Quantum Re-Uploading for Calorimetry: Optimized Architectures with Extended Expressivity

Resumo Técnico: Re-upload Quântico para Calorimetria

Definição do Problema
Na era do NISQ (Noisy Intermediate-Scale Quantum), o Aprendizado de Máquina Quântico (QML) enfrenta um compromisso crítico entre expressividade do modelo, estabilidade de otimização e restrições de hardware (contagem limitada de qubits e profundidades de circuito rasas). Embora os Circuitos Quânticos Variacionais (VQCs) sejam o padrão, eles frequentemente sofrem de expressividade funcional limitada quando os dados são codificados apenas uma vez (mono-codificação), restringindo a capacidade do modelo de representar funções não lineares complexas e de alta frequência necessárias para tarefas como classificação de partículas. Este estudo investiga se as "Unidades de Re-upload Quântico" (QRUs) — que codificam iterativamente dados clássicos em um circuito quântico — podem superar essas limitações mantendo uma pegada de hardware mínima (implementação de um único qubit).

Metodologia
Os autores implementaram e avaliaram uma QRU de um único qubit em um conjunto de dados simulado derivado de calorimetria de alta energia (especificamente o conjunto de dados OGCID/D2). A tarefa envolveu a classificação de três tipos de partículas (elétrons, múons e píons) com base em três características projetadas: energia total do ECAL, comprimento da cascata (shower length) e desvio padrão da energia do HCAL.

• Arquitetura do Modelo: A QRU utiliza um ansatz em camadas onde as características de entrada clássica são re-codificadas como parâmetros de rotação em circuitos de um único qubit. Cada camada alterna entre portas de codificação de dados ($R_Y(x_j)$) e portas paramétricas treináveis ($R_X, R_Y, R_Z$).
• Comparações de Linha de Base: O estudo comparou a QRU contra:
  1. Um VQC padrão com mono-codificação usando três qubits (para igualar a contagem de parâmetros da QRU de um único qubit).
  2. Um MLP (Perceptron Multicamadas) clássico com um orçamento de parâmetros equivalente.
• Protocolo Experimental: A tarefa de classificação foi estruturada como um problema de regressão escalar, onde o modelo produz um valor em $[-1, 1]$ mapeado para três classes via limiares fixos ($\{-0,33, +0,33\}$). Os autores realizaram varreduras extensivas de hiperparâmetros (profundidade, taxa de aprendizado, tamanho de lote via acumulação de gradiente, sequências de portas de rotação e funções de perda) e otimização global usando métodos Bayesianos e Hyperband.
• Validação de Hardware: O modelo treinado foi implantado de ponta a ponta em um QPU supercondutor real (IQM Garnet) via um fluxo de trabalho em nuvem (qBraid) para verificar a aplicabilidade prática.

Principais Contribuições

1. Análise de Expressividade Teórica: O artigo fornece uma análise matemática demonstrando que as arquiteturas QRU possuem suporte de frequência de Fourier mais amplo do que os VQCs mono-codificados. Enquanto um VQC mono-codificado é limitado aos componentes de frequência $\{-1, 0, 1\}$, uma QRU com $L$ camadas de re-upload pode representar frequências até $\{-L, \dots, L\}$. Isso permite que as QRUs capturem componentes funcionais de alta frequência sem aumentar o número de qubits.
2. Otimização Empírica de Hiperparâmetros: Através de estudos de ablação sistemáticos, os autores identificaram que os ganhos de desempenho nas QRUs saturam em profundidades de circuito pequenas (especificamente profundidade 4), além das quais os custos de treinamento aumentam linearmente com retornos decrescentes. Eles também determinaram que combinações específicas de portas de rotação (por exemplo, $R_X-R_Y-R_X$) e normalizações de entrada ($[-\pi, \pi]$) impactam significativamente a estabilidade e a convergência.
3. Benchmarking de Parâmetros Iguais: O estudo relata que uma QRU de um único qubit supera consistentemente um VQC de três qubits com mono-codificação e permanece competitiva com um MLP clássico de mesma contagem de parâmetros na tarefa de calorimetria.
4. Prova de Execução em Hardware: Os autores executaram com sucesso a QRU treinada em hardware quântico real, demonstrando que as fronteiras de decisão do modelo permanecem estáveis sob ruído de amostragem (shot noise) e ruído do dispositivo para as amostras testadas.

Resultos

• Acurácia: A QRU de um único qubit otimizada alcançou uma acurácia de teste de aproximadamente 0,987, superando o VQC de três qubits (0,927) e o MLP de parâmetros equivalentes (0,970) na execução experimental específica.
• Profundidade vs. Custo: O aumento da profundidade do circuito além de 4 gerou melhorias marginais na acurácia (estagnando próximo a 0,98), mas causou o crescimento linear do tempo de execução, atingindo mais de 16 horas para a profundidade 14 em simulação.
• Otimização: O otimizador Adam com uma taxa de aprendizado de $5 \times 10^{-5}$ e perda Huber proporcionou o melhor equilíbrio entre estabilidade e convergência. A otimização global (Bayesiana) confirmou que a taxa de aprendizado e a escolha do otimizador foram os drivers mais significativos da variância de desempenho, mais do que a profundidade do circuito ou o intervalo de normalização.
• Desempenho de Hardware: No QPU IQM Garnet, o modelo alcançou 10/10 previsões corretas em um pequeno subconjunto de teste (10 amostras) usando 50 e 200 shots, indicando que os parâmetros treinados transferem-se efetivamente para o hardware sem mudanças arquiteturais.

Significância e Alegações
O artigo afirma que as QRUs oferecem um caminho prático para o QML na era NISQ ao maximizar a expressividade através do re-upload de dados em vez do número de qubits. Os autores argumentam que a capacidade de acessar harmônicos de maior frequência permite que as QRUs de um único qubit resolvam tarefas de classificação complexas de forma mais eficaz do que circuitos mono-codificados de múltiplos qubits e maior profundidade.

No entanto, os autores mantêm um tom modesto em relação a essas descobertas. Eles declaram explicitamente que a execução em hardware é uma "prova de execução" e não um benchmark abrangente de robustez ao ruído. Eles reconhecem limitações, incluindo o uso de características projetadas, a dependência de um esquema de limiarização escalar-para-multiclasse (que é menos padrão do que o softmax cross-entropy) e a classe de linha de base restrita. O trabalho sugere que, embora as QRUs sejam promissoras para tarefas específicas como identificação de partículas, trabalhos futuros devem abordar mitigação de ruído, saídas de múltiplos logitos e comparações de linha de base mais amplas para validar totalmente sua utilidade em aplicações de alta energia.