Direct entanglement ansatz learning (DEAL) with ZNE on error-prone superconducting qubits

Este estudo apresenta o DEAL (Aprendizado de Ansatz de Emaranhamento Direto), uma abordagem que mapeia diretamente parâmetros de problemas de otimização para ângulos de ansatz quântico e utiliza a extrapolação de ruído zero (ZNE) para mitigar erros em hardware supercondutor, resultando em uma taxa de sucesso até 14% superior ao algoritmo QAOA clássico e na obtenção de soluções próximas ao ótimo para problemas NP-difíceis.

O essencial

Imagine que você está tentando encontrar a saída de um labirinto gigante e escuro, onde cada caminho tem um custo diferente (como gastar energia ou tempo). O objetivo é achar o caminho mais curto e barato. Esse é o problema que os computadores quânticos tentam resolver para tarefas complexas, como planejar rotas de entrega ou otimizar redes de energia.

Aqui está uma explicação simples do que os autores desse artigo fizeram, usando analogias do dia a dia:

O Problema: O Labirinto Barulhento

Os computadores quânticos atuais são como músicos talentosos, mas que tocam em um quarto muito barulhento.

• O Algoritmo Antigo (QAOA): É como tentar aprender a música perfeita apenas ouvindo o maestro (o computador) tocar, mas como há muito barulho (ruído elétrico, interferências), você ouve notas erradas. O maestro tenta ajustar a música, mas acaba se perdendo em "becos sem saída" (mínimos locais) e demora muito para chegar na melodia perfeita.
• O Barulho: Em computadores quânticos reais (como os de supercondutores), os qubits (as notas musicais) ficam confusos e erram o tom devido a interferências.

A Solução: DEAL (Aprendizado Direto de Entrelaçamento)

Os autores criaram um novo método chamado DEAL. Pense nele como um maestro inteligente que prepara a partitura antes mesmo de começar a tocar.

Em vez de deixar o computador "adivinhar" como começar a tocar a música, o DEAL faz três coisas principais:

1. O Mapa de Prioridades (QPN)

Imagine que você tem um mapa de uma cidade e quer entregar pacotes. Alguns endereços são muito importantes (cidades grandes) e outros são menos importantes (casas isoladas).

• O DEAL olha para o problema e diz: "Ei, esses qubits (endereço) são os mais importantes! Vamos começar a música neles."
• Ele organiza a "orquestra" (os qubits) de forma que os mais importantes fiquem mais próximos uns dos outros, reduzindo a chance de erro na transmissão da música.

2. A Partitura Perfeita (Inicialização Inteligente)

Antes, os computadores começavam a tocar com notas aleatórias e tentavam acertar aos poucos. Isso era como tentar adivinhar a senha de um cofre chutando números.

• O DEAL calcula a senha correta antes de tentar. Ele usa a matemática do problema para dizer exatamente qual nota (ângulo de rotação) cada qubit deve tocar no início.
• Isso faz com que o computador não perca tempo em becos sem saída e chegue muito mais rápido à solução ideal.

3. O Filtro de Ruído (ZNE)

Mesmo com um bom maestro, o quarto continua barulhento.

• O DEAL usa uma técnica chamada ZNE (Extrapolação de Zero Ruído). Imagine que você tira uma foto de um objeto embaixo d'água. A imagem fica distorcida.
• O DEAL tira várias fotos: uma com um pouco de água, outra com mais água, e outra com muita água. Depois, ele usa um software para "imaginar" como seria a foto sem nenhuma água.
• No computador quântico, ele executa o circuito com diferentes níveis de "ruído" e usa matemática para calcular qual seria o resultado perfeito se não houvesse ruído nenhum.

Os Resultados: O Que Eles Descobriram?

Os autores testaram essa ideia em computadores reais (da IBM) e em simulações:

• Mais Sucesso: O DEAL encontrou a solução correta (o "caminho mais curto") com muito mais frequência do que os métodos antigos.
• Problemas Reais: Eles testaram em problemas clássicos difíceis, como o Caixeiro Viajante (encontrar a rota mais curta para visitar várias cidades) e o Problema da Mochila (o que cabe na mochila com o maior valor).
• Resiliência: Mesmo com o "barulho" dos computadores atuais, o DEAL conseguiu encontrar soluções quase perfeitas.

Resumo Final

Pense no DEAL como um GPS inteligente para computadores quânticos.
Enquanto os métodos antigos tentavam dirigir às cegas em uma estrada cheia de neblina (ruído) e buracos (erros), o DEAL:

1. Olha o mapa antes de sair.
2. Escolhe os melhores carros (qubits) para a viagem.
3. Usa um filtro para remover a neblina e ver a estrada claramente.

Isso significa que, mesmo com a tecnologia quântica atual sendo um pouco "imperfeita", já podemos usá-la para resolver problemas reais e difíceis de forma muito mais eficiente do que antes.

Resumo técnico

Resumo Técnico: DEAL com ZNE em Qubits Supercondutores Propensos a Erros

1. O Problema

Os algoritmos de otimização combinatória quântica, como o Algoritmo de Otimização Aproximada Quântica (QAOA), enfrentam desafios significativos ao serem executados em hardware quântico de escala intermediária ruidosa (NISQ), especificamente em processadores quânticos supercondutores. Os principais obstáculos identificados são:

• Paisagens de Otimização Complexas: Presença de numerosos mínimos locais e o fenômeno de "platôs estéreis" (barren plateaus), onde o gradiente desaparece, dificultando a convergência.
• Escalabilidade do Espaço Latente: O crescimento exponencial do espaço de busca para problemas NP-difíceis (como TSP, Knapsack e MaxCut).
• Ruído de Hardware: Suscetibilidade a erros de coerência, ruído de leitura e, crucialmente, crosstalk (interferência entre qubits) e erros de porta, que degradam a qualidade dos resultados.
• Ineficiência na Inicialização: Métodos clássicos de inicialização de parâmetros (aleatórios ou baseados em busca em grade) são ineficientes e não exploram a estrutura do problema, levando a uma alta variância e convergência lenta.

2. Metodologia: DEAL (Direct Entanglement Ansatz Learning)

O artigo propõe o DEAL, um framework que integra aprendizado de ansatz (estrutura do circuito) diretamente com a mitigação de erros. A metodologia baseia-se em três pilares principais:

• Mapeamento Direto e Normalização Priorizada por Qubit (QPN):

  • Em vez de inicializar parâmetros aleatoriamente, o DEAL mapeia diretamente os parâmetros do problema de otimização binária sem restrições quadráticas (QUBO) para os parâmetros do ansatz quântico (ângulos de rotação).
  • Utiliza a QPN para calcular a importância de cada qubit baseada na soma dos pesos absolutos das linhas da matriz QUBO ($s_i = \sum |Q_{ij}|$).
  • Esses pesos são normalizados para criar uma distribuição de probabilidade ($w_i$) que guia a inicialização dos ângulos de rotação ($\gamma$ e $\beta$) nas camadas do circuito.
  • A função de codificação não linear (usando $\arccos$ e $\arcsin$) evita a saturação dos parâmetros nas fronteiras (0 ou $\pi$), mantendo o fluxo de gradiente e evitando platôs estéreis.

• Mapeamento Físico Dinâmico:

  • O framework ordena os qubits com base na sua importância ($w_i$) e mapeia-os na topologia do hardware real (QPU) para minimizar a distância física entre qubits altamente conectados no problema, reduzindo a necessidade de swap gates e, consequentemente, o erro.

• Extrapolação de Ruído Zero (ZNE) Adaptativa:

  • Para mitigar o ruído intrínseco dos sistemas supercondutores, o DEAL implementa uma ZNE adaptativa.
  • Diferente de métodos de ajuste polinomial padrão, o DEAL utiliza uma atualização bayesiana iterativa para refinar os parâmetros de escalonamento de ruído ($\lambda$).
  • O escalonamento de ruído é ponderado pela importância dos qubits e pela distância no mapa de acoplamento, priorizando a correção de erros em qubits críticos para o problema.
  • Técnicas de Pauli twirling e correção de gate-flip são empregadas para cancelar o ruído sem a necessidade de qubits auxiliares (ancillas).

3. Contribuições Chave

1. Inicialização Determinística e Informada: Substitui a inicialização aleatória por um método que incorpora a estrutura do problema (pesos QUBO) diretamente nos parâmetros do circuito, equilibrando viés e variância para acelerar a convergência.
2. Integração End-to-End de Mitigação de Erros: Combina o aprendizado do ansatz com ZNE adaptativa, criando um fluxo de trabalho que otimiza a conectividade e corrige erros simultaneamente.
3. Desempenho em Hardware Real: Validação experimental em processadores quânticos supercondutores reais da IBM (Torino e Marrakesh), demonstrando superioridade sobre o QAOA padrão ("vanilla").
4. Métrica de Erro Relativo Limitado por Ruído (QNRE): Introdução de uma nova métrica para quantificar o quão próximo a solução está do ótimo global, considerando as limitações impostas pelo ruído do hardware.

4. Resultados Experimentais

O estudo foi validado em três problemas NP-difíceis: Problema do Caixeiro Viajante (TSP), MaxCut e Problema da Mochila (Knapsack).

• Taxa de Sucesso: O DEAL superou o QAOA padrão, apresentando uma taxa de sucesso mais de 14% maior na busca pela energia do estado fundamental em dispositivos IBM (Torino e Marrakesh) com até 10 camadas de profundidade.
• Convergência: Em simulações e execuções reais, o DEAL mostrou uma convergência mais rápida e estável, com menor variância nos resultados, especialmente em circuitos de baixa profundidade.
• Resiliência ao Ruído: O método conseguiu manter a qualidade da solução mesmo com o aumento do número de portas (CZ e $\sqrt{X}$), onde o QAOA padrão sofre degradação significativa devido ao ruído e decoerência.
• Análise de Distribuição: As distribuições de probabilidade das medições do DEAL foram mais concentradas nas soluções ótimas em comparação com o QAOA, que tendia a se espalhar mais devido ao ruído e à exploração ineficiente do espaço de busca.
• QNRE: A métrica QNRE indicou que o DEAL explora melhor o espaço de energia em problemas complexos (como Knapsack e MaxCut) do que o TSP, mantendo erros relativos menores.

5. Significado e Impacto

Este trabalho representa um avanço significativo na viabilidade prática da otimização quântica em hardware ruidoso atual. Ao demonstrar que é possível mapear diretamente a estrutura do problema para a inicialização do circuito e integrar mitigação de erros adaptativa, o DEAL oferece um paradigma mais robusto para resolver problemas NP-difíceis.

A principal implicação é que, mesmo sem correção de erros quântica completa (fault-tolerance), é possível extrair soluções quase ótimas de hardware supercondutor ruidoso, estendendo a utilidade prática dos computadores quânticos NISQ para aplicações do mundo real em logística, gestão de carbono e criptografia. O código-fonte do modelo é disponibilizado publicamente, fomentando a reprodutibilidade e o desenvolvimento futuro na área.