Wykorzystanie diagnostyki chaosu kwantowego w QAOA dla usprawnionej hybrydowej klasyfikacji kwantowo-klasycznej

Dlaczego chaos może pomóc komputerom „widzieć”

Współczesne komputery otrzymują wsparcie z fizyki kwantowej w rozpoznawaniu wzorców w danych, na przykład odręcznie pisanych cyfr. Obwody kwantowe mogą jednak zachowywać się zaskakująco burzliwie — drobne zmiany ustawień mogą prowadzić do dużych różnic w wyjściu. Badanie stawia proste pytanie: zamiast zwalczać to „chaotyczne” zachowanie, czy można je zmierzyć i przekształcić w użyteczny sygnał, który pomoże hybrydowemu systemowi kwantowo–klasycznemu klasyfikować obrazy dokładniej?

Nowe podejście do popularnego algorytmu kwantowego

Autorzy budują na algorytmie Quantum Approximate Optimization Algorithm (QAOA), który pierwotnie zaprojektowano do rozwiązywania złożonych zagadnień optymalizacyjnych. Tutaj QAOA zostaje przekształcony w rodzaj kwantowej soczewki, która zamienia zwykłe dane w bogatszy kwantowy wzorzec, zanim klasyczna sieć neuronowa wykona ostateczną predykcję. Ponieważ warstwy QAOA mieszają i splatają kubity w uporządkowany, ale złożony sposób, wynikowy obwód może zachowywać się podobnie do chaotycznego układu dynamicznego — niewielkie zmiany kątów sterujących silnie wpływają na stan końcowy. Zamiast postrzegać to jako problem, autorzy badają to szczegółowo i próbują uchwycić w jednym numerycznym parametrze, który można wprowadzić do algorytmu uczącego.

Słuchając chaosu w obwodzie kwantowym

Aby „posłuchać” chaotycznego zachowania, zespół używa narzędzia z fizyki kwantowej zwanego korelatorem poza kolejnością czasową (out-of-time-ordered correlator). Mówiąc prościej, śledzi on, jak drobne lokalne zakłócenie w jednej części obwodu rozprzestrzenia się i miesza informację w całym systemie. Autorzy zmieniają ogólną siłę kątów QAOA wzdłuż jednowymiarowej linii i rejestrują, jak ta miara mieszania oscyluje. Pozycje dolin w tej krzywej działają jak punkty orientacyjne wrażliwości: tam, gdzie doliny są blisko siebie, obwód jest bardzo podatny na drobne zmiany. Badając odstępy między wieloma takimi minimami w różnych głębokościach i wyborach parametrów, znajdują charakterystyczny rozkład statystyczny o kształcie lognormalnym — cechę procesów wzrostu mnożnikowego przypominających chaos.

Przekształcanie sygnału chaosu w cechę uczenia

Na podstawie tej analizy autorzy projektują dwa modele hybrydowe do klasyfikacji niewielkiego, zbalansowanego zbioru obrazów odręcznych cyfr MNIST. W standardowym projekcie obrazy są kompresowane do kilku liczb, wprowadzane przez płytki obwód QAOA działający na 4, 6, 8 lub 10 kubitach, a średni wynik pomiaru z każdego kubitu staje się wejściem do klasycznej sieci neuronowej. W wariancie uwzględniającym chaos dodają jeden składnik: z krzywej mieszania wytrenowanego obwodu obliczają typowy odstęp między jego wrażliwymi dolinami, a następnie zamieniają ten odstęp na ustandaryzowany „wynik chaosu” przy użyciu uprzednio dopasowanego modelu lognormalnego. Ten wynik — jedna liczba podsumowująca, jak delikatnie dostrojony jest obwód — jest dołączany do zwykłych cech kwantowych przed klasyfikacją.

Odnalezienie kwantowej strefy „Złotowłosej”

Oba modele porównano uważnie, przeprowadzając powtarzane, dopasowane sesje treningowe, tak aby jedyną różnicą była obecność lub brak wyniku chaosu. Dla mniejszych obwodów z 4, 6 lub 8 kubitami wersja uwzględniająca chaos konsekwentnie osiągała wyższą dokładność testową, poprawiając wynik o około 1,6–1,8 punktu procentowego i wygrywając w zdecydowanej większości sparowanych uruchomień. Najlepsze rezultaty pojawiły się dla obwodów 8-kubitowych, które osiągnęły około 90% dokładności na zbiorze testowym z cechą chaosu i wygrały każde porównanie. Jednak po zwiększeniu szerokości obwodu do 10 kubitów dodanie wyniku chaosu zaczyna szkodzić i dokładność spada w porównaniu ze standardowym modelem. Ten układ wskazuje na reżim „Złotowłosej”, w którym obwód jest wystarczająco ekspresyjny, by skorzystać z informacji o chaosie, ale nie tak wrażliwy, by stać się niestabilny.

Co to oznacza dla przyszłych kwantowych maszyn uczących się

Dla osób niebędących specjalistami kluczowy przekaz jest taki, że chaos w obwodach kwantowych nie jest jedynie zagrożeniem dla kontroli — może też być zasobem, jeśli zostanie zmierzony i wykorzystany mądrze. Syntetyzując skomplikowane zachowania mieszania w jedną, skalibrowaną liczbę, autorzy dają hybrydowym modelom kwantowo–klasycznym dodatkowe pokrętło pomagające dopasować bogactwo obwodu do złożoności danych. W umiarkowanych, wolnych od szumów symulacjach to dodatkowe pokrętło poprawia klasyfikację obrazów bez zmiany ogólnej architektury. W miarę jak rzeczywiste urządzenia kwantowe będą rosły, choć pozostaną niedoskonałe, takie diagnostyki uwzględniające chaos mogą stać się praktycznymi narzędziami do strojenia głębokości i rozmiaru obwodów, projektowania bardziej odpornych strategii błędów i ostatecznie zwiększania niezawodności systemów uczących się z wykorzystaniem kwantów.

Cytowanie: Villalba-Díez, J., Losada-González, J.C. Exploiting quantum chaos diagnostics in QAOA for enhanced hybrid quantum classical deep learning classification. Sci Rep 16, 15744 (2026). https://doi.org/10.1038/s41598-026-51870-8

Słowa kluczowe: uczenie maszynowe kwantowe, QAOA, chaos kwantowy, hybrydowy kwantowo-klasyczny, klasyfikacja obrazów