Designing lattice proteins with variational quantum algorithms

Resumo Técnico: Projetando Proteínas de Rede com Algoritmos Quânticos Variacionais

Definição do Problema
O artigo aborda o problema inverso do design de proteínas: identificar sequências de aminoácidos que se dobram em uma estrutura alvo específica. Especificamente, os autores focam na etapa de "otimização de sequência", onde o objetivo é encontrar sequências que minimizem a energia dentro de uma conformação alvo dada. O estudo utiliza o modelo de rede hidrofóbica/polar (HP) bidimensional mínimo. Esta tarefa envolve a otimização dos tipos de aminoácidos (H ou P) em vez de suas posições espaciais, tornando-a menos exigente em termos de contagem de qubits do que o problema de dobramento de proteínas. No entanto, o problema continua sendo um desafio de otimização combinatória adequado para testar heurísticas quânticas. Os autores selecionam instâncias de problemas com soluções de estado fundamental únicas (conhecidas por se dobrarem na estrutura alvo) para permitir uma avaliação clara do desempenho algorítmico.

Metodologia
Os autores investigam a utilidade de Algoritmos Quânticos Variacionais (VQAs) em dispositivos de Escala Intermediária com Ruído (NISQ), comparando duas abordagens distintas:

1. Circuitos Informados pelo Problema (variantes de QAOA):

   • Os autores implementam o Algoritmo de Otimização Quântica Aproximada (QAOA) e diversas variantes.
   • Eles codificam a minimização de energia HP em uma forma de Otimização Binária Quadrática Não Restrita (QUBO), utilizando um termo de penalidade para controlar o número total de esferas hidrofóbicas (H).
   • Cinco configurações específicas de QAOA são testadas, variando o Hamiltoniano de mistura (mixer X padrão vs. mixers XY: topologia de conexão total e topologia de anel) e o estado inicial (superposição uniforme, um estado de base específico ou um estado de Dicke).
   • Os mixers XY permitem que o algoritmo restrinja o espaço de busca a estados viáveis (peso de Hamming correto) sem termos de penalidade suaves, mas exigem circuitos mais profundos.

2. Circuitos Agnósticos ao Problema (Ansatz Eficiente de Hardware - HEA):

   • Para mitigar os problemas de profundidade do QAOA, os autores empregam um Ansatz Eficiente de Hardware (HEA).
   • Esses circuitos consistem em camadas alternadas de rotações de um único qubit parametrizadas e portas de emaranhamento (CNOTs) organizadas para corresponder à conectividade do hardware alvo (dispositivo IBM Torino).
   • Tanto os circuitos SU(2) 2-local de camada única quanto os de duas camadas são testados.

Estratégias de Otimização
A otimização clássica dos parâmetros variacionais é um gargalo crítico. Os autores utilizam:

• Otimização Iterativa Camada por Camada: Para o QAOA, os parâmetros para $p$ camadas são inicializados usando interpolação linear dos parâmetros otimizados de $p-1$ camadas.
• Doação de Parâmetros: Para o HEA, parâmetros otimizados de instâncias de problemas menores (ex: $N=4$) são transferidos como palpites iniciais para instâncias maiores (ex: $N=8$), com os parâmetros restantes inicializados aleatoriamente. Esta abordagem de "warm-start" é aplicada tanto para simulações sem ruído quanto com ruído.
• Treinamento de Hardware: Para o HEA, os parâmetros também são treinados diretamente no dispositivo quântico usando doação de parâmetros.

Resultos
O estudo avalia o desempenho por meio de taxas de sucesso (a frequência de encontrar o estado fundamental conhecido) através de simulações clássicas (sem ruído e com ruído) e experimentos de hardware no dispositivo IBM Torino.

• Desempenho do QAOA:

  • Em simulações sem ruído, as variantes de QAOA usando mixers XY e estados de Dicke alcançam taxas de sucesso aceitáveis para pequenos tamanhos de problema ($N \le 16$).
  • No entanto, sob ruído (simulado e real), o desempenho colapsa. Os autores atribuem isso à profundidade substancial de circuito exigida pelos mixers XY e pela preparação do estado de Dicke (profundidade >2000 para $N=16$).
  • Reduzir o número de camadas ($p$) não recupera o desempenho em ambientes ruidosos.

• Desempenho do HEA:

  • Os circuitos HEA são significativamente mais rasos que os circuitos QAOA.
  • Em simulações sem ruído, o HEA atinge taxas de sucesso comparáveis às das melhores variantes de QAOA.
  • Em simulações com ruído, o HEA (particularmente a variante de camada única) demonstra uma tolerância ao ruído superior em comparação ao QAOA.
  • Experimentos de Hardware: Ao serem executados no dispositivo IBM Torino, os HEAs resolvem com sucesso instâncias até $N \approx 11$ com taxas de sucesso significativas. Para $N \ge 12$, as taxas de sucesso caem para quase zero.
  • Simulação vs. Realidade: Simulações ruidosas usando o modelo de ruído da IBM geralmente superestimam as taxas de sucesso observadas no hardware real, particularmente para $12 \le N \le 16$. Os autores atribuem essa discrepância à falha do modelo de ruído em capturar aspectos temporais do ruído do hardware e efeitos não-markovianos.

Contribuições Principais e Significância
O artigo fornece uma análise comparativa de VQAs informados pelo problema (QAOA) e agnósticos ao problema (HEA) para uma tarefa de otimização biofísica. Suas principais contribuições são:

1. Demonstração de Sensibilidade à Profundidade: O estudo destaca que, embora algoritmos informados pelo problema como o QAOA possam performar bem em condições idealizadas, sua dependência de circuitos profundos os torna impraticáveis para o hardware NISQ atual quando o ruído está presente.
2. Vantagem de Abordagens Eficientes de Hardware: Os autores mostram que HEAs agnósticos ao problema, apesar de carecerem de codificação específica do problema, oferecem melhor robustez contra o ruído devido às suas estruturas de circuito mais rasas, tornando-os mais viáveis para os dispositivos atuais.
3. Limitações dos Modelos de Ruído Atuais: Uma descoberta significativa é que os modelos de ruído padrão (incorporando erros de porta, erros de leitura e relaxação térmica) falham em prever totalmente o desempenho do hardware, provavelmente devido a correlações de ruído temporal não modeladas.
4. Limites de Viabilidade: O trabalho estabelece que, para o problema específico de otimização de sequência HP, o hardware quântico atual pode resolver de forma confiável apenas instâncias de comprimentos de cadeia curtos ($N \le 12$).

Conclusão
Os autores concluem que, embora os VQAs ofereçam um framework promissor para otimização discreta, sua aplicação prática ao design de proteínas no hardware atual é limitada pelo ruído e pela profundidade do circuito. Eles afirmam que estratégias de mitigação de erro são essenciais para desbloquear o potencial desses métodos, particularmente para as abordagens QAOA mais sofisticadas. O estudo serve como uma avaliação realista da interação entre abordagens quânticas variacionais e a otimização biológica combinatória, identificando tanto as oportunidades quanto as limitações atuais do paradigma NISQ.