Impatto della perdita di dati nella post-elaborazione sull’addestramento e l’inferenza delle reti neurali quantistiche

Abstract degli autori

Man mano che l’hardware quantistico si espande fino a dispositivi più grandi, anche i livelli software classici che vi si interfacciano devono evolversi di pari passo. Le routine di post-elaborazione sviluppate e testate principalmente in ambienti di simulazione possono incorporare presupposti che non sono più validi sui dispositivi su scala operativa, causando perdite di dati che possono essere difficili da rilevare basandosi soltanto sugli output del modello di alto livello. Presentiamo un caso di studio su \texttt{SamplerQNN}, la classe di reti neurali quantistiche basate sul campionamento della libreria Qiskit Machine Learning. In questo caso, il metodo di post-elaborazione applica un filtro che presuppone che le stringhe di bit delle misurazioni si trovino nello spazio virtuale dei qubit. Nelle nostre esecuzioni su hardware quantistico, in cui le stringhe di bit si estendono su oltre 100 qubit fisici, questo filtro ha comportato la perdita dall’85 al 99,6\% degli shot di misurazione validi, a seconda della disposizione dei qubit scelta dal transpiler. Il vettore delle probabilità risultante non è normalizzato, consentendo a valori distorti delle predizioni e della funzione di perdita di propagarsi nel modello senza che venga generato un avviso a livello di API. Mostriamo l’impatto in cinque esperimenti su due backend IBM: nell’inferenza, l’accuratezza scende da 0,94 a 0,39 a parità di misurazioni grezze; durante l’addestramento, il segnale della funzione di perdita viene compresso di 22 to 27$\times$, riducendo sensibilmente la sensibilità dell’ottimizzatore al paesaggio della funzione obiettivo. Il comportamento si riscontra in tutte le versioni rilasciate della libreria, dalla 0.8.4 alla 0.9.0. Abbiamo implementato una correzione basata sulla marginalizzazione secondo il layout, integrata nella codebase GitHub come Pull Request \#1041, che rende la post-elaborazione di \texttt{SamplerQNN} compatibile con l’hardware attuale e quello in arrivo.