Entropy Density Benchmarking of Near-Term Quantum Circuits

Os computadores modernos são poderosos, mas não são perfeitos. Eles cometem erros e, à medida que as tarefas se tornam mais difíceis, esses erros se acumulam até que a resposta se torne inútil. Os computadores quânticos, a próxima geração de máquinas que utilizam as estranhas regras da física para resolver problemas, enfrentam esse mesmo problema, mas com uma intensidade muito maior. Por serem tão sensíveis ao seu ambiente, a informação que eles contêm tende a se borrar e desaparecer muito rapidamente. Esse desaparecimento é medido por um conceito chamado entropia, que essencialmente rastreia quanto a ordem se transformou em desordem. Quando um computador quântico trabalha, ele tenta manter sua informação pura e ordenada. No entanto, o ruído do mundo exterior constantemente empurra o sistema em direção a um estado de confusão total, onde cada resposta possível é igualmente provável. O desafio central para os cientistas hoje é descobrir exatamente quanto trabalho um computador quântico pode realizar antes que esse ruído sufoque o sinal, tornando a máquina não melhor do que um palpite aleatório.

Uma equipe de pesquisadores da Universidade de Edimburgo, trabalhando com colaboradores da França e do Reino Unido, desenvolveu uma nova maneira de medir esse limite. Em vez de tentar executar um problema complexo do mundo real em um computador quântico para ver se ele funciona, eles criaram um método para prever o ponto de falha rastreando quanta desordem se acumula enquanto o computador processa a informação. Eles chamam isso de "densidade de entropia", uma medida de quanta confusão existe para cada parte da memória da máquina. Ao construir modelos simples de como essa confusão cresce e testá-los contra experimentos reais, a equipe encontrou uma maneira de calcular um teto rígido para o tamanho de qualquer tarefa que um computador quântico atual possa lidar. O trabalho deles sugere que, para muitos problemas práticos, o limite é muito menor do que se pensava anteriormente, o que significa que podemos precisar esperar por um hardware melhor antes que essas máquinas possam realmente superar os melhores computadores clássicos.

Os pesquisadores focaram em um tipo específico de algoritmo quântico conhecido como algoritmo quântico variacional, que é um método popular para resolver problemas de otimização em máquinas ruidosas atuais. Esses algoritmos funcionam sobrepondo operações simples umas sobre as outras, como empilhar blocos, para construir uma solução. A equipe queria entender o que acontece com a informação à medida que essas camadas são adicionadas. Eles começaram executando simulações em computadores clássicos, modelando um circuito quântico com um número específico de camadas e qubits, as unidades básicas de memória quântica. Eles introduziram um tipo padrão de erro, conhecido como ruído depolarizante, que embaralha aleatoriamente o estado dos qubits. À medida que adicionavam mais camadas ao circuito, observavam a densidade de entropia aumentar. Eles descobriram que a desordem crescia de forma constante e, para sistemas maiores, ela convergia para um nível máximo de confusão muito rapidamente. Esse nível máximo representa um estado onde o computador quântico perdeu toda a informação útil e é, efetivamente, apenas um saco de ruído aleatório.

Para dar sentido a esse crescimento rápido, a equipe desenvolveu um modelo matemático simples baseado na ideia de ruído depolarizante global. Este modelo assume que, após o circuito terminar todo o seu trabalho, o sistema inteiro é atingido por uma onda única e uniforme de ruído que mistura tudo. Surpreendentemente, essa suposição simples, que ignora os detalhes complexos de como os erros acontecem em cada etapa, coincidiu muito bem com os resultados de suas simulações detalhadas. Ela forneceu uma regra clara: conforme o circuito se torna mais profundo e largo, a densidade de entropia sobe até atingir um limiar onde a vantagem quântica desaparece. Os pesquisadores então levaram esse modelo para o mundo real para ver se ele se sustentava. Eles utilizaram um processador quântico supercondutor da Rigetti, uma empresa que constrói essas máquinas, para executar as mesmas camadas de circuito que haviam simulado. Eles mediram a pureza do estado de saída, que é o inverso da entropia, usando uma técnica chamada sombras clássicas (classical shadows). Este método permitiu que eles estimassem a desordem no sistema sem precisar medir cada detalhe individual, o que seria impossível para máquinas maiores.

Os resultados experimentais mostraram que a máquina real se comportou de forma semelhante ao modelo, mas com um detalhe. A entropia no dispositivo real cresceu mais rápido do que o modelo simples previa. Os pesquisadores investigaram por que isso estava acontecendo e descobriram que o modelo padrão omitia um fator crucial: o tempo que os qubits levam para relaxar de volta ao seu estado de repouso, conhecido como relaxação T1. Quando adicionaram essa realidade física ao seu modelo, as previsões alinharam-se muito melhor com os dados experimentais. A máquina estava perdendo informação não apenas devido ao ruído aleatório, mas também porque os qubits estavam naturalmente decaindo ao longo do tempo. Esse refinamento foi crítico porque significou que o modelo deles poderia prever com precisão o desempenho do hardware. Eles descobriram que, mesmo com esses refinamentos, o modelo de depolarização global permanecia uma ferramenta útil, agindo como um limite inferior conservador que garantia que a máquina falharia antes de atingir o limite previsto.

Com um modelo validado em mãos, a equipe aplicou suas descobertas a um benchmark específico para vantagem quântica: o problema MAX-CUT, um desafio clássico na ciência da computação onde se tenta dividir uma rede em dois grupos para maximizar as conexões entre eles. Eles combinaram seu modelo de entropia com o conhecimento existente sobre quão bem os computadores clássicos resolvem este problema. Ao calcular o ponto em que a entropia do computador quântico se tornaria tão alta que sua resposta seria pior do que a melhor solução clássica, estabeleceram um novo e mais rigoroso limite para o tamanho do circuito. Para um processador quântico moderno típico com uma taxa de erro de porta de dois qubits de um em mil, descobriram que a máquina perde sua vantagem quando o circuito atinge uma profundidade de cerca de 110 camadas. Este é um limiar muito mais baixo do que as estimativas anteriores sugeriam, indicando que a janela para a vantagem quântica é mais estreita do que muitos esperavam.

A significância deste trabalho reside em sua capacidade de fazer a ponte entre a física de baixo nível da máquina e o desempenho de alto nível da aplicação. Anteriormente, os cientistas tinham que escolher entre medir a qualidade de portas individuais ou executar uma aplicação completa para ver se ela funcionava. Este novo método permite prever o resultado de uma aplicação simplesmente medindo quanta entropia se acumula no circuito. Ele fornece uma maneira clara e quantitativa de dizer: "Se você tentar resolver um problema deste tamanho, o ruído vencerá". Embora os pesquisadores reconheçam que seu modelo é uma simplificação e que dispositivos reais possuem outros tipos de erros, como o crosstalk entre qubits, eles argumentam que esta abordagem oferece uma maneira confiável e prática de estabelecer expectativas. Ela nos diz que, para o hardware atual, o caminho para resolver problemas complexos do mundo real está bloqueado pelo ruído muito antes do que poderíamos ter imaginado, e que os avanços futuros dependerão da construção de máquinas que consigam manter sua informação pura por mais tempo.