Empirical learning of dynamical decoupling on quantum processors

Este artigo apresenta um método de aprendizado empírico baseado em algoritmos genéticos para otimizar sequências de desacoplamento dinâmico em processadores quânticos da IBM, demonstrando que essas estratégias aprendidas superam significativamente as sequências canônicas na supressão de erros e mantêm desempenho estável em circuitos complexos e de grande escala.

O essencial

Imagine que você está tentando enviar uma mensagem secreta (um cálculo quântico) através de uma sala cheia de pessoas conversando, gritando e batendo palmas. Essa sala é o processador quântico, e o barulho é o ruído que destrói sua mensagem.

Para proteger sua mensagem, os cientistas usam uma técnica chamada Desacoplamento Dinâmico (DD). Pense no DD como se você estivesse balançando um balde de água (o qubit) em um ritmo específico para que as ondas (o ruído) se cancelem entre si e a água fique calma.

O problema é que, até agora, os cientistas usavam "receitas de bolo" padrão (sequências de pulsos pré-definidas) para balançar esse balde. Funciona bem em alguns casos, mas quando a sala fica muito grande e barulhenta (computadores quânticos modernos com muitos qubits), essas receitas antigas não funcionam mais.

A Grande Ideia: Ensinar o Computador a Aprender

Neste trabalho, os pesquisadores do MIT e da IBM não inventaram uma nova "receita de bolo". Em vez disso, eles criaram um algoritmo de aprendizado (inspirado na evolução natural, chamado de Algoritmo Genético) que ensina o computador a inventar sua própria receita para cada situação específica.

Aqui está como eles fizeram isso, usando analogias simples:

1. O Treinador e o Atleta (O Algoritmo Genético)

Imagine que você quer encontrar o melhor jeito de correr uma maratona em um terreno específico e cheio de buracos.

• A População Inicial: Você cria 16 "atletas" (estratégias de pulsos) que tentam correr de formas aleatórias.
• A Prova (Execução): Você manda eles correrem no computador quântico real.
• A Pontuação (Utilidade): Quem chega mais perto da linha de chegada sem tropeçar ganha pontos.
• A Evolução: Os melhores atletas "casam" e têm "filhos" (novas estratégias que misturam os melhores movimentos dos pais).
• A Mutação: Às vezes, um filho nasce com um movimento estranho e novo (uma mutação) que pode ser ainda melhor.
• Repetição: Você repete isso por 20 rodadas. Em pouco tempo, o algoritmo descobre uma sequência de passos perfeita para aquele terreno específico, algo que nenhum humano teria pensado sozinha.

2. O Treino com Espelhos (Circuitos de Treino)

Um dos maiores desafios é que os computadores quânticos reais são tão complexos que simular como eles funcionam em um computador clássico é impossível (como tentar prever o clima de todo o mundo em tempo real).

Como eles treinam o algoritmo então? Eles usam circuitos de treino simplificados.

• Imagine que você quer treinar um jogador de futebol para jogar na chuva. Você não precisa jogar uma partida inteira na chuva para treinar; você pode treinar apenas o chute em um campo molhado pequeno.
• O algoritmo aprende a proteger o "chute" (o qubit) em um circuito pequeno e simples. Depois, eles aplicam essa mesma proteção no jogo grande e complexo.
• Surpreendentemente, o que funciona no "campo pequeno" funciona perfeitamente no "campo grande".

O Que Eles Conseguiram?

Os pesquisadores testaram essa ideia em três cenários diferentes e os resultados foram impressionantes:

1. O Algoritmo Bernstein-Vazirani (Um quebra-cabeça lógico):

   • Eles usaram um computador de 27 qubits.
   • Resultado: As estratégias aprendidas pelo algoritmo foram 4 vezes melhores do que as melhores receitas padrão existentes. Quanto maior e mais complexo o problema, maior a vantagem.

2. Preparação do Estado GHZ (Um "nó" gigante de energia):

   • Eles tentaram criar um estado emaranhado em 50 qubits (como fazer 50 moedas caírem todas dando "cara" ao mesmo tempo, o que é muito difícil).
   • Resultado: A estratégia aprendida funcionou muito bem. O mais legal? Eles treinaram o algoritmo uma vez e, meses depois, a mesma estratégia ainda funcionava, mesmo com o computador tendo mudado um pouco. É como se você aprendesse a andar de bicicleta e, mesmo que a bicicleta fosse um pouco diferente no ano seguinte, você ainda soubesse pedalar perfeitamente.

3. Benchmarking Espelhado (Testando a qualidade do computador):

   • Eles queriam testar a qualidade de um computador gigante de 100 qubits. Normalmente, o barulho é tão alto que é impossível fazer esse teste em tamanhos tão grandes.
   • Resultado: Usando as estratégias aprendidas, eles conseguiram fazer o teste em 100 qubits! Sem essa técnica, o teste falharia completamente. Foi como usar óculos de sol especiais para conseguir ver através de uma tempestade de areia.

Por que isso é importante?

Antes, os cientistas tinham que "adivinhar" qual sequência de pulsos usar para cada novo computador quântico. Agora, eles têm uma ferramenta que aprende empiricamente (na prática) qual é a melhor proteção para qualquer máquina e qualquer tarefa.

• Não precisa ser refeito: Uma vez aprendido, o método funciona por muito tempo.
• Funciona em qualquer lugar: O que foi aprendido em um computador IBM em Nova York funcionou em outro computador IBM em outro lugar.
• Escalável: Funciona bem tanto para 20 qubits quanto para 100 qubits.

Resumo Final

Pense nisso como a diferença entre usar um mapa de papel antigo (as sequências padrão) e ter um GPS em tempo real (o aprendizado empírico). O mapa antigo pode te dizer o caminho geral, mas o GPS analisa o trânsito, as obras e o clima em tempo real para te dar a rota mais rápida e segura.

Este trabalho mostra que, em vez de tentar adivinhar a melhor forma de proteger os computadores quânticos, podemos deixar o próprio computador "aprender" a se proteger, resultando em cálculos muito mais precisos e confiáveis.

Resumo técnico

Resumo Técnico: Aprendizado Empírico de Desacoplamento Dinâmico em Processadores Quânticos

1. O Problema

O Desacoplamento Dinâmico (DD) é um método de baixo custo computacional para supressão de erros em sistemas quânticos, envolvendo a aplicação de sequências de pulsos durante períodos de inatividade dos qubits. Embora existam muitas sequências teóricas bem estabelecidas (como CPMG, XY4, URDD, EDD), encontrar sequências que otimizem a supressão de erros em hardware quântico real e ruidoso é um desafio significativo.

Os principais obstáculos identificados são:

• Crosstalk (Interferência Cruzada): Em circuitos de múltiplos qubits, as interações entre qubits (crosstalk) são uma fonte central de erro que as sequências teóricas de um único qubit não conseguem cancelar adequadamente.
• Complexidade do Espaço de Busca: O espaço de possíveis estratégias de DD é vasto e discreto, dependendo da estrutura do circuito, da topologia do dispositivo e das imperfeições específicas do hardware.
• Limitações das Abordagens Atuais: Sequências "estelares" (canônicas) muitas vezes falham em circuitos grandes e complexos, e o ajuste fino contínuo de parâmetros é computacionalmente caro e difícil de escalar.

2. Metodologia: GADD (Genetic Algorithm-inspired search to optimize DD)

Os autores propõem um framework chamado GADD, que utiliza um algoritmo genético inspirado na seleção natural para aprender empiricamente estratégias de DD otimizadas para qualquer circuito quântico e dispositivo específicos.

Componentes Principais do Framework:

• Definição do Espaço de Busca: O espaço consiste em sequências de pulsos discretos (extraídos de um grupo de desacoplamento $G$, incluindo rotações Pauli e suas inversas) aplicadas a qubits coloridos (agrupados para minimizar crosstalk).
• Função de Utilidade (Utility Function): Para avaliar a eficácia de uma estratégia de DD, o sistema executa circuitos de treinamento e calcula uma métrica de desempenho. Dependendo do problema, a utilidade pode ser:
  • Probabilidade de sucesso (para algoritmos determinísticos).
  • Distância 1-norm entre a distribuição de probabilidade ideal e a observada (para preparação de estados).
  • Probabilidade de sucesso em subcircuitos aleatórios (para benchmarking).
• Circuitos de Treinamento e Motivos (Motifs): Para lidar com circuitos grandes e intratáveis classicamente, o método identifica "motivos" de DD (subcircuitos ou lacunas de inatividade) dentro do circuito alvo.
  • Técnicas de Simplificação: Utilizam-se espelhamento de circuitos (adicionar o inverso do circuito para anular a evolução) e Cliffordização (substituir portas não-Clifford por equivalentes Clifford) para criar circuitos de treinamento que são eficientemente simuláveis, mas preservam a estrutura de ruído e os motivos de DD do circuito alvo.
• Algoritmo Genético:
  1. População Inicial: Gera-se uma população de estratégias de DD.
  2. Execução Empírica: Os circuitos com as estratégias são executados no processador quântico real.
  3. Seleção: As estratégias com maior utilidade são selecionadas.
  4. Reprodução e Mutação: Cria-se uma nova geração trocando pulsos entre pais (crossover) e alterando pulsos aleatoriamente (mutação), mantendo restrições físicas (como a multiplicação de pulsos resultar na identidade).
  5. Convergência: O processo itera até encontrar uma estratégia de alta utilidade.

3. Contribuições Chave

• Framework de Aprendizado Empírico: Uma metodologia sistemática para otimizar DD sem depender de modelos teóricos de ruído, adaptando-se diretamente às características do hardware.
• Escalabilidade: Demonstração de que é possível aprender estratégias para circuitos grandes (até 100 qubits) treinando em subcircuitos menores ou motivos simplificados.
• Generalização e Persistência: Evidência de que as estratégias aprendidas funcionam bem ao longo do tempo (sem necessidade de retreinamento frequente) e entre dispositivos diferentes com a mesma arquitetura.
• Superação de Sequências Canônicas: O método supera consistentemente as melhores sequências teóricas conhecidas em diversos cenários experimentais.

4. Resultados Experimentais

Os autores validaram o GADD em três cenários distintos em processadores supercondutores da IBM (Falcon e Eagle):

1. Algoritmo de Bernstein-Vazirani (27 qubits):

   • O GADD melhorou significativamente a probabilidade de sucesso em comparação com sequências como CPMG, XY4 e URDD.
   • A melhoria relativa aumentou com o tamanho do problema (número de qubits), demonstrando que o aprendizado empírico escala melhor do que as abordagens teóricas fixas.

2. Preparação de Estado GHZ (50 qubits):

   • O método aprendeu estratégias que superaram todas as sequências canônicas na preparação de estados GHZ altamente emaranhados.
   • Persistência: As estratégias aprendidas mantiveram seu desempenho superior horas e até uma semana após o treinamento, apesar das flutuações no perfil de ruído do dispositivo.
   • Transferibilidade: Estratégias aprendidas no dispositivo ibm_kyiv foram aplicadas com sucesso no ibm_sherbrooke (mesma arquitetura), mantendo a superioridade sobre métodos padrão.

3. Mirror Randomized Benchmarking (MRB) em 100 qubits:

   • Este foi um teste crítico de escalabilidade. O MRB padrão falha em >50 qubits devido ao ruído e crosstalk.
   • Ao aplicar o GADD treinado em motivos pequenos (10 qubits), os autores conseguiram realizar MRB confiável em 100 qubits (cadeias lineares), algo impossível com sequências canônicas ou sem DD.
   • Isso permitiu extrair taxas de erro por camada (EPL) em escalas nunca antes alcançadas.

5. Significado e Conclusão

O trabalho demonstra que o design de sequências de desacoplamento dinâmico para sistemas físicos reais pode ser "terceirizado" para algoritmos de aprendizado empírico.

• Impacto Prático: O GADD oferece uma ferramenta prática para melhorar a fidelidade de circuitos quânticos em dispositivos NISQ (Noisy Intermediate-Scale Quantum) sem a necessidade de modelos de ruído perfeitos.
• Descoberta de Novas Estratégias: O método descobre padrões de pulsos que podem não ser intuitivos para a teoria humana, mas que são otimizados para as imperfeições específicas do hardware.
• Futuro: A abordagem sugere que técnicas de otimização clássica (além de algoritmos genéticos) podem ser usadas para navegar no vasto espaço de estratégias de DD, potencialmente levando a novas sequências teóricas e insights sobre a natureza dos erros em processadores quânticos.

Em resumo, o artigo estabelece que o aprendizado empírico é uma via superior e escalável para a supressão de erros em circuitos quânticos complexos, superando as limitações das abordagens teóricas tradicionais.