Expressive Power and Limitations of Multi-photon Quantum Neural Networks

Resumo Técnico: Poder Expressivo e Limitações de Redes Neurais Quânticas Multifotônicas

Definição do Problema
Redes Neurais Quânticas (QNNs), particularmente aquelas que utilizam o reupload de dados (DRQNNs), demonstraram capacidades de aproximação universal. Embora redes ópticas lineares com entradas de múltiplos fótons (amostragem de bósons) tenham mostrado vantagens quânticas em tarefas computacionais, o mecanismo específico pelo qual o aumento do número de fótons amplia a expressividade das QNNs permanece inexplorado. Especificamente, não está claro se a expressividade de Redes Neurais Quânticas Multifotônicas (MPQNNs) pode ser infinitamente aprimorada aumentando o número de fótons ou se existem limitações fundamentais. Este artigo aborda a caracterização quantitativa da expressividade de MPQNNs e o impacto do número de fótons ($n$), do número de modos ($m$) e do número de camadas ($L$) no erro de aproximação.

Metodologia
Os autores propõem um framework para MPQNNs implementadas em redes ópticas lineares, estendendo a arquitetura DRQNN para o espaço de Fock multifotônico.

1. Definição do Modelo: O modelo consiste em uma parte de circuito com reupload de dados (blocos de codificação alternados via deslocadores de fase e blocos treináveis via redes ópticas lineares unitárias universais) e uma parte de observável. A entrada é um estado de Fock $|n, 0, \dots, 0\rangle$ representando $n$ fótons idênticos.
2. Caracterização do Espaço de Hipótese: Os autores derivam o espaço de hipótese das MPQNNs. Eles estabelecem que a função de saída $h(x)$ é uma composição de um polinômio real $g$ (determinado pelo observável) e polinômios trigonométricos $y_j$ (determinados pelos parâmetros do circuito treináveis).
3. Derivação do Limite de Erro: O estudo analisa dois casos distintos baseados na natureza do observável medido:
   • Observável Fixo: Os pesos das partições do número de fótons são predeterminados.
   • Observável Treinável: Os pesos são otimizados juntamente com os parâmetros do circuito durante o treinamento.
     Utilizando a desigualdade de Jackson, os autores derivam limites superiores para o erro de aproximação para ambos os casos, relacionando o erro à suavidade da função alvo e aos parâmetros $n, m, L$.
4. Simulação Numérica: Para validar os achados teóricos, os autores desenvolveram um algoritmo de programação dinâmica para simular eficientemente a distribuição do número de fótons de saída de redes ópticas lineares impulsionadas por estados de Fock. Esta abordagem melhora o algoritmo de Ryser para o cálculo de permanentes, reduzindo a complexidade do tempo de execução.

Principais Contribuições e Resultados
O artigo fornece uma análise quantitativa de como o número de fótons afeta a expressividade da MPQNN, gerando resultados contrastantes para observáveis fixos versus treináveis:

• Caso do Observável Fixo:

  • O erro de aproximação é limitado por $O((dL)^{-K})$, onde $d = \min\{n, m-2\}$.
  • Efeito de Limiar: Existe um limiar crítico em $n = m-2$. Abaixo deste limiar, o aumento do número de fótons amplia a expressividade de forma polinomial.
  • Limitação: Uma vez que $n$ excede $m-2$, aumentos subsequentes no número de fótons não melhoram a expressividade. Isso ocorre porque o número de parâmetros treináveis na rede óptica linear (dependente apenas de $m$ e $L$) torna-se insuficiente para abranger o espaço de funções de maior dimensão gerado pelo aumento do número de fótons.

• Caso do Observável Treinável:

  • O erro de aproximação é limitado por $O(d^{-K})$, onde $d = \min\{nL, \max\{(m-2)L, n\lfloor\frac{m-1}{2}\rfloor\}\}$.
  • Melhoria Contínua: Diferente do caso fixo, o aumento do número de fótons sempre amplia a expressividade da MPQNN, mesmo sem alterar a estrutura da rede óptica linear. Conforme $n \to \infty$, o limite do erro tende a zero.
  • Custo: Esta expressividade ampliada vem ao custo da introdução de $\binom{n+m-1}{m-1}$ parâmetros treináveis adicionais no observável, que cresce exponencialmente com $n$.

• Validação Numérica: Simulações em tarefas de aproximação de polinômio trigonométrico univariado confirmam que a perda média de teste diminui conforme tanto o número de fótons quanto o número de camadas aumentam, alinhando-se com os limites teóricos.

Significância
Os autores afirmam que este trabalho elucida o aprimoramento de desempenho e as limitações inerentes dos recursos multifotônicos quânticos em QNNs. Ao caracterizar quantitativamente a relação entre o número de fótons e a expressividade, o artigo oferece orientação para a implementação de QNNs em plataformas fotônicas. Especificamente, esclarece que, embora as entradas multifotônicas ofereçam vantagens, sua utilidade é limitada pela arquitetura dos blocos treináveis no cenário de observável fixo. Os achados sugerem que, para aproveitar plenamente as vantagens multifotônicas, ou o observável deve ser treinável ou a estrutura da rede deve ser ajustada para acomodar o aumento dos graus de liberdade. O trabalho serve como uma referência para compreender os compromissos entre o número de fótons, a contagem de parâmetros e a capacidade de aproximação em aprendizado de máquina quântico.