Generazione di entanglement nelle reti neurali quantistiche

Current quantum devices have limitations in terms of size and noise, then hybrid algorithms are considered the most effective way to reach a quantum advantage in the near term. Quantum versions of Neural Networks (QNN) can be implemented as variational quantum circuits, namely hybrid quantum-classical algorithms where unitaries typically depend on a set of parameters, that are optimized to minimize a given cost function. In this perspective, we study the role of entanglement as related to the expressibility of a QNN. Starting from previous works, we consider the entanglement properties of random instances of QNN, where parameters are sampled from a gaussian distribution. By varying the distribution parameters and circuit connectivity, we study the generation of Haar distributed states in terms of entanglement entropy.

Gli attuali dispositivi quantistici hanno limitazioni in termini di dimensioni e rumore, pertanto gli algoritmi ibridi sono considerati il modo più efficace per raggiungere un vantaggio quantistico nel breve termine. Le versioni quantistiche delle reti neurali (QNN) possono essere implementate come circuiti quantistici variazionali, ossia algoritmi ibridi quantistico-classici in cui gli operatori unitari dipendono tipicamente da un insieme di parametri, che vengono ottimizzati per minimizzare una data funzione di costo. In questa prospettiva, si studia il ruolo dell'entanglement in relazione all'espressività di una QNN. Partendo da lavori precedenti, si considerano le proprietà di entanglement delle istanze casuali di una QNN, in cui i parametri sono campionati da una distribuzione gaussiana. Variando i parametri della distribuzione e la connettività del circuito, studiamo la generazione di stati distribuiti secondo la distribuzione di probabilità uniforme indotta dalla misura di Haar in termini di entropia dell’entanglement.