Domain-Aware Probability Sampling for Hybrid Quantum Systems using Bayesian Optimization

Resumo Técnico: Amostragem Probabilística Consciente de Domínio para Sistemas Híbridos Quânticos usando Otimização Bayesiana

Declaração do Problema
O artigo aborda o desafio de correspondência de distribuições de probabilidade e amostragem em computadores quânticos de curto prazo. O objetivo é construir circuitos quânticos parametrizados de baixa profundidade que reproduzam as estatísticas de medição de saída de uma distribuição alvo, minimizando o custo de recursos (contagem de portas e profundidade do circuito). Esta tarefa é crítica para fluxos de trabalho híbridos quântico-clássicos, incluindo modelagem generativa e inferência variacional, onde o sucesso é determinado pelas estatísticas de medição e não pela reconstrução completa do estado.

O problema é formulado como uma otimização de caixa-preta sobre um espaço de parâmetros de alta dimensão, não convexo e não suave. Os principais desafios incluem:

• Restrições de Hardware: Tempos de coerência limitados, fidelidade de portas e limites de profundidade de circuito em dispositivos de curto prazo.
• Propriedades da Função Objetivo: A função de perda (discrepância entre distribuições geradas e alvo) é não diferenciável e altamente não suave devido à natureza discreta dos resultados de medição quântica.
• Limitações de Otimização: Métodos baseados em gradiente existentes frequentemente falham devido à falta de gradientes analíticos e à presença de platôs áridos, enquanto a Otimização Bayesiana (BO) padrão usando Processos Gaussianos (GPs) escala mal ($O(N^3)$) e depende de suposições de suavidade que não se aplicam às saídas de circuitos quânticos.

Metodologia: CircuitTree
Os autores propõem o CircuitTree, um framework de otimização guiado por modelos substitutos que integra Otimização Bayesiana com modelos baseados em árvores e uma decomposição estruturada do espaço de parâmetros.

1. Seleção do Modelo Substituto (GBRT):
   Em vez de Processos Gaussianos, o CircuitTree emprega Árvores de Regressão por Gradiente Boosted (GBRTs) como modelo substituto. As GBRTs são escolhidas porque:

   • Lidam naturalmente com paisagens de perda não suaves e descontínuas típicas de correspondência de distribuições.
   • Escalam linearmente com o número de amostras, tornando-as viáveis para regimes de alta amostragem.
   • Podem quantificar a incerteza através da diversidade do ensemble e previsões baseadas em quantis, permitindo o uso de funções de aquisição como Melhoria Esperada (EI).

2. Decomposição de Parâmetros por Camada:
   Reconhecendo que circuitos quânticos variacionais possuem uma arquitetura em camadas, os autores introduzem uma decomposição estruturada do espaço de parâmetros $\Theta$.

   • O vetor de parâmetros é particionado em subespaços disjuntos correspondentes a camadas individuais do circuito ($\Theta = \Theta^{(1)} \times \dots \times \Theta^{(L)}$).
   • Isso permite otimização distribuída por coordenadas de bloco: cada camada é otimizada independentemente em paralelo por um modelo substituto dedicado, enquanto outras camadas permanecem fixas.
   • Sincronização periódica garante a consistência global do vetor de parâmetros.
   • Esta abordagem reduz a dimensionalidade por etapa de otimização, melhora a eficiência de amostragem e mitiga platôs áridos ao restringir atualizações a subespaços locais.

3. Algoritmo de Otimização:
   O algoritmo treina iterativamente substitutos GBRT em dados observados (configurações de parâmetros e perdas de Distância de Variação Total (TVD)). Ele seleciona novos pontos de consulta através de uma função de aquisição (EI) dentro do subespaço de cada camada. Melhorias são propagadas para um vetor de parâmetros global, que é então usado para avaliar o circuito completo no hardware quântico ou simulador.

Principais Contribuições

• Formulação: Os autores formalizam a correspondência de distribuições de probabilidade consciente de domínio como um problema de otimização de caixa-preta com espaços de parâmetros estruturados, identificando explicitamente as limitações dos métodos BO padrão neste domínio.
• Framework: Eles introduzem o CircuitTree, um framework combinando substitutos GBRT com uma estratégia de otimização por subespaço escalável e distribuída alinhada à arquitetura do circuito.
• Garantias Teóricas: O artigo fornece garantias teóricas de convergência para o método proposto sob suposições moderadas relativas à continuidade de Lipschitz da função de perda e ruído limitado. Isso é notado como o primeiro resultado deste tipo para substitutos não gaussianos baseados em árvores em espaços de parâmetros quânticos estruturados.
• Validação Empírica: Experimentos extensivos em hardware simulado e real (ibm_nazca da IBM) validam o framework contra baselines de última geração.

Resultados
A avaliação compara o CircuitTree contra BO com Processo Gaussiano (GPBO), Florestas de Regressão por Quantis (QRF), Regressão Quantil por Gradiente Boosted (GBQR) e o framework de síntese BQSKit em Tarefas de Circuitos Quânticos Gerados Aleatoriamente (RQC), Preparação de Estado Quântico (QSP) e Eigensolver Quântico Variacional (VQE).

• Desempenho: O CircuitTree alcança 2–3× menor Distância de Variação Total (TVD) comparado a abordagens anteriores.
• Eficiência: Utiliza 40–60% menos portas para alcançar fidelidade comparável ou superior.
• Convergência: Em cenários de orçamento reduzido (60 avaliações), o CircuitTree supera consistentemente o GPBO tanto no TVD final quanto no tempo de execução. Por exemplo, em tarefas VQE, reduziu o tempo de execução de ~114s para ~24.8s enquanto alcançava menor erro.
• Eficiência de Hardware: Em hardware real, o CircuitTree reduziu o erro de saída em até 59% e a contagem de portas de dois qubits em 61% comparado ao BQSKit.
• Escalabilidade: A estratégia distribuída por camadas demonstrou uma redução de 2,4× no tempo de convergência e 50% menor TVD final comparado à otimização de espaço completo ou divisão aleatória.

Significado e Alegações
O artigo afirma que o CircuitTree serve como um bloco de construção prático para amostragem quântica híbrida ponta a ponta. Seu significado reside em:

• Abordagem da Não Suavidade: Adaptar com sucesso a BO à natureza não suave e estocástica das estatísticas de medição quântica, onde métodos baseados em gradiente e GP lutam.
• Escalabilidade: Superar a escala cúbica dos GPs através de ensembles baseados em árvores, permitindo otimização em espaços de alta dimensão.
• Consciência Estrutural: Aproveitar a estrutura em camadas inerente dos circuitos variacionais para melhorar a treinabilidade e estabilidade sem exigir acesso unitário completo ou gradientes analíticos.
• Rigor Teórico: Fornecer as primeiras garantias de convergência para esta classe específica de problemas de otimização quântica estruturada não gaussiana.

Os autores posicionam este trabalho como um passo em direção à otimização robusta e consciente de ruído para dispositivos quânticos de curto prazo, onde o objetivo é o alinhamento distribucional e não a síntese exata de estados.