Benchmarking loss functions for trainable quantum feature maps

Resumo Técnico: Benchmarking de Funções de Perda para Mapas de Características Quânticos Treináveis

Declaração do Problema
As Máquinas de Vetores de Suporte Quânticas (QSVMs) dependem de Mapas de Características Quânticos (QFMs) para codificar dados clássicos em estados quânticos de alta dimensão. Embora as QSVMs padrão utilizem QFMs fixos, isso limita sua expressividade e adaptabilidade a distribuições de dados não lineares complexas. Os Mapas de Características Quânticos Treináveis (TQFMs) abordam isso introduzindo portas parametrizadas e o re-upload de dados para otimizar o espaço de incorporação. No entanto, a otimização dos TQFMs é fortemente dependente da escolha da função de perda. A literatura existente carece de uma compreensão sistemática de como diferentes funções de perda influenciam a dinâmica de otimização, os custos computacionais e a estabilidade de classificação. Especificamente, os autores identificam um "problema de cruzamento de trajetórias" em esquemas de treinamento de alvo fixo onde as trajetórias de otimização se interceptam, levando a uma convergência instável e quedas abruptas na acurácia.

Metodologia
Os autores propõem um framework de benchmarking sistemático comparando três funções de perda distintas para o treinamento de TQFMs dentro de um pipeline híbrido quântico-clássico de QSVM:

1. Perda de Distância (DL - Distance Loss): Baseada na distância de Hilbert-Schmidt entre matrizes de densidade mistas de diferentes classes. Este método visa maximizar a separação interclasses, mas requer a avaliação de todas as fidelidades pareadas, resultando em uma complexidade computacional quadrática de $O(M^2)$, onde $M$ é o tamanho do conjunto de dados.
2. Perda de Medição (ML - Measurement Loss): Atribui a cada classe um estado de base ortogonal fixo e minimiza o erro entre o estado codificado e o alvo. Esta abordagem avalia amostras de forma independente, alcançando complexidade linear $O(M)$. No entanto, os autores hipotetizam que forçar clusters em direção a alvos fixos em um espaço de Hilbert restrito causa cruzamentos de trajetórias.
3. Perda de Log-Verossimilhança (LLL - Log-Likelihood Loss): A proposta central deste trabalho. Inspirado pela Estimativa de Máxima Verossimilhança, este método reinterpreta a fidelidade $|\langle \psi | y \rangle|^2$ como uma probabilidade condicional $P(y|x)$. Em vez de minimizar uma penalidade linear, a LLL minimiza o logaritmo negativo da verossimilhança:
   $$L_{LLL}(\theta) = -\frac{1}{L} \sum_{j=1}^{L} \frac{1}{M_j} \sum_{i=1}^{M_j} \log \left( |\langle \psi(x_i^j, \theta) | y_j \rangle|^2 \right)$$
   Esta formulação aplica uma penalidade não linear que aumenta rapidamente para amostras com baixas probabilidades de predição, enfatizando assim amostras difíceis de classificar e fornecendo um sinal de otimização mais forte.

Configuração Experimental
O estudo utiliza o simulador de estado-vetor do Qiskit com o ansatz EfficientSU2. Os experimentos foram conduzidos em três conjuntos de dados sintéticos (Moons, Circles, Gaussian) representando vários níveis de não linearidade e complexidade de classe. A avaliação envolveu 20 execuções independentes por configuração para avaliar a estabilidade estatística, variando a profundidade do circuito (1 a 6 camadas) e testando a robustez contra ruído de leitura e de despolarização simulados.

Resultos Principais

• Estabilidade de Otimização: O método ML exibiu instabilidade significativa, caracterizada pelo "problema de cruzamento de trajetórias", onde a sobreposição interclasses disparou e a acurácia caiu durante o treinamento inicial, particularmente em circuitos rasos. O método LLL mitigou isso com sucesso, alcançando uma convergência estável comparável ao método DL, mas sem o custo quadrático.
• Eficiência Computacional: A DL manteve a maior acurácia de classificação, mas sofreu com o escalonamento $O(M^2)$, tornando-se impraticável para grandes conjuntos de dados. Tanto ML quanto LLL mantiveram escalonamento linear $O(M)$. O tempo de treinamento da LLL foi quase idêntico ao da ML, confirmando que a melhoria na estabilidade ocorre sem custos computacionais adicionais.
• Desempenho de Classificação:
  • A DL alcançou consistentemente a maior acurácia média entre os datasets.
  • A LLL superou significativamente a ML em termos de estabilidade (menor desvio padrão na acurácia entre as execuções) e alcançou uma acurácia média competitiva, muitas vezes igualando ou excedendo a ML, especialmente em circuitos rasos (ex: circuitos de 1 camada no dataset Circles).
  • O aumento da profundidade do circuito (camadas variacionais) ajudou a mitigar o cruzamento de trajetórias para todos os métodos, mas introduziu um trade-off onde o excesso de profundidade levou ao overfitting sem ganhos proporcionais na acurácia de teste.
• Robustez ao Ruído: Sob modelos de ruído simulados, o método LLL manteve um desempenho robusto em datasets mais simples (Moons), mas mostrou degradação esperada em datasets mais complexos (Circles, Gaussian), consistente com a dificuldade da tarefa de classificação.

Significância e Alegações
O artigo afirma que o design do objetivo de treinamento é um fator crítico para determinar a treinabilidade e a generalização de QSVMs baseadas em TQFM. A principal contribuição é a introdução da Perda de Log-Verossimilhança, que oferece uma solução prática para o trade-off entre eficiência computacional e estabilidade de otimização.

Os autores asseguram que a LLL proporciona um "comportamento de otimização mais estável" do que a convencional Perda de Medição, mantendo a complexidade computacional linear. Este benchmark oferece orientação prática para equilibrar treinabilidade, eficiência e desempenho preditivo. O trabalho não pretende resolver as limitações fundamentais dos dispositivos NISQ, mas sim fornecer uma melhoria metodológica para a fase de otimização de classificadores quânticos híbridos.

Direções Futuras
Os autores observam que o framework atual ainda depende de um SVM clássico para a fronteira de decisão final. Eles sugerem que trabalhos futuros explorem esquemas de inferência totalmente quânticos que atribuam rótulos diretamente com base em probabilidades de medição. Adicionalmente, é necessária uma investigação mais profunda sobre a relação entre a expressividade do circuito (contagem de parâmetros vs. propriedades estruturais) e o desempenho de otimização.