⚛️ quantum physics

Graph-Based Bayesian Optimization for Quantum Circuit Architecture Search with Uncertainty Calibrated Surrogates

Este artigo apresenta uma estrutura de otimização bayesiana baseada em grafos utilizando um substituto GNN com dropout de Monte Carlo para calibração de incerteza para descobrir automaticamente circuitos quânticos variacionais eficientes e robustos para tarefas de classificação de cibersegurança.

Autores originais: Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

Publicado 2026-07-14

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

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

Imagine que você esteja tentando construir o circuito de computador quântico perfeito para resolver um enigma difícil, como detectar um ataque cibernético em um fluxo massivo de tráfego de rede. O problema é que existem tantas maneiras de organizar os pequenos "portões" quânticos (os blocos de construção do circuito) que tentar todas as combinações é como tentar ler todos os livros de uma biblioteca do tamanho do universo apenas para encontrar uma boa história. É impossível.

Este artigo apresenta um detetive automatizado e inteligente chamado Otimização Bayesiana Baseada em Grafos para encontrar o melhor design de circuito sem verificar todas as possibilidades. Veja como funciona, usando algumas comparações divertidas.

O Problema: O Mapa "Plano" vs. "3D"

Normalmente, quando os computadores tentam adivinhar qual design de circuito é bom, eles olham para uma lista simples de números, como o "número total de portões" ou a "profundidade do circuito". Os autores argumentam que isso é como julgar duas cidades diferentes apenas contando quantos edifícios elas têm. Duas cidades podem ter o mesmo número de edifícios, mas uma pode ser uma dispersão desordenada e a outra uma grade perfeitamente organizada. A lista simples perde a forma e as conexões da cidade.

O artigo argumenta explicitamente contra o uso dessas listas simples de números (que eles chamam de "surrogados de vetor fixo" ou MLPs) porque elas colapsam formas de circuitos únicas em números de aparência idêntica. Em vez disso, os autores propõem tratar cada circuito como um grafo — um mapa onde os portões são pontos e as conexões entre eles são linhas. Isso preserva a "topologia" única ou a forma do circuito, assim como um mapa real preserva o layout das ruas.

A Solução: O Arquiteto Consciente da Incerteza

Os autores construíram um sistema que atua como um arquiteto superinteligente que aprende conforme avança.

A Rede Neural de Grafos (GNN): Este é o cérebro do arquiteto. Ele olha para o mapa de grafos do circuito. Os autores usaram especificamente um tipo de cérebro chamado Rede de Isomorfismo de Grafos (GIN) porque ela é muito boa em distinguir dois grafos que parecem semelhantes, mas que são diferentes.
O "Pressentimento" (Incerteza): O arquiteto não apenas adivinha; ele também sabe o quanto não tem certeza. O sistema usa um truque chamado dropout de Monte Carlo, que é como pedir ao arquiteto para fazer a mesma previsão 30 vezes com "humores" ligeiramente diferentes para ver o quanto suas respostas variam. Se as respostas variarem muito, o sistema sabe: "Não tenho certeza sobre este, vamos explorá-lo!". Se forem todas iguais, o sistema sabe: "Estou confiante".
O Custo da Realidade: O sistema não busca apenas o circuito mais preciso; ele também busca um que não quebre em hardware real. Ele adiciona uma "penalidade" para circuitos que são muito profundos, têm muitos portões de dois qubits (que são propensos a erros) ou que exigiriam muitas operações "SWAP" extras para caber em um chip quântico real.

O Experimento: Um Teste de Direção de Cibersegurança

Para testar isso, os pesquisadores usaram um conjunto de dados chamado NF-ToN-IoT-V2, que contém 10.000 amostras de tráfego de rede (algumas normais, outras ataques). Eles trataram isso como um campo de treinamento.

Eles configuraram um loop de Otimização Bayesiana: o sistema sugere um circuito, testa-o, aprende com o resultado e sugere um melhor.
Eles testaram circuitos com 8, 10 e 12 qubits (os bits quânticos).
Eles compararam seu método baseado em grafos contra:
- Busca Aleatória (Random Search): Escolher designs jogando dardos.
- GNN Gananciosa (Greedy GNN): Apenas escolher o que parece melhor no momento, sem pensar adiante.
- Surrogado MLP: O método da "lista plana" que eles argumentaram contra.

Os Resultados: O Que as Simulações Mostraram

O artigo executou esses testes em um supercomputador (especificamente o PARAM Shivay no IIT BHU) usando simulações. Eles não os executaram em hardware quântico físico real, mas sim simularam o ruído que você encontraria em máquinas reais.

Melhor Precisão: O método baseado em grafos (BO+VQC+GNN) encontrou consistentemente circuitos que eram mais precisos na classificação do tráfego de rede do que os outros métodos. Por exemplo, com 12 qubits, alcançou uma precisão de teste de 94,25%, superando o próximo melhor método (BO+VQC+MLP), que obteve 92,95%.
Circuitos Mais Inteligentes: Os circuitos encontrados pelo método de grafos eram mais "enxutos". Eles alcançaram alta precisão com menos portões e menos profundidade, o que significa que são mais eficientes.
Resiliência ao Ruído: Os autores testaram como os circuitos se comportavam sob diferentes tipos de "ruído" (erros que acontecem em computadores quânticos reais).
- Curiosamente, os circuitos tiveram um desempenho ligeiramente melhor (até +3,45% em precisão) sob ruído de amortecimento de amplitude e relaxação térmica em comparação com uma simulação perfeita e sem ruído. Os autores sugerem que isso ocorre porque o ruído atuou como um regularizador suave, suavizando as fronteiras de decisão.
- No entanto, o ruído de despolarização (um tipo de erro aleatório) foi o pior, reduzindo a precisão em cerca de 3,24%.
- O sistema mostrou que circuitos projetados com este método permanecem robustos mesmo quando os "tempos de coerência" (quanto tempo os qubits permanecem estáveis, medidos em microssegundos) variam.

O Que o Artigo Descarta e Limita

Os autores são cuidadosos ao declarar o que seu método não é.

Eles descartam explicitamente a ideia de que listas simples de números (como apenas contar portões) são suficientes para projetar bons circuitos. Seus dados sugerem que esses métodos planos perdem detalhes estruturais críticos.
Eles admitem que seus resultados baseiam-se em simulações. Embora tenham simulado ruídos realistas (como amortecimento de amplitude, amortecimento de fase e bit-flip de leitura com uma probabilidade de 0,02), eles ainda não executaram esses circuitos específicos em um dispositivo quântico físico. Eles reconhecem que o hardware real pode se comportar de maneira diferente.
Eles observam que, embora seu método seja eficiente, o "tempo de relógio de parede" (tempo real) é dominado principalmente pelo tempo necessário para treinar o modelo quântico, não pela análise do grafo em si.

A Conclusão Final

Este artigo sugere que, se você deseja projetar automaticamente circuitos quânticos, deve parar de tratá-los como um saco de números e começar a tratá-los como um mapa. Ao usar um cérebro baseado em grafos que sabe como ser incerto quando está adivinhando, e ao penalizar designs que são muito caros ou frágeis, você pode encontrar circuitos que são tanto precisos quanto eficientes. Os autores descobriram que essa abordagem funciona bem em suas simulações, produzindo circuitos que são robustos contra tipos comuns de ruído e superam métodos de busca antigos, mas lembram que o teste final em hardware real ainda é um trabalho para o futuro.

Resumo Técnico: Otimização Bayesiana Baseada em Grafos para Busca de Arquitetura de Circuitos Quânticos

1. Definição do Problema

O design de Circuitos Quânticos Variacionais (VQCs) é um gargalo crítico para o Aprendizado de Máquina Quântica (QML) prático, particularmente para tarefas que envolvem dados complexos e do mundo real. O desempenho de um VQC depende fortemente de seu design arquitetural — o arranjo, o tipo e a conectividade das portas quânticas — e não apenas de seus parâmetros contínuos. No entanto, buscar esse espaço de design é um problema de otimização de alta dimensão e não convexo. À medida que o número de qubits e a profundidade do circuito aumentam, o espaço de busca combinatória torna a enumeração por força bruta intratável.

Os métodos existentes de busca automatizada de arquitetura quântica enfrentam vários desafios específicos:

Limitações de Representação: Muitas abordagens dependem de surrogatos de vetores de tamanho fixo (ex: contando o total de portas ou profundidade), que colapsam circuitos estruturalmente distintos (não isomórficos) em vetores de características semelhantes, falhando em capturar nuances topológicas.
Descalibração de Incerteza: A Otimização Bayesiana (BO) requer surrogatos que forneçam incerteza epistêmica calibrada para equilibrar exploração e explotação. Métodos padrão frequentemente carecem dessa calibração.
Insensibilidade ao Hardware: Os processos de busca frequentemente ignoram sobrecargas de roteamento (portas SWAP/CNOT extras) e efeitos de decoerência (relaxação e desfasagem) que ocorrem durante a transpilação para o hardware real, levando a designs que performam bem em simulação, mas falham em dispositivos.
Inchaço da Busca (Search Bloat): Algoritmos frequentemente derivam para layouts profundos e pesados em portas de dois qubits que são inviáveis em dispositivos de Escala Intermediária com Ruído (NISQ).

2. Metodologia

Os autores propõem um framework unificado de ponta a ponta que integra a Otimização Bayesiana Baseada em Grafos com um surrogato de Rede Neural de Grafos (GNN) para automatizar a descoberta de VQCs robustos e eficientes em termos de hardware.

2.1 Representação de Grafo

Em vez de usar vetores de características escalares, os circuitos são codificados como Grafos Acíclicos Dirigidos (DAGs).

Nós: Representam operações de portas (ex: $R_X, R_Z, CZ, CX$ ) com características incluindo o tipo de porta em one-hot encoding, posição temporal normalizada e incidência de qubit.
Arestas: Capturam a adjacência temporal e a conectividade de qubits compartilhados.
Modelo Surrogato: Um Graph Isomorphism Network (GIN) leve é empregado como o surrogato. Os GINs foram escolhidos por seu forte poder de discriminação de grafos (nível do teste de Weisfeiler-Lehman). Para estimar a incerteza epistêmica, a GNN utiliza dropout de Monte Carlo (MC) durante a inferência, gerando uma distribuição de previsões em vez de uma estimativa de ponto único.

2.2 Loop de Otimização Bayesiana

O processo de busca segue um loop padrão de BO, mas com modificações conscientes do hardware:

Geração de Candidatos: Novos circuitos são gerados via mutações locais (inserção, substituição ou remoção de portas) aplicadas a um pool de circuitos pai de alto desempenho.
Pontuação do Surrogato: O surrogato GIN prevê o desempenho de validação ( $\hat{\mu}$ ) e a incerteza ( $\hat{\sigma}$ ) para os grafos candidatos.
Função de Aquisição: Os autores introduzem uma função de aquisição de Melhoria Esperada (EI) consciente de custo e ruído. A EI padrão é temperada por um termo de custo exponencial:
$ACQ = EI(\hat{\mu}, \hat{\sigma}) \cdot \exp(-\alpha \cdot C_{total})$
Onde $C_{total}$ agrega custos estruturais normalizados (profundidade, total de portas, contagem de portas de dois qubits, contagens de CZ) e um proxy de decoerência derivado dos tempos de porta em relação aos tempos de relaxação $T_1$ e $T_2$ . Isso penaliza circuitos profundos e altamente emaranhados que são propensos à decoerência e sobrecargas de mapeamento.
Avaliação: Os top- $k$ candidatos selecionados pela função de aquisição são avaliados usando um classificador variacional híbrido quântico-clássico no conjunto de dados de cibersegurança NF-ToN-IoT-V2.
Atualização: O surrogato é retreinado nos novos pontos de dados.

2.3 Modelagem de Ruído

Para garantir a robustez, o framework incorpora modelos de ruído realistas durante a avaliação, incluindo:

Amortecimento de Amplitude (AD) e Desfasamento de Fase (PD).
Relaxação Térmica (Amortecimento de Amplitude Generalizado + PD).
Ruído de Depolarização.
Erros de bit-flip de leitura (readout).
Varreduras sobre tempos de coerência $T_1$ e $T_2$ para mapear paisagens de desempenho.

3. Principais Contribuições

O artigo reivindica as seguintes contribuições específicas:

Surrogato Consciente de Estrutura: O uso de um surrogato GIN com MC dropout para prever o desempenho do VQC e incerteza calibrada, preservando informações topológicas perdidas em representações de características escalares.
Aquisição Consciente de Custo e Ruído: Um objetivo de EI temperado que integra métricas de complexidade normalizadas e uma penalidade consciente da decoerência, direcionando a busca para circuitos viáveis no hardware.
Otimização Realista de Hardware: A integração de custos de compilação (roteamento, SWAPs) e modelos de decoerência diretamente no loop de BO para reduzir o gap entre o simulador e o dispositivo.
Estudo Abrangente de Ruído: Avaliação extensiva da robustez do circuito através de vários canais de ruído e varreduras de tempo de coerência ( $T_1 \times T_2$ ).
Avaliação Justa e Reprodutibilidade: Experimentos conduzidos em um subconjunto balanceado do conjunto de dados NF-ToN-IoT-V2 com pré-processamento livre de vazamentos (leakage-free), comparando contra BO baseado em MLP, seleção GNN gulosa (greedy) e busca aleatória. Todos os artefatos (código, circuitos, métricas) pretendem ser de acesso público.

4. Resultados Experimentais

O framework foi avaliado no conjunto de dados NF-ToN-IoT-V2 (classificação de tráfego de rede) através de diferentes quantidades de qubits (5, 8, 10 e 12).

Desempenho: A abordagem BO+VQC+GNN superou consistentemente as bases (BO+VQC+MLP, GNN Gulosa, Busca Aleatória) em termos de acurácia de validação e teste. Notavelmente, com 12 qubits, o método baseado em GNN alcançou 94,25% de acurácia de teste, superando significativamente o surrogato baseado em MLP (92,95%) e a busca aleatória (83,55%).
Convergência: O otimizador guiado por GNN demonstrou convergência mais rápida e maior eficiência de amostragem. Ele alcançou convergência precoce e estável, enquanto a base MLP mostrou melhoria mais lenta e paralisações ocasionais, particularmente com orçamentos de mutação maiores.
Fidelidade do Surrogato: A fidelidade de ranking (medida pelo $\tau$ de Kendall) do surrogato GNN melhorou de forma constante com as iterações, indicando que a representação baseada em grafos aprendeu efetivamente a classificar os candidatos corretamente conforme mais dados eram acumulados.
Eficiência de Pareto: O método identificou circuitos na fronteira de Pareto que alcançaram alta acurácia com menor complexidade (menos portas e profundidade menor) em comparação com as bases. Os resultados destacaram retornos decrescentes para circuitos excessivamente profundos, validando o mecanismo de temperamento de custo.
Robustez ao Ruído: Os circuitos aprendidos exibiram forte robustez. Curiosamente, sob amortecimento de amplitude e relaxação térmica, a acurácia de teste apresentou uma leve melhora em relação à base livre de ruído (provavelmente devido a um efeito regularizador), enquanto o ruído de depolarização causou a degradação mais significativa. Os circuitos mantiveram o desempenho através de uma ampla gama de valores de $T_1$ e $T_2$ .
Eficiência: A análise de tempo de execução (wall-clock time) mostrou que o surrogato GNN adicionou um overhead negligenciável em comparação ao tempo de avaliação do VQC, tornando a abordagem baseada em grafos escalável.

5. Significância e Alegações

O artigo posiciona este trabalho como um passo prático em direção ao QML escalável em arquiteturas de curto prazo. Os autores afirmam que, ao automatizar a descoberta de circuitos com um surrogato consciente de estrutura e calibrado para incerteza e uma aquisição informada pela física, eles podem gerar circuitos que são simultaneamente precisos, eficientes e robustos.

As principais conclusões enfatizadas pelos autores incluem:

Superação de Limites de Representação: Codificações de grafos são superiores às características escalares para distinguir a função e a topologia do circuito.
Preenchimento do Gap: Integrar custos de compilador e modelos de decoerência no loop de busca evita a descoberta de circuitos de "apenas simulação" que falham em hardware real.
Escalabilidade: O framework escala suavemente com a contagem de qubits sem explodir em custo computacional, oferecendo uma rota reprodutível para o design automatizado de circuitos quânticos.

Os autores reconhecem limitações, observando que a avaliação primária depende de simuladores (que podem superestimar o desempenho no dispositivo) e que a complexidade é tratada via uma penalidade leve, em vez de uma otimização multiobjetivo completa. Trabalhos futuros sugerem incluir BO de multi-fidelidade, conjuntos de operadores mais ricos e otimização direta em hardware quântico.