Apprendimento relazionale adattivo su dati quantistici multi-istanza con processori fotonici

Abstract degli autori

Caricare più stati quantistici in parallelo in un modello di apprendimento automatico quantistico (QML) può rendere possibili attività di apprendimento in cui l’informazione chiave risiede nelle \emph{relazioni} tra gli stati, anziché nei singoli stati. Presentiamo un framework adattivo di apprendimento relazionale per questi dati quantistici multi-istanza, che consente di accedere alle relazioni a coppie e di ordine superiore. Il nostro modello combina misurazioni globali tramite test SWAP o CYCLE per valutare un invariante di Bargmann a $n$ stati, con trasformazioni addestrabili poco profonde applicate localmente a ciascuno stato in ingresso. Dimostriamo l’approccio per sistemi fotonici a variabili continue (CV), che offrono naturalmente accesso ai dati quantistici e alle operazioni di calcolo necessarie. Risolviamo attività che riguardano il rilevamento di relazioni nascoste, la classificazione della fase geometrica e il sensing in presenza di un’interazione di disturbo condivisa e sconosciuta. Confrontiamo il modello adattivo con un approccio non adattivo basato sul principio «prima la misurazione» e sulle ombre classiche a variabili continue, e mostriamo che il costo della stima tramite ombre cresce rapidamente con $n$, mentre il nostro modello evita questa dipendenza. Già per $n=2$, raggiungiamo un’accuratezza perfetta sul test, $A=1.0$, con $500$ shot di inferenza, migliorando l’accuratezza media sul test rispetto al metodo basato sulle ombre di $ΔA=0.15$ e usando $100$ volte meno shot per punto dati. Il nostro lavoro apre nuove possibilità per applicazioni di sensing e basate su dati quantistici, in cui il QML fotonico adattivo può accedere a caratteristiche relazionali il cui recupero è costoso con modelli non adattivi basati sul principio «prima la misurazione».