Genetic optimization of ansatz expressibility for enhanced variational quantum algorithm performance

1. O Problema

Os algoritmos quânticos variacionais (VQAs) são a principal abordagem para extrair computação prática de dispositivos quânticos de escala intermediária ruidosa (NISQ). No entanto, o desempenho dos VQAs é altamente sensível ao design do ansatz (o circuito quântico parametrizado). Existe um dilema fundamental:

• Expressibilidade: O ansatz precisa ser suficientemente expressivo para cobrir o espaço de Hilbert e representar o estado alvo com precisão.
• Treinabilidade: O ansatz deve ser raso o suficiente para evitar o acúmulo de ruído e o fenômeno de "platôs áridos" (barren plateaus), onde o gradiente desaparece e o otimizador falha.

Métodos existentes, como UCCSD (inspirado na química) e ADAPT-VQE (adaptativo), muitas vezes resultam em circuitos profundos e com muitos parâmetros, ou exigem custos computacionais clássicos elevados para cada novo problema. O desafio é encontrar um equilíbrio que maximize a expressibilidade mantendo a profundidade do circuito baixa e o número de parâmetros reduzido, sem precisar redesenhar o circuito para cada Hamiltoniano específico.

2. Metodologia

Os autores propõem um framework baseado em Algoritmos Genéticos (GA) para o design automático de ansatze. A abordagem trata o design do circuito como um problema de otimização evolutiva:

• Representação: Cada indivíduo na população é um circuito quântico único, codificado como uma sequência de camadas de portas quânticas (o "genoma"). As portas incluem rotações parametrizadas ($R_X, R_Y, R_Z$), Hadamard ($H$), identidade ($I$) e portas de emaranhamento (CNOT).
• Métrica de Aptidão (Fitness): A aptidão de um indivíduo é definida pela sua expressibilidade. Esta é medida calculando a Divergência de Jensen-Shannon (JSD) entre a distribuição de fidelidades de estados gerados pelo circuito (amostrados aleatoriamente) e a distribuição de estados de Haar (distribuição uniforme no espaço de Hilbert). Um valor de JSD mais baixo indica maior expressibilidade.
• Processo Evolutivo:
  1. Inicialização: Gera-se uma população de circuitos aleatórios com profundidade fixa.
  2. Seleção: Os circuitos com maior expressibilidade (menor JSD) são selecionados como pais.
  3. Crossover: As camadas dos circuitos pais são recombinadas (crossover de um ou N pontos) para criar descendentes.
  4. Mutação: Portas aleatórias são substituídas ou reordenadas para manter a diversidade genética.
• Generalização: O objetivo não é otimizar para um Hamiltoniano específico, mas evoluir um ansatz genérico que possa ser reutilizado em diferentes sistemas (moleculares e de spin) com apenas a otimização dos parâmetros clássicos.

3. Contribuições Principais

• Framework de Design Agnóstico ao Problema: Desenvolvimento de um método que gera um único circuito otimizado capaz de resolver múltiplos problemas (química quântica e física da matéria condensada) sem necessidade de reexecutar o algoritmo genético para cada novo Hamiltoniano.
• Otimização de Expressibilidade vs. Profundidade: Identificação de que a expressibilidade satura em uma profundidade de circuito proporcional ao número de qubits ($\approx 2n$), permitindo circuitos rasos e eficientes.
• Análise de Conjuntos de Portas: Estudo sistemático de 9 conjuntos de portas diferentes, demonstrando que restrições de conectividade (como CNOT apenas entre vizinhos) podem aumentar a expressibilidade, mas que conjuntos mais eficientes em recursos (como o Conjunto E) oferecem o melhor equilíbrio para a tarefa VQE.
• Redução de Sobrecarga Clássica: Ao gerar o ansatz uma vez e reutilizá-lo, o método elimina a necessidade de pesquisar arquiteturas repetidamente para novos problemas, amortizando o custo computacional clássico.

4. Resultados

Os autores validaram o framework através de benchmarks extensivos:

• Convergência e Profundidade: A expressibilidade atinge um platô ótimo em torno de 10 gerações do algoritmo genético e em profundidades de circuito de aproximadamente $2n$ (onde $n$ é o número de qubits).
• Desempenho em VQE (Moléculas): O ansatz gerado pelo GA foi testado em moléculas ($H_2$, $LiH$, $BeH_2$, $H_2O$) e no modelo de Ising com campo transversal.
  • Os resultados mostram que o ansatz GA atinge energias de estado fundamental comparáveis ao UCCSD e ao ADAPT-VQE.
  • Eficiência de Recursos: Enquanto o UCCSD exige profundidades superiores a 1400 para moléculas maiores, o ansatz GA alcança resultados competitivos com profundidades máximas de 48, uma redução drástica na complexidade do circuito.
• Simulações Ruidosas: Em simulações com ruído (usando modelos de erro do IBM Q), o ansatz GA demonstrou maior resiliência devido à sua menor profundidade, convergindo para energias mais próximas do estado fundamental exato em comparação com o ADAPT-VQE.
• Generalização: O mesmo circuito evolvido (Conjunto E) funcionou bem tanto para Hamiltonianos moleculares quanto para o modelo de Ising, confirmando a reutilizabilidade do método.

5. Significado e Conclusão

Este trabalho demonstra que a otimização evolutiva é uma estratégia viável e superior para o design de ansatze em hardware quântico NISQ. Ao focar na maximização da expressibilidade dentro de restrições de profundidade, o método produz circuitos que são:

1. Altamente Expressivos: Capazes de explorar o espaço de Hilbert de forma eficiente.
2. Recursos-Eficientes: Profundos o suficiente para a precisão, mas rasos o suficiente para evitar ruído excessivo e platôs áridos.
3. Reutilizáveis: Eliminam a barreira de ter que projetar um novo circuito para cada novo problema químico ou físico.

A conclusão é que o framework proposto oferece uma solução escalável e prática para o desafio do design de ansatze, permitindo que algoritmos variacionais sejam aplicados de forma mais robusta e eficiente em dispositivos quânticos reais.