simulação escalável que possa lidar com contagens maiores de qubits mantendo a precisão para o treinamento de algoritmos quânticos variacionais.

Metodologia
Os autores propõem um framework de simulação de Matrix Product State (MPS) adaptado para a SR de imagem por ANO-VQC. O fluxo de trabalho consiste em quatro estágios principais:

1. Codificação e Design de Circuito:

   • Imagens de baixa resolução (ex: $7 \times 7$) são mapeadas para qubits via codificação de um-pixel-para-um-qubit. Os valores dos pixels $x_i \in [0, 1]$ são convertidos em ângulos de rotação $\phi_i = 2\pi x_i - \pi$.
   • O circuito de codificação aplica portas Hadamard, seguidas por rotações $RY(\phi_i)$ dependentes do pixel e portas CNOT de vizinhos próximos escalonadas.
   • A profundidade do circuito $L$ é definida pelo número de camadas de codificação-emaranhamento repetidas. Notavelmente, as portas de codificação são dependentes da entrada, mas não são independentemente treináveis; os parâmetros treináveis residem nos observáveis e na camada de reconstrução clássica.

2. Extração de Características de Observáveis Adaptativos:

   • Em vez de medições de Pauli fixas, o framework utiliza observáveis de Hermitianos treináveis $H_q$ atuando em pares de qubits (especificamente vizinhos locais da imagem: horizontais, verticais e diagonais).
   • Para aproveitar o backend MPS eficientemente, cada observável adaptativo é expandido na base de Pauli: $H_q = \sum_\alpha c_{q,\alpha} P_\alpha$.
   • O valor de expectativa $\langle H_q \rangle$ é computado como uma combinação linear de valores de expectativa de Pauli fixos $\langle P_\alpha \rangle$. Como o circuito de codificação depende apenas da imagem de entrada, esses valores de expectativa de Pauli são computados uma única vez e armazenados em cache. Os parâmetros treináveis ($A_q, B_q, D_q$) apenas atualizam os coeficientes $c_{q,\alpha}$, separando a avaliação de características quânticas custosa da otimização do observável e das camadas de reconstrução.

3. Simulação MPS:

   • O estado quântico $|\psi\rangle$ é representado como uma cadeia de tensores locais conectados por ligações virtuais com dimensão $\chi$.
   • O armazenamento escala aproximadamente como $O(n\chi^2)$ em vez de $O(2^n)$.
   • Portas de um-qubit atualizam tensores locais, enquanto portas de dois-qubits atualizam tensores adjacentes seguidos de truncamento da dimensão de ligação.

4. Reconstrução e Treinamento:

   • O vetor de características quânticas extraído é passado para uma camada linear clássica para reconstruir a imagem de alta resolução.
   • O treinamento minimiza uma função de perda ponderada combinando Erro Quadrático Médio (MSE) e Similaridade de Patch de Imagem Perceptual Aprendida (LPIPS).
   • Experimentos foram conduzidos em uma única GPU NVIDIA RTX 4070 usando o dataset Fashion-MNIST ($7 \times 7$ entrada $\to$ $28 \times 28$ saída).

Principais Contribuições e Resultados

• Benchmarks de Escalabilidade:

  • O estudo compara simulação de estado vetorial, contração de TN Exata e simulação MPS.
  • Estado Vetorial: Atinge um gargalo de memória em entradas de $6 \times 6$ (36 qubits).
  • TN Exata: Torna-se computacionalmente impraticável além de entradas de $12 \times 12$ (144 qubits).
  • MPS: Conclui com sucesso a extração de características forward para entradas de até $16 \times 16$ pixels (256 qubits) com uma dimensão de ligação fixa $\chi=8$. Na faixa de sobreposição, o MPS é mais rápido que a TN Exata e supera a simulação de estado vetorial para entradas maiores que $4 \times 4$.

• Troca de Precisão-Custo (Varredura de Dimensão de Ligação):

  • Para uma entrada fixa de $7 \times 7$ (49 qubits), os autores realizaram uma varredura da dimensão de ligação $\chi$ de 2 a 2048 através de profundidades de circuito $L=1$ a $L=4$.
  • A $\chi$ necessária para atingir o regime "quase-exato" (onde o erro do MPS se aproxima da precisão de máquina em relação à TN Exata) aumenta com a profundidade do circuito:
    • $L=1$: $\chi=2$
    • $L=2$: $\chi=4$
    • $L=3$: $\chi=8$
    • $L=4$: $\chi=16$
  • Em $\chi=16$, o Erro Absoluto Médio (MAE) para $L=4$ cai para $\approx 10^{-15}$, correspondendo efetivamente aos resultados da TN Exata sem o custo exponencial.

• Desempenho de Super-Resolução:

  • Usando $\chi=16$ (garantindo simulação quase-exata para todas as profundidades testadas), os autores treinaram modelos para SR de Fashion-MNIST $7 \times 7 \to 28 \times 28$.
  • Achado Contraintuitivo: O circuito mais raso ($L=1$) alcançou o melhor desempenho em todas as métricas (Perda, LPIPS, PSNR, SSIM).
    • $L=1$: Perda 0.4864, PSNR 20.87 dB, SSIM 0.4248.
    • $L=4$: Perda 0.6984, PSNR 18.80 dB, SSIM 0.2922.
  • Aumentar a profundidade do circuito não melhorou a qualidade da reconstrução sob esta configuração de MPS quase-exata fixa; de fato, circuitos mais profundos degradaram o desempenho e aumentaram o tempo de treinamento.

Significância e Alegações
O artigo posiciona o MPS como um backend de simulação escalável e controlável para a SR de imagem por ANO-VQC. Sua principal significância reside na extensão do alcance prático de simulação de algoritmos quânticos além dos limites dos métodos de estado vetorial e de redes de tensores exatas, permitindo o estudo de sistemas com até 256 qubits em uma única GPU.

Os autores afirmam modestamente que seus resultados destacam a importância de selecionar conjuntamente a profundidade do circuito com o design do observável e as camadas de reconstrução, observando que circuitos mais profundos não necessariamente produzem melhor qualidade de SR. Eles concluem que o MPS serve como uma ferramenta prática para estudar circuitos quânticos variacionais de grande escala, com trabalhos futuros planejados para incorporar paralelização e computações de redes de tensores distribuídas para estender ainda mais a escala de simulação.