Resumo Técnico: Superando o Bloqueio de Fourier em Classificadores de Re-upload de Dados Quânticos via Homotopia Espectral

1. Declaração do Problema

Circuitos Quânticos Parametrizados de Re-upload de Dados (DRU-PQCs) são aproximadores universais de funções teoricamente capazes de modelar fronteiras de decisão complexas e não lineares ao mimetizar redes neurais profundas através da injeção sequencial de dados. No entanto, sua alta expressividade cria superfícies de perda altamente oscilatórias e não convexas que resistem à otimização baseada em gradiente.

Embora a literatura recente atribua falhas de treinamento nessas arquiteturas a "platôs estéreis" (barren plateaus — onde os gradientes desaparecem devido à expressividade caótica) ou insuficiência de capacidade, este artigo argumenta que o principal gargalo é um modo de falha estrutural distinto denominado Bloqueio de Fourier (FL). Em DRU-PQCs, os pesos de codificação (que selecionam as frequências de entrada) e as camadas de emaranhamento (que roteiam a informação quântica) são acoplados de forma não linear. Quando inicializados aleatoriamente em alvos de alta frequência, o otimizador frequentemente colapsa os parâmetros de codificação em mínimos locais espúrios e isolados. Uma vez "bloqueados", os pesos de codificação selecionam um espectro de frequência desalinhado com a fronteira de decisão alvo. Consequentemente, as camadas de emaranhamento não conseguem rotear um sinal que, efetivamente, não existe, fazendo com que o modelo falhe apesar de reter total sensibilidade geométrica aos seus parâmetros.

2. Metodologia e Estrutura Teórica

Métricas Diagnósticas

Os autores propõem que magnitudes de gradiente padrão e a Matriz de Informação de Fisher Quântica (QFIM) no espaço de parâmetros são insuficientes para diagnosticar o FL. Em vez disso, utilizam dois diagnósticos de Fisher específicos:

1. Informação de Fisher Quântica no Espaço de Entrada ($F_x$): Mede o conteúdo de frequência efetivo do estado codificado (a suscetibilidade de Fubini–Study aos dados de entrada). Em um circuito bloqueado, $F_x$ permanece congelado em um valor desalinhado desde a inicialização.
2. Razão de Discriminante de Fisher (FDR): Mede o alinhamento das características medidas com os rótulos das classes. Em um circuito bloqueado, o FDR colapsa em direção a zero, indicando uma "leitura degenerada de classe", onde o estado oscila com a entrada, mas falha em mapear para os rótulos.

Crucialmente, os autores demonstram que circuitos presos retêm uma QFIM de espaço de parâmetros não degenerada (indicando que o estado permanece responsivo aos parâmetros), provando que a falha é de desalinhamento espectral, e não de insensibilidade geométrica.

Design Experimental

O estudo emprega um DRU-PQC de 4 qubits com $L=2$ camadas de re-upload e 50 parâmetros treináveis (40 quânticos, 10 clássicos). Os experimentos foram conduzidos em 50 sementes aleatórias independentes para mapear o espaço de probabilidade bimodal do otimizador (preso vs. escapou).

A intervenção central é a Homotopia Espectral, um protocolo de aprendizado por currículo que estagia a frequência alvo ($f$) de baixa para alta ($f: 1.0 \to 2.0 \to 3.0$). Esta abordagem visa convexificar a superfície de perda inicial, permitindo que os parâmetros conjuntos sejam transportados para a banda de frequência alvo antes que os atratores de alta frequência se materializem.

As condições de controle incluíram:

• Treinamento Padrão (STD): Treinamento direto no alvo de alta frequência ($f=3.0$).
• Ablações de Roteamento: Testar se o pré-alinhamento das camadas de emaranhamento (Inicialização Identidade ou Warmup Acoplado) poderia resgatar um estado de codificação inicializado aleatoriamente.
• Currículo Reverso: Treinar de alta para baixa frequência ($3.0 \to 1.0$) para testar a irreversibilidade.
• Currículo Aleatório: Ordenar aleatoriamente as fases de frequência para controlar efeitos de diversidade de dados.

3. Resultados Principais

Diagnóstico de Bloqueio de Fourier

• Colapso de Leitura: Circuitos presos exibiram uma Razão de Discriminante de Fisher (FDR) colapsando em direção a zero ($r_{pb} = 0.912, p < 0.001$), confirmando uma falha de alinhamento de rótulo na leitura.
• Imobilidade Espectral: A assinatura definidora de um circuito preso foi a falta de movimento em seu conteúdo de frequência efetiva ($F_x$). Circuitos presos mantiveram um $F_x$ estático e desalinhado durante todo o treinamento, enquanto circuitos que escaparam migraram seu conteúdo de frequência significativamente ($r_{pb} = -0.48, p < 0.001$).
• Sensibilidade de Parâmetros: Contrariamente à hipótese de platô estéril, os circuitos presos não mostraram um colapso no traço da QFIM do espaço de parâmetros, confirmando que o otimizador estava paralisado pelo desalinhamento espectral, e não pela perda de sensibilidade geométrica.

Eficácia da Homotopia Espectral

• Melhoria na Taxa de Escape: O treinamento padrão em alvos de alta frequência rendeu uma taxa de escape de 6% (acurácia final > 0.65). O currículo de homotopia espectral direta ($1.0 \to 2.0 \to 3.0$) triplicou essa taxa para 18%.
• Mecanismo de Ação: Os "escapistas" bem-sucedidos sob o currículo de homotopia direta mostraram um aumento monotônico em $F_x$ em conjunto com as fases do currículo, enquanto os circuitos presos permaneceram espectralmente estáticos. As fases de baixa frequência não melhoraram a acurácia imediatamente (a acurácia permaneceu em níveis de acaso até a Fase 3), mas atuaram como um "andaime latente", transportando os pesos de codificação para o funil espectral correto.
• Falha de Roteamento: Estudos de ablação mostraram que fixar as camadas de emaranhamento (via Inicialização Identidade ou warmup) não resgatou o desempenho. Isso confirma que a inicialização da codificação é a variável dominante; se os pesos de codificação se comprometem com uma frequência errada, as camadas de emaranhamento não conseguem rotear o sinal.
• Irreversibilidade: O currículo reverso ($3.0 \to 1.0$) resultou em uma taxa de escape de 0%. Mesmo as sementes que aprenderam com sucesso a fronteira de alta frequência na Fase 1 sofreram "esquecimento espectral catastrófico" quando forçadas para geometrias de frequência mais baixas, indicando que a arquitetura não consegue reter representações de frequência concorrentes uma vez que o atrator de alta frequência é perdido.

4. Significância e Alegações

O artigo reformula o gargalo de otimização em DRU-PQCs expressivos. Ele postula que a falha não se deve a uma falta de capacidade de representação ou ao achatamento caótico da superfície (platôs estéreis), mas sim a um fenômeno de Bloqueio de Fourier, onde os pesos de codificação tornam-se estruturalmente desalinhados com a banda de frequência alvo.

A principal contribuição é a identificação da mobilidade espectral (a migração de $F_x$) como o diagnóstico crítico para um treinamento bem-sucedido, distinguindo-o da sensibilidade de parâmetro estática. O estudo demonstra que o escalonamento de frequência via homotopia espectral pode contornar esses bloqueios ao convexificar a superfície inicial, atuando efetivamente como um andaime para transportar os parâmetros para o nicho alvo.

No entanto, os autores mantêm uma postura modesta quanto à completude da solução. Apesar do sucesso da homotopia espectral, 82% das inicializações aleatórias permaneceram permanentemente presas, indicando que, embora o escalonamento de frequência mitigue o problema, a "loteria de inicialização" continua sendo um fator dominante. O artigo conclui que a inicialização aleatória é insuficiente para treinar de forma confiável DRU-PQCs expressivos em alvos de alta frequência e sugere que trabalhos futuros devem focar em inicialização de codificação determinística (ex: usar análise espectral clássica para pré-definir pesos) em vez de depender apenas de currículos de otimização.