Proč kvantové neuronové sítě potřebují Fourierovu analýzu

Kvantové strojové učení (QML) slibuje, že jednoho dne vyřeší problémy, na které klasické počítače nestačí — od simulace chemických reakcí po optimalizaci finančních portfolií. Jenže je tu háček: trénování kvantových modelů je extrémně obtížné. Často naráží na takzvané barren plateaus (neplodné plošiny) — jev, kdy se gradienty ztrácejí k nule a model se přestane učit úplně.

Právě Fourierova analýza se v posledních letech stala klíčovým nástrojem pro pochopení, proč kvantové modely fungují (nebo nefungují). Stejně jako lze zvuk rozložit na jednotlivé sinusové vlny, lze i chování kvantového obvodu rozložit na frekvenční složky. Čím bohatší je frekvenční spektrum, tím výraznější schopnost modelu zachytit složité vzory v datech. A naopak — chudé spektrum znamená, že model bude "hloupý".

Dosavadní výzkum Fourierovy analýzy kvantových obvodů se však soustředil výhradně na takzvané angle embedding — metodu, kdy se klasická data kódují jako úhly rotace jednotlivých qubitů. Problém je, že tato metoda vyžaduje jeden qubit na každý vstupní příznak. U moderních datových sad s tisíci nebo miliony příznaků (obrázky, text, video) je to naprosto neudržitelné.

Amplitudové kódování: úspornější, ale záhadnější

Alternativou je amplitudové kódování (amplitude embedding), které ukládá data přímo do amplitud kvantových stavů. Jeho hlavní výhoda? K zakódování N příznaků stačí pouze log₂(N) qubitů. Tisíc příznaků tak zabere 10 qubitů místo tisíce — exponenciální úspora.

"Amplitudové kódování je pro VQC algoritmy prakticky nepostradatelné," uvádějí autoři v práci publikované 12. června 2026 na arXiv. "Dosud však chyběla jeho systematická Fourierova analýza."

Výzkumníci Haiyue Kang, Martin Sevior a Muhammad Usman z University of Melbourne (a CSIRO Data61) se proto rozhodli tuto mezeru vyplnit. Na 26 stranách a 12 obrázcích vybudovali matematický rámec pro Fourierovu analýzu VQC s amplitudovým kódováním — a navíc do něj započítali i vliv šumu, který je na reálných kvantových počítačích nevyhnutelný.

Co výzkumníci objevili?

První překvapivé zjištění se týká nulové frekvence. Při symetrickém kódování vstupních hodnot (kolem nuly) se koeficient nulové frekvence zcela vytratí — model tak není schopen naučit se jakoukoliv nenulovou konstantní hodnotu. V praxi to znamená fatální ztrátu vyjadřovací schopnosti.

"Rozdíl v expresivitě jediného — a přitom nejdůležitějšího — Fourierova koeficientu může vést ke kvalitativně odlišnému výkonu modelu," vysvětlují autoři. Jejich simulace na 2-qubitovém obvodu potvrdily, že model se symetrickým kódováním se prakticky vůbec nezlepšoval, zatímco nezáporné kódování se trénovalo normálně.

Druhý klíčový výsledek: za předpokladu, že parametrizované unitární operace tvoří alespoň 2-design (matematická vlastnost zajišťující dostatečnou "náhodnost" obvodu), autoři pomocí Weingartenova kalkulu odvodili, že:

• Střední hodnota Fourierových koeficientů se soustředí na nulu
• Rozptyl koeficientů exponenciálně klesá s rostoucí frekvencí — podobně jako u angle embeddingu, ale s odlišným chováním v detailech

Třetí zásadní poznatek se týká šumu. Když je do modelu zaveden šumový kanál (což odpovídá reálnému provozu na dnešních kvantových procesorech), rozptyl koeficientů se dále potlačuje faktorem (∑ pₖ²)^Q, kde Q je počet aplikací šumového kanálu. Jinými slovy — šum systematicky ubíjí vyjadřovací schopnost modelu, a to měřitelným, předvídatelným způsobem.

Co to znamená pro vývojáře a výzkumníky?

Pro praktiky v oblasti kvantového strojového učení přináší tato práce konkrétní vodítka, jak navrhovat efektivnější VQC modely:

• Vždy používat nezáporné kódování (non-negative domain) pro amplitudové modely — symetrické kódování způsobuje slepotu k nejnižším frekvencím
• Očekávat exponenciální útlum expresivity s rostoucí dimenzí frekvence — komplexní cílové funkce budou vyžadovat sofistikovanější architektury
• Kvantifikovatelný vliv šumu umožňuje předpovědět, kolik chyb model ještě snese, než se stane netrénovatelným

Práce také otevírá cestu k dalšímu výzkumu: co se stane, když předpoklad 2-designu neplatí? Jak si povedou hybridní amplitudově-úhlová kódování? A co je možná nejzajímavější — lze teoretické hranice z frekvenční domény převést na předpovědi trénovací dynamiky na konkrétních benchmarkových úlohách?

Evropský a český kontext

Výzkum kvantového strojového učení není jen záležitostí laboratoří v Melbourne. V Evropě běží několik významných kvantových iniciativ, včetně projektu EuroQCS, který buduje síť kvantových počítačů napříč kontinentem. Česká republika se zapojila prostřednictvím IT4Innovations v Ostravě, kde funguje národní superpočítačové centrum a nedávno odstartovala Czech AI Factory.

Pro české firmy a výzkumníky, kteří zvažují investice do kvantových technologií, je klíčové pochopení, že kvantové ML je stále ve fázi základního výzkumu. Práce jako tato z Melbournu nejsou o tom, že "kvantová AI přijde zítra" — jsou o tom, že budujeme matematické základy, které jednou umožní efektivní nasazení na reálném hardwaru.

Pro zájemce o hlubší studium je celý preprint volně dostupný na arXiv:2606.14206 pod licencí CC BY 4.0. Práce obsahuje kompletní matematické důkazy, simulační kód a doplňkové materiály.