⚛️ quantum physics

Enhanced Variational Quantum Kolmogorov-Arnold Network

Este artigo introduz a Rede Kolmogorov-Arnold Quântica Variacional Aprimorada (EVQKAN), um ansatz quântico variacional que melhora a precisão do ajuste de funções em relação aos métodos quânticos existentes, mas que atualmente enfrenta limitações significativas de classificação e altos custos de circuito devido ao sobreajuste e às demandas de recursos, posicionando-se como uma arquitetura de escala de simulador em vez de uma solução NISQ de curto prazo.

Autores originais: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

Publicado 2026-07-30

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Parque de Diversões Quântico: Onde a Matemática Encontra a Magia

Imagine que você está tentando ensinar um computador a reconhecer padrões, como identificar um gato em uma foto ou prever o tempo. Durante décadas, usamos "redes neurais", que são basicamente cérebros digitais feitos de camadas de pequenos processadores (neurônios) conectados por fios. Nesses cérebros digitais, o "aprendizado" acontece ajustando a força das conexões entre os neurônios. É como ajustar os botões de volume em uma mesa de mixagem gigante até que a música soe perfeita.

Mas e se, em vez de apenas girar botões, as próprias conexões pudessem mudar de forma? Imagine se os fios que conectam os neurônios não fossem apenas cabos estáticos, mas pudessem se esticar, torcer e se transformar em qualquer curva necessária para resolver um problema. Esta é a ideia por trás de um novo tipo de IA chamada Rede Kolmogorov-Arnold (KAN). É um toque inteligente no design antigo que torna a matemática muito mais eficiente.

Agora, imagine pegar essa IA super eficiente e tentar executá-la em um computador quântico. Computadores quânticos são a próxima grande novidade na computação; eles usam as regras estranhas do mundo subatômico (como partículas estando em dois lugares ao mesmo tempo) para resolver problemas que levariam uma eternidade para os computadores normais. A grande questão que os cientistas estão fazendo é: Podemos construir uma versão quântica desta IA que muda de forma? Se pudermos, ela poderá aprender de forma mais rápida e melhor do que qualquer coisa que temos hoje. Este artigo é sobre uma equipe tentando construir essa máquina quântica, vendo o quão bem ela funciona e descobrindo por que às vezes ela tropeça.

A Máquina Quântica de Mudança de Forma

Os autores deste artigo, Hikaru Wakaura e seus colegas, construíram um novo design que chamam de Rede Kolmogorov-Arnold Quântica Variacional Aperfeiçoada, ou EVQKAN para abreviar. Pense no EVQKAN como uma receita muito específica para um circuito quântico. Em um computador quântico normal, você tem "qubits" (a versão quântica dos bits) que podem ser 0, 1 ou ambos ao mesmo tempo. Para fazê-los aprender, você aplica uma série de portas (operações) que rotacionam esses qubits.

Na receita do EVQKAN, a parte do "aprendizado" é tratada por curvas matemáticas especiais chamadas splines. Em vez de ter apenas uma rotação fixa, as portas quânticas são controladas por essas curvas flexíveis. A grande inovação da equipe é uma maneira inteligente de organizar essas curvas usando um método de "ladrilhamento". Imagine que você está tentando cobrir um chão com azulejos. Em vez de fazer um azulejo gigante e personalizado para cada lugar, eles descobriram como usar alguns padrões inteligentes e repetitivos (rotações controladas) para cobrir todo o chão de forma eficiente. Esse design permite que eles usem muito menos "botões" para girar (parâmetros treináveis) do que outros métodos quânticos, o que é um grande feito, pois menos botões significam que o computador tem mais facilidade para encontrar a configuração correta.

O Grande Concurso de Ajuste: Quem Ganha?

Para ver se o EVQKAN realmente funciona, a equipe o colocou em um concurso contra outros modelos quânticos e até mesmo contra um modelo de IA clássica. O primeiro desafio foi um problema de ajuste (fitting). Imagine que você tem uma dispersão de pontos em um gráfico e precisa desenhar uma linha suave que os conecte perfeitamente.

Nesta simulação, o EVQKAN foi a estrela do show. Quando solicitado a desenhar essa linha através dos pontos, ele fez um trabalho significativamente melhor do que os outros modelos quânticos (como a Rede Neural Quântica padrão ou o antigo VQKAN). Na verdade, em cada uma das dez tentativas que realizaram, o EVQKAN venceu os modelos quânticos mais antigos. Ele foi tão mais consistente que seus resultados foram quase sempre melhores que os da competição.

No entanto, havia uma pegadinha. Embora o EVQK even fosse o melhor modelo quântico, ele ainda não conseguiu vencer o KAN clássico (a versão não quântica rodando em um computador normal). O modelo clássico ainda era o mais preciso. Portanto, embora o EVQKAN tenha provado que este novo design quântico é uma enorme melhoria em relação às tentativas quânticas anteriores, ele ainda não conseguiu vencer a melhor IA não quântica.

A Reviravolta da Classificação: Quando o Roteiro Inverte

Depois, a equipe tentou um desafio diferente: classificação. Isso é como separar uma pilha de bolinhas de gude vermelhas e azuis misturadas em dois potes separados. Eles criaram um cenário onde as bolinhas estavam dispostas em um padrão complicado, e a IA tinha que adivinhar em qual pote cada bolinha pertencia.

Aqui, a história virou completamente. Quando a tarefa era separar as bolinhas, o EVQKAN teve um desempenho pior do que os outros modelos quânticos. Ele conseguiu fazer melhor do que um palpite aleatório (acertando cerca de 62%), mas a Rede Neural Quântica (QNN) padrão o esmagou, acertando cerca de 75%. Isso foi surpreendente porque o EVQKAN tinha menos "botões" para girar e deveria ser mais eficiente.

Os autores foram muito cuidadosos aqui. Eles perceberam que, em uma versão anterior de seu trabalho, haviam dado acidentalmente uma "cola" ao EVQKAN, fornecendo a resposta (o rótulo) diretamente para a máquina como uma pista, enquanto os outros modelos não receberam essa pista. Eles corrigiram esse "vazamento" e rodaram o teste novamente. Mesmo com um campo de jogo justo, o EVQKAN ainda perdeu o jogo de classificação. Isso nos diz que o truque de "ladrilhamento" que torna o EVQKAN ótimo para desenhar linhas (ajuste) não ajuda necessariamente a classificar coisas (classificação).

Por Que Não Está Pronto para o Seu Celular Ainda

Então, por que este super-IA quântico não está rodando no seu laptop ou celular? A resposta reside no custo do circuito.

Para fazer o EVQKAN funcionar, a equipe teve que construir um circuito muito complexo. Para apenas três camadas desta rede, o circuito requer 4.110 portas de dois qubits após a decomposição das operações complexas. Para colocar isso em perspectiva, os computadores quânticos atuais (chamados de dispositivos NISQ) são muito ruidosos e só conseguem lidar com uma fração minúscula disso antes que a informação seja embaralhada. Os autores são honestos: este design é atualmente um projeto de "escala de simulador". Ele funciona perfeitamente em uma simulação de computador onde não há ruído, mas é grande e complexo demais para o hardware quântico real de hoje.

O Problema do Overfitting: Muitas Perguntas, Poucas Respostas

A equipe também investigou por que os modelos quânticos não eram tão precisos quanto os clássicos. Eles encontraram um culpado principal: o overfitting (sobreajuste).

Imagine que você está estudando para uma prova de matemática. Se você tiver apenas 10 questões de prática, mas estiver tentando memorizar 96 regras diferentes, você pode memorizar perfeitamente as respostas dessas 10 questões, mas falhar na prova real porque não aprendeu o conceito geral. Foi o que aconteceu aqui. O modelo tinha 96 "botões" para girar, mas foi treinado em apenas 10 pontos de dados.

Os autores testaram isso dando ao modelo mais questões de prática (aumentando os dados de treinamento de 10 para 100 pontos). Quando fizeram isso, a lacuna entre o desempenho do modelo nas questões de prática versus o teste real diminuiu em 58%. Isso provou que o modelo não estava "quebrado"; ele apenas precisava de mais dados para aprender adequadamente. No entanto, mesmo com mais dados, o modelo quântico ainda não conseguiu alcançar o clássico.

A Conclusão

O artigo conclui que o EVQKAN é uma nova arquitetura promissora que torna a IA quântica muito melhor em ajustar curvas do que as tentativas anteriores. É mais confiável e preciso do que outros métodos quânticos para esse trabalho específico. No entanto, ele tem dificuldades com tarefas de classificação e é atualmente muito complexo para rodar em hardware quântico real devido ao enorme número de portas necessárias.

Os autores são claros ao dizer que isso é um trabalho em andamento. Eles sugerem que o trabalho futuro precisa focar em simplificar o circuito (talvez usando novos truques matemáticos chamados "codificação de bloco") e testar como o modelo escala. Por enquanto, o EVQKAN é uma simulação brilhante que nos mostra o caminho a seguir, mas a jornada para uma IA quântica do mundo real que supere os computadores clássicos ainda está pela frente.

Resumo Técnico: Redes Kolmogorov-Arnold Quânticas Variacionais Aperfeiçoadas (EVQKAN)

Definição do Problema
A Rede Kolmogorov-Arnold (KAN) é uma arquitetura de rede neural onde funções treináveis residem nas sinapses (arestas) em vez dos neurônios, oferecendo potenciais vantagens em interpretabilidade e eficiência. Embora as KANs clássicas tenham mostrado promessa, suas implementações quânticas enfrentam obstáculos significativos. As abordagens atuais de KAN quântica sofrem com um compromisso entre precisão e custo de recursos:

KAN Quântica Variacional (VQKAN): Carece de precisão suficiente para tarefas práticas.
KAN Quântica (usando Block Encoding/Processamento de Sinal Quântico): Requer um grande número de portas de controle e qubits auxiliares, tornando-a inadequada para dispositivos atuais de Escala Intermediária com Ruído (NISQ) e difícil de otimizar conforme o tamanho da rede aumenta.

Os autores visam preencher essa lacuna propondo uma variante de KAN quântica que equilibra eficiência de parâmetros com complexidade de circuito, visando especificamente tarefas de ajuste de função e classificação.

Metodologia: KAN Quântica Variacional Aperfeiçoada (EVQKAN)
Os autores introduzem a EVQKAN, um ansatz variacional projetado para emular uma matriz de camada KAN de dimensão $2^{N_q}$ . A metodologia central envolve:

Arquitetura: A rede utiliza uma "construção de operador de soma em mosaico" (tiled sum-operator construction) para emular camadas KAN. Em vez de treinar parâmetros para cada elemento na matriz da camada, a EVQKAN emprega rotações controladas distribuídas em mosaico ao longo do circuito.
Eficiência de Parâmetros: Uma camada com $N_q$ qubits (dimensão $2^{N_q}$ ) requer apenas $2^{N_q-1}$ funções spline treináveis. Cada spline é definida por $N_g$ pontos de controle. Para um sistema de 3 qubits ( $N_q=3$ ) com 8 pontos de controle ( $N_g=8$ ) e 3 camadas, o modelo usa apenas 96 parâmetros treináveis, comparado às centenas ou milhares exigidas por abordagens baseadas em elementos de matriz.
Codificação de Entrada: O vetor de entrada é codificado no estado inicial. Os ângulos de rotação para o ansatz são gerados avaliando as funções spline treináveis nos valores de leitura da camada anterior.
Construção do Circuito: O ansatz é construído usando portas de rotação multicontroladas. Os autores observam que esta construção depende de operadores de soma implementados via técnicas de block encoding.
Otimização: Os parâmetros são otimizados usando o algoritmo COBYLA (salvo indicação em contrário) para minimizar uma função de perda definida como a distância absoluta entre o valor de expectativa do Hamiltoniano e o valor da função alvo.
Ambiente de Simulação: Todos os resultados relatados baseiam-se em simulações de estado vetorial sem ruído com disparos (shots) infinitos. Os autores declaram explicitamente que a construção atual não está pronta para NISQ devido à alta contagem de portas.

Resultados Principais

Tarefa de Ajuste de Função (Function Fitting):
- Desempenho: A EVKAV superou significativamente as Redes Neurais Quânticas (QNN), VQKAN e Adaptive VQKAN no ajuste de uma função elementar ( $f(x) = \exp(\sin(x_0^2 + x_1^2) + \sin(x_2^2 + x_3^2))$ ).
- Estatísticas: Em dez tentativas independentes, a EVKAV alcançou um erro médio de teste de $15,088 \pm 1,739$ , comparado a $25,965$ para QNN e $\approx 22,6$ para VQKAN. A diferença foi estatisticamente significativa ( $p < 0,002$ ) com grandes tamanhos de efeito (Cliff's $\delta \le -0,86$ ). Em todas as instâncias, a EVKAV superou a VQKAN.
- Confiabilidade: A EVKAV demonstrou uma variância marcadamente menor (SD $\approx 1,7$ ) em comparação com a QNN (SD $\approx 7,0$ ), indicando maior reprodutibilidade.
- Linha de Base Clássica: A KAN clássica permaneceu o método mais preciso ($13,497$), confirmando que o modelo quântico não superou seu contraparte clássico nesta tarefa, mas a separação entre os métodos quânticos foi clara.
Tarefa de Classificação:
- Correção de Protocolo: Os autores retiraram os resultados de uma versão anterior deste trabalho devido a um erro de "vazamento" (leakage), onde o rótulo alvo foi inadvertidamente codificado como uma característica no circuito EVKAV, mas não nos modelos de comparação.
- Resultos Revisados: Sob um protocolo livre de vazamento, onde todos os métodos compartilhavam a mesma codificação e características, a ordem de desempenho se inverteu. A EVKAV classificou acima do acaso (acurácia $0,620$, $p=0,0005$ ), mas foi significativamente menos precisa que uma QNN com um quinto dos parâmetros (acurácia QNN $0,754$, $\Delta \text{acurácia} = -0,134$ , $p=0,0014$ ).
- Conclusão: A vantagem do ansatz em mosaico observada no ajuste de função não se transferiu para a tarefa de classificação.
Limitações e Fontes de Erro:
- Overfitting (Sobreajuste): A principal fonte de erro no ajuste de função foi identificada como overfitting impulsionado por um conjunto de treinamento subdeterminado (10 amostras para 96 parâmetros). Aumentar o tamanho do conjunto de treinamento de 10 para 100 amostras reduziu a lacuna entre treino e teste em 58%, embora a acurácia de teste tenha melhorado apenas marginalmente (9%).
- Custo de Circuito: A construção é computacionalmente cara. Uma EVKAV de 3 camadas com $N_q=3$ emite 1017 operações, decompondo-se em 4110 portas de dois qubits. Isso coloca o método na categoria de "escala de simulador" e "era de tolerância a falhas", muito além das capacidades NISQ atuais.

Significância e Alegações
O artigo reivindica três contribuições principais:

Arquitetura: Uma KAN quântica variacional com parâmetros eficientes (EVKAV) que reduz o número de funções treináveis para a raiz quadrada da dimensão da camada, tornando-a competitiva entre os modelos quânticos para ajuste de função.
Rigor Metodológico: A introdução de um protocolo "livre de vazamento" e métricas padrão (acurácia, AUC) que permitem comparações honestas e justas entre variantes de KAN quântica, corrigindo falhas metodológicas anteriores.
Análise Quantitativa: Uma identificação clara dos gargalos atuais: overfitting devido a conjuntos de treinamento pequenos e o custo proibitivo de portas multicontroladas.

Conclusões Modestas
Os autores são explícitos ao afirmar que a EVKAV ainda não é uma solução para dispositivos NISQ. Eles afirmam que a superioridade do método é atualmente confinada a tarefas específicas (ajuste de função) e que o custo do circuito deve ser reduzido via block encoding e qubitização antes que o deployment em hardware seja viável. Além disso, reconhecem que os métodos clássicos (Classical KAN, Regressão Logística, MLP) superam atualmente todos os métodos quânticos testados em ambas as tarefas, e que a significância do artigo reside em estabelecer uma hierarquia entre modelos quânticos, em vez de demonstrar uma vantagem quântica sobre a computação clássica.