Verso la scalabilità del fine-tuning quantistico dei modelli fondazionali per serie temporali destinati alla classificazione

Abstract degli autori

I modelli fondazionali per serie temporali producono embedding ricchi, ma non è chiaro se i modelli quantistici possano sfruttarli né fin dove possano scalare le architetture ibride classico-quantistiche. Affrontiamo la questione mettendo a punto Chronos per la classificazione degli eventi della rete elettrica (PSML-5), con una testa quantistica che opera sugli embedding del modello. Raggruppare gli embedding in base al tipo di sensore fisico prima di riassumerli supera già la migliore baseline pubblicata per questo benchmark e, con caratteristiche più granulari, la testa quantistica supera un perceptron multistrato classico più grande, a parità di input, di 1,7-2,0 punti percentuali in accuratezza bilanciata. Tuttavia, i miglioramenti si saturano: oltre un certo punto, fornire più informazioni allo stesso registro di larghezza fissa non produce ulteriori miglioramenti. Mostriamo che il collo di bottiglia non è né la quantità di informazioni disponibili né la capacità espressiva del circuito, bensì la larghezza di banda dell’ingresso dei dati. Per superare questo limite, introduciamo il modulo wing, un circuito autonomo composto da pochi qubit, che immette informazioni aggiuntive nel circuito centrale attraverso un accoppiamento sparso e unidirezionale. In base a un protocollo preregistrato con quattro seed, colleghiamo moduli wing a un nucleo fisso di 12 qubit, con caratteristiche fisse. L’accuratezza bilanciata aumenta con ogni modulo wing aggiunto: dall’83,6% senza moduli wing (13 qubit, compreso un qubit di post-selezione) all’85,2% con due moduli wing (19 qubit). Gli studi di ablazione dimostrano che ampliare un circuito senza aggiungere nuove informazioni non porta alcun miglioramento, mentre un modulo wing alimentato con informazioni provenienti dal campione sbagliato peggiora l’accuratezza. Questi risultati ridefiniscono il modo di intendere la scalabilità nel fine-tuning quantistico: i qubit aggiunti sono utili quando veicolano input aggiuntivi, non semplicemente più parametri. I moduli wing offrono un approccio modulare e stabile per ampliare tale larghezza di banda.