Distillare i dataset in circuiti poco profondi per l’apprendimento automatico quantistico

Abstract degli autori

Nell’apprendimento automatico quantistico, addestrare un modello quantistico richiede che ogni campione venga preparato come stato quantistico da un circuito di caricamento, che deve essere eseguito di nuovo per ogni shot a ogni passaggio di addestramento. Il carico complessivo dipende quindi sia dal numero di campioni sia dal costo della preparazione. Gli approcci esistenti riducono il costo di caricamento dei singoli input oppure distillano i dati e ne comprimono le rappresentazioni prima di applicare una codifica quantistica separata. Questa separazione può lasciare i campioni risultanti costosi da preparare o causare un’ulteriore perdita di informazioni durante la successiva compilazione in circuiti poco profondi. Proponiamo la distillazione di dataset quantistici (QDD), che distilla l’intero dataset direttamente in un piccolo insieme di circuiti poco profondi. Ogni campione sintetico è parametrizzato come un circuito a scala corrispondente a una rete tensoriale a basso rango, rendendo il campione e il suo circuito di caricamento un unico oggetto. I parametri del circuito vengono ottimizzati classicamente con gradienti esatti, mediante il matching delle distribuzioni e con un budget di caricamento esplicito, senza ricorrere alla sintesi a posteriori della preparazione degli stati. Su MNIST e Fashion-MNIST, bastano 10 circuiti per classe ($0.0017\times$ la dimensione dell’intero dataset) per raggiungere un’accuratezza paragonabile a quella dell’addestramento sull’intero dataset e superare i metodi di selezione di riferimento, a parità di budget per campioni e caricamento. Nell’addestramento con un numero finito di shot, QDD raggiunge il 95\% dell’accuratezza ottenuta con l’intero dataset usando oltre $100\times$ meno shot cumulativi. Inoltre, convalidiamo QDD su hardware quantistico reale, dimostrandone il potenziale di applicazione pratica.