Expressive Power and Limitations of Multi-photon Quantum Neural Networks

技术摘要：多光子量子神经网络的表达能力与局限性

问题陈述
量子神经网络（QNNs），特别是利用数据重上传（DRQNNs）的神经网络，已展现出通用近似能力。虽然具有多光子输入（玻色采样）的线性光学网络在计算任务中显示出量子优势，但增加光子数增强 QNN 表达能力的具体机制仍有待探索。具体而言，目前尚不清楚多光子量子神经网络（MPQNNs）的表达能力是否可以通过增加光子数而无限增强，或者是否存在根本性的限制。本文旨在对 MPQNN 的表达能力进行定量表征，并分析光子数 ($n$)、模式数 ($m$) 和层数 ($L$) 对近似误差的影响。

研究方法
作者提出了一种在实现于线性光学网络上的 MPQNN 框架，该框架将 DRQNN 架构扩展到了多光子福克空间（Fock space）。

1. 模型定义： 该模型由一个电路部分（通过相位移器进行数据重上传，以及通过通用酉线性光学网络进行可训练块）和一个观测部分组成。输入为代表 $n$ 个相同光子的福克态 $|n, 0, \dots, 0\rangle$。
2. 假设空间表征： 作者推导了 MPQNN 的假设空间。他们确定输出函数 $h(x)$ 是一个实多项式 $g$（由观测量决定）与三角多项式 $y_j$（由可训练电路参数决定）的复合。
3. 误差界限推导： 研究根据观测性质的不同，分析了两种截然不同的情况：
   • 固定观测量（Fixed Observable）： 光子数划分的权重是预先确定的。
   • 可训练观测量（Trainable Observable）： 权重在训练过程中与电路参数一起进行优化。
     利用 Jackson 不等式，作者推导了这两种情况下近似误差的上界，并将误差与目标函数的平滑度以及参数 $n, m, L$ 联系起来。
4. 数值模拟： 为了验证理论发现，作者开发了一种动态规划算法，用于高效模拟由福克态驱动的线性光学网络的输出光子数分布。该方法改进了用于计算永久值（permanents）的 Ryser 算法，降低了运行时间复杂度。

核心贡献与结果
本文提供了关于光子数如何影响 MPQNN 表达能力的定量分析，并针对固定观测量与可训练观测量得出了截然不同的结果：

• 固定观测量情况：

  • 近似误差受限于 $O((dL)^{-K})$，其中 $d = \min\{n, m-2\}$。
  • 阈值效应： 存在一个临界阈值 $n = m-2$。在该阈值之下，增加光子数会呈多项式级地增强表达能力。
  • 局限性： 一旦 $n$ 超过 $m-2$，进一步增加光子数不会改善表达能力。这是因为线性光学网络中的可训练参数数量（仅取决于 $m$ 和 $L$）不足以覆盖因增加光子数而产生的更高维度的函数空间。

• 可训练观测量情况：

  • 近似误差受限于 $O(d^{-K})$，其中 $d = \min\{nL, \max\{(m-2)L, n\lfloor\frac{m-1}{2}\rfloor\}\}$。
  • 持续增强： 与固定观测量不同，即使不改变线性光学网络的结构，增加光子数也始终能增强 MPQNN 的表达能力。当 $n \to \infty$ 时，误差界限趋于零。
  • 代价： 这种增强的表达能力是以引入 $\binom{n+m-1}{m-1}$ 个额外的可训练参数为代价的，该参数量随 $n$ 指数级增长。

• 数值验证： 在单变量三角多项式近似任务上的模拟证实，随着光子数和层数的增加，平均测试损失均有所下降，这与理论界限保持一致。

意义
作者声称这项工作阐明了多光子量子特征在性能增强方面的表现及其内在局限性。通过定量表征光子数与表达能力之间的关系，本文为在光子平台上实现 QNN 提供了指导。具体而言，它明确了虽然多光子输入提供了优势，但其效用受到固定观测量场景下可训练模块架构的约束。研究结果表明，为了充分利用多光子的优势，要么必须使观测量可训练，要么必须调整网络结构以适应增加的自由度。这项工作为理解量子机器学习中光子数、参数量与近似能力之间的权衡提供了参考。