Utnyttja diagnostik av kvantkaos i QAOA för förbättrad hybrid kvant-klassisk djupinlärningsklassificering

Varför kaos kan hjälpa datorer att se

Moderna datorer får hjälp av kvantfysik för att känna igen mönster i data, till exempel handskrivna siffror. Men kvantkretsar kan bete sig förvånansvärt vilt; små förändringar i deras inställningar kan leda till stora skillnader i utdata. Denna studie ställer en enkel fråga: i stället för att bekämpa det vilda, ”kaotiska” beteendet, kan vi mäta det och göra det till en användbar signal som hjälper ett hybridt kvant–klassiskt system att klassificera bilder mer precist?

En ny vinkel på en populär kvantalgoritm

Forskningsteamet bygger vidare på Quantum Approximate Optimization Algorithm, eller QAOA, som ursprungligen designades för att lösa svåra optimeringsproblem. Här återanvänds QAOA som en slags kvantlins som förvandlar vanlig data till ett rikare kvantmönster innan ett klassiskt neuralt nät gör slutgiltig prediktion. Eftersom QAOA-lager blandar och sammanflätar kvantbitar på ett strukturerat men komplext sätt, kan den resulterande kretsen uppvisa beteenden som påminner om ett kaotiskt dynamiskt system, där små justeringar av kontrollvinklarna starkt påverkar slutligt tillstånd. I stället för att betrakta detta som ett problem studerar författarna det i detalj och försöker fånga det i ett enda numeriskt kännetecken som kan matas in i en inlärningsalgoritm.

Lyssna på kaos i en kvantkrets

För att ”lyssna” på det kaotiska beteendet använder teamet ett verktyg från kvantfysiken kallat out-of-time-ordered correlator. Enkelt uttryckt spårar det hur en liten, lokal knuff i en del av kretsen sprider sig och rör om information i hela systemet. Författarna varierar den övergripande styrkan hos QAOA-vinklarna längs en endimensionell linje och registrerar hur detta scrambling-mått svänger upp och ner. Positionerna för dalarna i denna kurva fungerar som kännetecken för känslighet: där dalarna ligger nära varandra är kretsen mycket responsiv för små förändringar. Genom att studera avstånden mellan många sådana dalar över olika djup och parameterval hittar de ett karaktäristiskt statistiskt mönster som följer en ”lognormal” form, ett kännetecken för multiplikativa, kaosliknande tillväxtprocesser.

Förvandla en kaossignal till en inlärningsfunktion

Med utgångspunkt i denna analys utformar författarna två hybrida modeller för att klassificera en liten, balanserad mängd MNIST-bilder av handskrivna siffror. I den standardiserade designen komprimeras bilderna till ett fåtal tal, skickas genom en grund QAOA-krets med 4, 6, 8 eller 10 qubitar, och medelvärdet av mätningarna från varje qubit blir indata till ett klassiskt neuralt nät. I den kaosmedvetna designen lägger de till en ingrediens: från scrambling-kurvan hos den tränade kretsen beräknar de det typiska avståndet mellan dess känslighetsdalar och omvandlar sedan detta avstånd till en standardiserad ”kaosscore” med hjälp av deras föranpassade lognormala modell. Denna score, ett enda tal som sammanfattar hur fint inställd kretsen är, läggs till de vanliga kvantfunktionerna före klassificeringen.

Att hitta ett kvantmässigt ”Gullivers”-område

De två modellerna jämförs noggrant med upprepade, matchade träningskörningar så att det enda som skiljer är närvaron eller frånvaron av kaosscoren. För mindre kretsar med 4, 6 eller 8 qubitar ger den kaosmedvetna versionen konsekvent högre testnoggrannhet, med förbättringar på cirka 1,6 till 1,8 procentenheter och vinner i majoriteten av de parade körningarna. Bäst resultat ses för 8-qubitskretsar, som når cirka 90 procent noggrannhet på testuppsättningen med kaosfunktionen och vinner varje jämförelse. Men när kretsens bredd pressas till 10 qubitar börjar den tillagda kaosscoren göra skada, och noggrannheten sjunker i förhållande till standardmodellen. Detta mönster tyder på ett ”Guldilocks”-regime där kretsen är tillräckligt uttrycksfull för att dra nytta av kaosfeedback, men inte så känslig att den blir instabil.

Vad detta betyder för framtida kvantlärmaskiner

För icke-specialister är huvudbudskapet att kaos i kvantkretsar inte bara är ett kontrollhot; det kan också vara en resurs om det mäts och används klokt. Genom att destillera komplicerat scramblingbeteende till ett enda, kalibrerat tal ger författarna hybrid kvant–klassiska modeller en extra ratt som hjälper till att matcha kretsens rikedom med datans komplexitet. I blygsamma, brusfria simuleringar förbättrar denna extra ratt bildklassificeringen utan att ändra den övergripande arkitekturen. När riktiga kvantenheter växer men förblir ofullkomliga kan sådana kaosmedvetna diagnostiker bli praktiska verktyg för att ställa in kretsdjup och storlek, utforma mer robusta felstrategier och i slutändan göra kvantförstärkta inlärningssystem mer tillförlitliga.

Citering: 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

Nyckelord: kvantmaskininlärning, QAOA, kvantkaos, hybrid kvant klassisk, bildklassificering