The Cost of Removing Tunability in Quantum Data Re-Uploading

技术摘要：移除量子数据重上传中可调性的代价

问题陈述
量子机器学习模型，特别是利用数据重上传（data re-uploading）的模型，即使在显著的架构约束下也展现出了通用逼近特性。最近的一项发现确立了“固定上传”（fixed upload）电路——即通过将可训练的编码频率替换为单一固定频率（具体为 $\pi/2$）——保留了“可调上传”（tunable upload）电路的通用性。然而，通用性是一个定性属性；它并未量化实现特定逼近精度所需的资源成本。

本研究旨在解决的核心问题是：使用固定上传电路来逼近可调上传电路时，**深度-误差缩放（depth-error scaling）**是如何变化的。作者试图确定为了弥补因移除可调频率而损失的表达能力，必须增加多少电路深度。此前的研究仅提供了关于 $1/\epsilon$（其中 $\epsilon$ 为目标误差）的多项式依赖关系及一个常数开销，这使得此类方案的优越性以及底层的逼近机制难以被充分理解。

方法论
作者采用了一个结合了量子信号处理（QSP）理论、经典逼近理论和调和分析的严谨数学框架。其方法依赖于两个互补的结构机制：

1. 结构刚性分析（Structural Rigidity Analysis）： 作者首先确立了固定上传电路具有内在的“刚性”。由于 $\pi/2$ 的固定频率，深度为 $D$ 的固定上传电路的标量矩阵元是关于 $z = e^{i\pi x/2}$ 的劳伦茨多项式（Laurent polynomials），并具有特定的奇偶约束。因此，这些电路本质上是 4-周期的（或根据深度不同，是带有符号翻转的 2-周期），并且无法在全局定义域内一致地逼近违反这些周期性条件的函数。
2. 上界构建（辅助扩展）： 为了克服在受限区间 $[0, 1]$ 上的刚性障碍，作者提出了一个辅助扩展机制（auxiliary extension mechanism）。
   • 他们将目标可调电路限制在区间 $[0, 1]$ 内。
   • 他们构造了一个 Gevrey 类辅助扩展函数，该函数在 $[0, 1]$ 上与目标函数匹配，但在全局范围内满足固定上传架构所要求的 2-周期正则性。
   • 利用 Jackson 定理，他们界定了该光滑扩展函数与三角多项式之间的逼近误差。
   • 他们利用**广义量子信号处理（Generalized QSP）**定理，将这些多项式逼近器合成实际的固定上传电路。
3. 下界推导（失配障碍）： 为了建立效率限制，作者分析了失配障碍（mismatch obstruction）。
   • 他们定义了一个“失配类”目标电路，这类电路违反了固定上传门强制要求的 4-周期条件（即 $U(4) \neq U(0)$）。
   • 他们应用了用于指数多项式的 Turán-Nazarov 不等式。该不等式将函数在其子集上的最大值与其在区间上的最大值联系起来，表明一个函数不可能在子集上很小而在边界上很大，而不具备足够的指数模态。
   • 通过这种方式，他们将全局结构失配（这种失配是无法隐藏的）转化为对模态数量（进而是电路深度）的下界约束。

核心贡献与结果

• 多对数级上界（Polylogarithmic Upper Bounds）： 作者证明，一个可调上传电路可以被一个固定上传电路逼近，其深度 $D$ 与 $1/\epsilon$ 呈**多对数级（polylogarithmically）**缩放关系。

  • 具体而言，对于每个 $\sigma > 1$，深度缩放为 $D = O_\sigma[(\log(1/\epsilon))^\sigma]$。
  • 这相比此前已知的关于 $1/\epsilon$ 的多项式依赖关系有了显著改进。
  • 该结果包含一个与特定频率相关的目标相关常数开销（具体为频率分解 $w = K\pi/2 + \eta$ 的整数部分）。
  • 该结论对于单比特和多变量（稠密）固定上传架构均成立。

• 对数级下界（Logarithmic Lower Bounds）： 作者建立了针对固定上传逼近的第一个非平凡下界。

  • 对于属于“失配类”（即具有非零 4-周期失配 $\Delta_4 > 0$）的目标电路，深度至少必须呈对数级缩放：$D = \Omega(\log(1/\epsilon))$。
  • 该下界是通过 Turán-Nazarov 不等式推导出的，证明了目标与固定上传族之间的结构不兼容性无法通过亚对数级的深度来克服。

• 结构机制： 本文识别并形式化了支配此类逼近的两个基本机制：

  1. 辅助扩展（Auxiliary Extensions）： 一种通过人工将目标扩展到兼容的全局类，从而绕过全局刚性的方法，使利用经典逼近工具成为可能。
  2. 失配障碍（Mismatch Obstructions）： 一种机制，其中全局结构不兼容性（周期性违规）会对即使是在局部定义域内的逼近资源施加不可避免的下界。

意义与主张
本文声称提供了一种定量理解，阐明了在量子数据重上传模型中，表达能力是如何从可调频率转移到电路深度的。

• 资源效率： 结果表明，通过移除可调编码频率而损失的表达能力并不会造成严重阻碍；可以通过仅有的多对数级增长（相对于目标特定的常数）在电路深度中回收。这表明，固定上传架构是可调上传的一种可行且资源高效的替代方案，特别是在编码频率校准困难的情况下。
• 理论框架： 该分析超越了简单的通用性证明，转向表征固定上传电路的逼近复杂度。通过识别“辅助扩展”和“失配障碍”机制，作者为研究量子信号处理（QSP）及相关量子学习模型的逼近问题提供了一个更广泛的框架。
• 最优性差距： 本工作强调了已证得出的下界（$\Omega(\log(1/\epsilon))$）与上界（$O((\log(1/\epsilon))^\sigma)$）之间存在的“近对数级差距”。作者指出，填补这一差距仍是实现固定上传通用性完全表征的开放性问题。

作者明确指出，其结果阐明了表达能力如何在受限量子架构中进行重新分配：固定上传电路虽然消除了可训练频率，但通过将逼近负担转移至电路深度，从而保留了通用性，且仅产生了适度的、近对数级的代价。