Cross-platform hardware benchmark of style-based quantum GANs for data augmentation on superconducting and trapped-ion processors

Este artigo apresenta um benchmark multiplataforma comparando o desempenho de um GAN quântico de estilo fixo para aumento de dados de física de altas energias nos processadores de supercondutores ibm_torino da IBM e aria-1 de íons aprisionados da IonQ, revelando que, embora a IonQ tenha alcançado uma qualidade estatística ligeiramente superior, a plataforma da IBM ofereceu um tempo de execução de ponta a ponta significativamente mais rápido.

O essencial

Imagine que você está tentando ensinar um robô chef a recriar uma receita muito específica e complexa (como um prato raro de um restaurante de luxo). Você tem uma pequena amostra do prato real e quer que o robô aprenda a cozinhá-lo tão bem que possa fazer milhares de cópias perfeitas. Este é o trabalho de uma Quantum GAN (Rede Adversária Generativa Quântica). Pense nisso como um jogo entre dois robôs:

• O Chef (Gerador): Tenta cozinhar um prato falso que pareça real.
• O Crítico (Discriminador): Tenta notar a diferença entre o prato falso e o real.

Eles jogam esse jogo repetidamente até que o Chef fique tão bom que o Crítico não consiga mais distinguir a diferença.

Este artigo é uma "corrida" para ver qual tipo de hardware de computador quântico é melhor em ajudar o Chef a aprender esta receita. Os pesquisadores não inventaram uma nova receita; eles pegaram uma já existente e a testaram em duas "cozinhas" muito diferentes.

As Duas Cozinhas Competidoras

O artigo compara dois computadores quânticos comercialmente disponíveis, que são como dois tipos diferentes de cozinhas com ferramentas e velocidades muito distintas:

1. A Cozinha IBM (Supercondutora):

   • A Ferramenta: Usa pequenos circuitos supercondutores (como loops elétricos super-rápidos e super-frios).
   • A Vibe: É um carro de Fórmula 1. É incrivelmente rápida. As "portas" (as etapas que o computador executa) acontecem em microssegundos. Ela pode processar uma enorme quantidade de dados muito rapidamente.
   • A Falha: É um pouco "ruidosa". Os ingredientes (qubits) são um pouco instáveis, e quando o computador lê o resultado final (o prato), ele comete mais erros (erros de leitura) do que a outra cozinha.

2. A Cozinha IonQ (Íons Aprisionados):

   • A Ferramenta: Usa átomos individuais (íons) mantidos no lugar por lasers.
   • A Vibe: É um relógio suíço de precisão. É muito mais lenta. As etapas levam mais tempo para serem executadas. No entanto, os ingredientes são muito estáveis e a leitura final é extremamente precisa, com pouquíssimos erros.
   • A Falha: É lenta. Se você precisar cozinhar um milhão de pratos, levará muito tempo porque cada etapa é deliberada e lenta.

O Experimento: "Aumentação de Dados"

O objetivo não era apenas ver quem era mais rápido, mas sim ver quem conseguia criar os melhores dados "falsos" para ajudar os cientistas. Neste caso, os dados eram sobre física de partículas (especificamente, colisões de prótons no Grande Colisor de Hádrons).

Os pesquisadores pegaram um "Chef" treinado (um algoritmo quântico) e o enviaram para ambas as cozinhas. Eles mantiveram a receita exatamente igual e desligaram qualquer software de "cancelamento de ruído" para ver como o hardware bruto se comportaria.

Para tornar a corrida justa e eficiente, eles usaram um truque chamado Replicação de Circuito.

• Analogia: Imagine que você tem um carimbo pequeno. Em vez de carimbar um pedaço de papel 100 vezes, um por um, você cola 16 carimbos juntos e os pressiona de uma só vez. Você obtém 16 carimbos de uma vez.
• Os pesquisadores fizeram isso com os circuitos quânticos. Eles executaram a receita em 16 conjuntos de qubits de uma só vez na máquina IBM e em 8 conjuntos na máquina IonQ. Isso significava que eles precisavam enviar menos "pedidos" para os computadores para obter a mesma quantidade de resultados.

Os Resultados: Velocidade vs. Precisão

Aqui está o que aconteceu quando compararam as duas cozinhas:

1. O Teste de Sabor (Precisão):

• O Vencedor: A cozinha IonQ (Íon Aprisionado).
• Por quê: Os "pratos falsos" que ela produziu estavam mais próximos da receita real. A matemática mostrou que a máquina IonQ cometeu menos erros no sabor final.
• A Razão: A máquina IonQ é muito mais precisa ao ler o resultado final. É como um chef que tem uma mão muito firme e um paladar perfeito, mesmo que cozinhe lentamente.

2. O Cronômetro (Velocidade):

• O Vencedor: A cozinha IBM (Supercondutora).
• Por quê: Ela terminou toda a tarefa em cerca de 6 horas e 43 minutos. A máquina IonQ levou quase 60 horas (quase 2,5 dias) para fazer exatamente o mesmo trabalho.
• A Razão: A máquina IBM é simplesmente ultrarrápida. Mesmo que tenha cometido alguns erros a mais, ela conseguiu processar o trabalho tão rapidamente que terminou todo o projeto em uma fração do tempo.

A Conclusão

O artigo conclui que não existe um único computador "melhor"; depende do que você valoriza:

• Se você precisa do resultado mais preciso e pode esperar muito tempo, a máquina IonQ (Íon Aprisionado) é melhor.
• Se você precisa do resultado rapidamente e pode tolerar um pouco mais de erro, a máquina IBM (Supercondutora) é a vencedora clara.

Os autores enfatizam que este é um teste prático de hardware atual. Eles não estão dizendo que esta tecnologia é "melhor" para o futuro do universo, mas sim que, para esta tarefa específica (gerar dados falsos de física de partículas), você tem que escolher entre velocidade (IBM) e precisão (IonQ).

Lição Principal: O artigo não afirma que isso curará doenças ou resolverá as mudanças climáticas agora. Ele simplesmente diz: "Se você é um cientista tentando gerar dados usando computadores quânticos hoje, aqui está o compromisso (trade-off) que você enfrentará entre essas duas máquinas específicas."

Resumo técnico

Resumo Técnico: Benchmark Cross-platform de qGANs baseados em estilo para Aumento de Dados

Definição do Problema
Na era NISQ (Quantum de Escala Intermediária com Ruído), há uma necessidade crítica de benchmarks controlados de cargas de trabalho de aprendizado de máquina quântico (QML) através de diferentes modalidades de hardware. Embora os avanços algorítmicos continuem, o desempenho de algoritmos específicos sob pilhas de execução nativas de provedores permanece heterogêneo devido a diferenças em conectividade, velocidades de porta, fidelidade e pilhas de software. Especificamente, embora as Redes Adversárias Generativas quânticas (qGANs) baseadas em estilo tenham mostrado promessa para tarefas de aumento de dados — particularmente na geração de distribuições não gaussianas para física de altas energias (HEP) — demonstrações anteriores foram amplamente confinadas a plataformas de hardware únicas (por exemplo, sistemas supercondutores da IBM) ou careceram de uma comparação cross-platform rigorosa. Este trabalho aborda essa lacuna ao avaliar quantitativamente se um gerador de qGAN baseado em estilo fixo pode realizar um aumento de dados eficaz em duas arquiteturas de hardware distintas: qubits supercondutores transmon e qubits de íons aprisionados.

Metodologia
O estudo implementa um benchmark cross-platform controlado usando um fluxo de trabalho de qGAN baseado em estilo fixo treinado em um conjunto de dados de $10^4$ eventos de Monte Carlo para a produção de quark topo-antitopo ($pp \to t\bar{t}$) no Large Hadron Collider (LHC). O objetivo é gerar $10^5$ amostras sintéticas para aumentar o conjunto de dados de treinamento.

• Plataformas de Hardware:
  • IBM ibm torino: Baseado na arquitetura Heron com 133 qubits transmon supercondutores dispostos em uma rede heavy-hex.
  • IonQ aria-1: Baseado em qubits de íons aprisionados ($^{171}\text{Yb}^+$) com 25 qubits e conectividade all-to-all.
• Algoritmo e Arquitetura:
  • O gerador é um circuito quântico parametrizado (PQC) com uma única camada, utilizando uma abordagem "baseada em estilo" onde variáveis latentes são re-inseridas (re-uploaded) ao longo da rede em vez de apenas na entrada.
  • O discriminador é uma rede neural convolucional profunda clássica.
  • Restrição Crucial: A arquitetura do gerador e os parâmetros treinados são fixos em ambas as plataformas. O modelo foi treinado anteriormente (em Ref. [16]) e os checkpoints foram reutilizados para garantir uma comparação justa de execução de hardware em vez de retreinamento.
  • Replicação de Circuito: Para melhorar o throughput de amostras, o circuito base de 3 qubits foi replicado $m$ vezes dentro de uma única submissão de job.
    • Em ibm torino: 16 replicações usando 48 qubits ($m=16$).
    • Em aria-1: 8 replicações usando 24 qubits ($m=8$).
    • Esta estratégia reduziu o número de submissões de jobs necessários de $10^5$ para $6.250$ (IBM) e $12.500$ (IonQ) para gerar o conjunto de amostras alvo.
• Condições Experimentais:
  • Execução Nativa: A mitigação de erro integrada (ex: debiasing) foi deliberadamente desativada para comparar o desempenho "cru" do hardware.
  • Orçamentos de Shots (Disparos): A IBM usou os 4.000 shots nominais por circuito; a IonQ usou 512 shots por circuito, determinado via simulação de ruído para equilibrar o tempo de wall-clock e a qualidade estatística.
  • Métricas: A qualidade foi medida usando a divergência de Kullback-Leibler (KL) entre as distribuições geradas e de referência para observáveis físicos ($s, t, y$). As métricas de tempo incluíram o tempo de wall-clock de ponta a ponta, tempo por circuito e tempo por shot.

Principais Resultados
Ambas as plataformas completaram com sucesso a tarefa de aumento de dados, produzindo distribuições com baixas divergências de KL, embora com trade-offs distintos de qualidade e velocidade.

• Qualidade (Divergência KL):

  • IonQ aria-1 alcançou divergências marginais de KL menores (melhores): $0.25$($s$),$0.14$($t$) e$0.07$($y$).
  • IBM ibm torino mostrou divergências ligeiramente maiores: $0.51$($s$),$0.31$($t$) e$0.44$($y$).
  • Os autores atribuem a precisão superior na IonQ principalmente à sua taxa de erro de leitura significativamente menor (aprox. $5.1 \times 10^{-3}$ vs. $2.7 \times 10^{-2}$ na IBM) e à conectividade all-to-all, que reduz a necessidade de portas SWAP e erros acumulados em circuitos rasos.
  • A análise de incerteza (via propagação de variância de amostra) indica que a lacuna de desempenho é menor do que os valores nominais sugerem, mas a IonQ permanece mais precisa neste setup não mitigado específico.

• Tempo de Execução e Throughput:

  • IBM ibm torino foi significativamente mais rápida, completando a geração total de $10^5$ amostras em aproximadamente 6 horas e 43 minutos.
  • IonQ aria-1 exigiu aproximadamente 59 horas e 57 minutos para a mesma tarefa.
  • A vantagem de velocidade da IBM é impulsionada pelos tempos de porta e leitura ordens de magnitude mais rápidos dos transmons supercondutores em comparação aos íons aprisionados, bem como pela capacidade de agrupar múltiplos circuitos por job.
  • O tempo de execução por circuito (incluindo transpilação) foi de cerca de 1 ms na IBM contra 3 de 34 ms na IonQ.

Significância e Alegações
O artigo posiciona este trabalho não como uma alegação de novidade algorítmica, mas como um benchmark de trade-off prático e específico de aplicação.

1. Primeira Comparação Controlada: Tanto quanto os autores sabem, esta é uma das primeiras comparações controladas de hardware-para-hardware de qGANs baseados em estilo para aumento de dados de HEP.
2. Trade-offs de Hardware: Os resultados destacam um trade-off claro:
   • Sistemas de íons aprisionados (IonQ) oferecem maior fidelidade para circuitos variacionais rasos em configurações não mitigadas, provavelmente devido à melhor fidelidade de leitura e conectividade, tornando-os adequados para aplicações que priorizam a precisão da distribuição sobre a velocidade.
   • Sistemas supercondutores (IBM) oferecem um turnaround e throughput significativamente mais rápidos, tornando-os preferíveis para aplicações onde o volume de amostras e a velocidade são críticos, potencialmente compensando a menor fidelidade com técnicas de mitigação ou volumes maiores de amostras.
3. Implementação Prática: O estudo demonstra que a replicação de circuitos é uma estratégia eficaz para escalar o throughput de amostras em dispositivos NISQ atuais sem retreinar o modelo.
4. Limitações: Os autores declaram explicitamente que as conclusões são específicas para a carga de trabalho. O benchmark é limitado por realizar apenas uma execução por plataforma, diferentes contagens de shots e a exclusão de mitigação de erro ao nível do usuário. Eles observam que aplicar mitigação de leitura na IBM poderia estreitar a lacuna de precisão, e que futuras melhorias de hardware (portas mais rápidas para IonQ, melhor leitura para IBM) mudarão estes benchmarks.

Em resumo, o artigo fornece uma linha de base quantitativa de como um modelo generativo quântico fixo se comporta em duas das principais modalidades de hardware quântico, demonstrando que ambos podem realizar aumentos de dados úteis, mas com perfis operacionais distintos em relação à precisão e tempo de execução.