Resumo Técnico: Busca de Arquitetura Quântica com Aprendizado de Representação Não Supervisionado

Declaração do Problema

A Busca de Arquitetura Quântica (QAS) visa projetar automaticamente circuitos quânticos parametrizados (PQCs) otimizados para Algoritmos Quânticos Variacionais (VQAs) em dispositivos de Escala Intermediária com Ruído (NISQ). As abordagens atuais de QAS enfrentam desafios significativos de escalabilidade:

1. Acoplamento Estrito: A maioria dos algoritmos acopla estritamente a definição do espaço de busca com o algoritmo de busca, exigindo a avaliação de um vasto número de circuitos quânticos. Isso leva a custos computacionais proibitivos e limita a escalabilidade.
2. Limitações de Preditores: Embora os métodos de QAS baseados em preditores tentem mitigar os custos de avaliação estimando o desempenho do circuito, eles dependem fortemente de conjuntos de dados rotulados extensos. O treinamento de preditores precisos requer a rotulagem demorada de inúmeros circuitos, introduzindo incerteza e necessitando da reavaliação de candidatos.
3. Deficiências de Representação: Esquemas de codificação existentes para circuitos quânticos frequentemente falham em distinguir entre papéis de controle e alvo em portas de dois qubits ou atribuem pesos de arestas uniformes, levando à perda de representação e reconstrução subótima.

Metodologia

Os autores propõem um framework que desacopla o aprendizado de representação de arquitetura não supervisionado do processo de busca, inspirado no algoritmo de busca de arquitetura neural clássica Arch2vec. O framework consiste em duas etapas independentes:

1. Codificação de Circuito Aprimorada

Os autores introduzem um esquema de codificação melhorado para representar circuitos quânticos como Grafos Acíclicos Dirigidos (DAGs).

• Estrutura do Grafo: Cada porta é um nó. Arestas direcionadas representam dependências de execução no mesmo qubit. Nós de início e fim globais garantem uma ordenação topológica consistente.
• Representação Matricial:
  • Matriz de Adjacência ($A$): Captura a topologia estrutural. Diferente de trabalhos anteriores, os pesos das arestas são atribuídos proporcionalmente ao número de qubits envolvidos em uma operação (ex: peso 2 para portas de dois qubits).
  • Matriz de Portas ($X$): Codifica as características dos nós. Crucialmente, para portas de dois qubits, a matriz distingue explicitamente os papéis atribuindo $-1$ ao qubit de controle e $+1$ ao qubit alvo, resolvendo ambiguidades presentes em codificações anteriores.

2. Aprendizado de Representação Não Supervisionado

Um Autoencoder de Grafo Variacional (VGAE) baseado em Redes de Isomorfismo de Grafos (GIN) é treinado para aprender um espaço latente contínuo e de baixa dimensão ($Z$) a partir das estruturas dos circuitos ($A, X$) sem rótulos de desempenho.

• Encoder: Utiliza $L=5$ camadas GIN com passagem de mensagens para agregar padrões locais de portas e conectividade. Uma camada de fusão agrega informações de todas as camadas para melhorar a robustez.
• Decoder: Reconstrói a matriz de adjacência e a matriz de portas (tipos de portas e posições de qubits) a partir das variáveis latentes.
• Objetivo: Maximiza o Limite Inferior de Evidência (ELBO), garantindo que circuitos com propriedades estruturais semelhantes se agrupem em regiões próximas no espaço latente. Hipotetiza-se que essa suavidade correlaciona-se com a similaridade de desempenho.

3. Busca de Arquitetura Livre de Preditores

Uma vez que o encoder é pré-treinado, o processo de busca opera inteiramente dentro do espaço latente contínuo, eliminando a necessidade de um preditor ou de conjuntos de dados rotulados.

• Algoritmos de Busca: O framework emprega REINFORCE (um algoritmo de aprendizado por reforço usando uma política LSTM) e Otimização Bayesiana (BO) com Redes Profundas para Otimização Global (DNGO) para explorar o espaço latá.
• Avaliação: Arquiteturas candidatas amostradas do espaço latente são decodificadas em circuitos e avaliadas apenas para a recompensa da tarefa específica (ex: energia do estado fundamental para MaxCut/Química Quântica, fidelidade para preparação de estado).

Principais Contribuições

1. Framework Desacoplado: Os autores desacoplaram com sucesso o aprendizado de representação não supervisionada do processo de busca. Isso permite que as representações aprendidas sejam reutilizadas em diferentes tarefas downstream sem o retreinamento de preditores em grandes conjuntos de dados rotulados.
2. Esquema de Codificação Aprimorado: A codificação proposta aborda as limitações de métodos existentes ao distinguir explicitamente os papéis de controle/alvo em portas de dois qubits e ao ponderar arestas com base na complexidade de interação. Isso resulta em embeddings mais precisos e uma organização melhor do espaço latente.
3. Busca Livre de Preditores: Ao aplicar REINFORCE e BO diretamente à representação latente, o método remove a incerteza e os requisitos de dados associados ao treinamento de preditores.
4. Validação de Hardware: A abordagem foi validada em hardware quântico real (IBM ibm_sherbrooke), demonstrando que as arquiteturas descobertas em simuladores mantêm o desempenho ideal sob ruído físico sem a necessidade de reajuste de parâmetros.

Resultados Experimentais

Experimentos foram conduzidos em três tarefas: Preparação de Estado Quântico, MaxCut e Química Quântica (usando moléculas de $H_2$ e $LiH$), com tamanhos de circuito variando de 4 a 12 qubits.

• Qualidade da Representação: A codificação aprimorada combinada com GINs superou os modelos de linha de base (GSQAS, VGAE) em precisão de reconstrução (tipos de portas, qubits, adjacência) e produziu espaços latentes mais suaves e compactos. Visualizações (PCA e t-SNE) mostraram que circuitos de alto desempenho se agruparam, particularmente no regime de 4 qubits.
• Eficiência de Busca:
  • Tanto o REINFORCE quanto o BO superaram significativamente a Busca Aleatória (Random Search) na descoberta de circuitos de alta recompensa dentro de 1.000 consultas.
  • O método proposto alcançou resultados comparáveis ou superiores aos métodos baseados em preditores (GNNURL, GSQASURL), enquanto exigiu muito menos avaliações de circuitos (as razões $N_{QAS}/N_{eval}$ foram significativamente maiores).
  • Em experimentos de 8 qubits, o método proposto descobriu mais circuitos candidatos que atendiam aos limiares de desempenho do que a busca aleatória, mesmo em cenários de pior caso.
• Desempenho em Hardware Real: Para problemas de MaxCut de 4 e 8 nós, os melhores circuitos descobertos atingiram uma probabilidade de 100% de medir a bitstring ótima no dispositivo ibm_sherbrooke, correspondendo aos resultados do simulador apesar do ruído NISQ.

Significância e Alegações

O artigo afirma que o aprendizado de representação não supervisionado oferece um caminho viável para uma Busca de Arquitetura Quântica escalável. Ao aprender um espaço latente suave apenas a partir de dados estruturais, o framework permite a exploração eficiente do espaço de design de circuitos sem o pesado fardo computacional de rotulagem ou treinamento de preditores.

Os autores enfatizam que o sucesso desta abordagem depende da qualidade da representação não supervisionada e da escolha do algoritmo de busca. Eles concluem que esta estratégia livre de preditores identifica efetivamente circuitos quânticos de alto desempenho com menos iterações de busca e demonstra robustez quando implantada em hardware quântico do mundo real, tornando-se uma direção promissora para a otimização de dispositivos quânticos de curto prazo.