Solving nonlinear differential equations on noisy $156$-qubit quantum computers

Resumo Técnico: Resolução de Equações Diferenciais Não Lineares em Computadores Quânticos Ruidosos de 156 Qubits

1. O Problema

O artigo aborda o desafio de resolver equações diferenciais ordinárias (ODEs) e parciais (PDEs) não lineares utilizando o paradigma de computação quântica atual, conhecido como NISQ (Noisy Intermediate-Scale Quantum). Embora algoritmos teóricos para resolver sistemas lineares existam (como o HHL), eles exigem hardware com correção de erros, algo ainda indisponível. O objetivo deste trabalho é demonstrar que é possível resolver problemas físicos não triviais e não lineares em hardware quântico real e ruidoso, utilizando algoritmos variacionais.

Os dois problemas de benchmark utilizados foram:

• Teste de Tração Hipoelástico 1D: Um problema de mecânica dos sólidos que envolve um sistema acoplado de deslocamento e tensão, apresentando não linearidade e dependência de parâmetros materiais.
• Equação de Burgers Inviscida: Uma PDE que modela o fluxo de fluidos incompressíveis e não viscosos, caracterizada por termos de advecção não lineares que podem gerar gradientes acentuados e ondas de choque.

2. Metodologia (Algoritmo H-DES)

Os autores utilizam o algoritmo H-DES (Hybrid Classical-Quantum Differential Equation Solver), uma abordagem híbrida que combina circuitos quânticos variacionais (VQCs) com otimização clássica.

Componentes principais do H-DES:

• Ansatz (Circuito Quântico): Utiliza um Hardware-Efficient Ansatz (HEA), composto por camadas de rotações de um único qubit ($R_y$ ou $R_x$) e portas de emaranhamento (CNOT ou CZ), adaptadas à conectividade do processador para minimizar o ruído.
• Codificação da Solução: Em vez de usar mapas de características (feature maps), o H-DES utiliza uma expansão de Chebyshev nos observáveis. A função solução e suas derivadas são representadas como valores esperados de observáveis específicos ($O_m(x)$), o que oferece maior flexibilidade e reduz o risco de barren plateaus (platôs de gradiente nulo).
• Função de Perda (Loss Function): A função de perda é construída com base no resíduo da equação diferencial nos pontos de colocação e nas condições de contorno (BCs). Para as condições de contorno, os autores utilizam a estratégia de "deslocamento de condição de contorno flutuante" (floating boundary condition shift), que garante que a solução satisfaça as BCs por construção.
• Estratégias de Otimização e Ruído:
  • Para o problema de tração, usaram o otimizador baseado em gradiente SLSQP com a regra de deslocamento de parâmetro (parameter-shift rule).
  • Para a equação de Burgers, utilizaram o CMA-ES (um otimizador livre de gradiente, mais robusto ao ruído) e uma estratégia de amostragem em múltiplos estágios (N-stage sampling), onde o número de shots (medições) aumenta progressivamente conforme a otimização converge, equilibrando tempo de execução e precisão.

3. Principais Contribuições

• Primeira demonstração prática: É o primeiro relato de resolução bem-sucedida de equações diferenciais não triviais em hardware quântico real (processadores IBM Heron).
• Flexibilidade do "Toolbox": O H-DES é apresentado não como um algoritmo rígido, mas como uma caixa de ferramentas adaptável, onde o ansatz, os observáveis e a estratégia de amostragem podem ser ajustados conforme a complexidade do problema e o ruído do hardware.
• Robustez ao Ruído: Demonstra que a minimização da perda variacional pode absorver efeitos de ruído de porta e leitura sem a necessidade obrigatória de técnicas complexas de mitigação de erro.

4. Resultados

• Teste de Tração: O algoritmo convergiu com sucesso para a solução analítica. Embora o ruído de medição (shot noise) tenha impedido um ajuste perfeito na função de deslocamento $u(x)$, a solução para a tensão $\sigma(x)$ foi altamente precisa.
• Equação de Burgers:
  • No Caso 1 (parâmetros menores), o uso de 40 qubits e a estratégia de estágios permitiu uma convergência estável e uma reconstrução precisa da superfície de velocidade $u(x,t)$.
  • No Caso 2 (parâmetros maiores, maior complexidade), o uso de 50 qubits e um ansatz baseado em $R_x + CZ$ permitiu alcançar a precisão desejada em apenas 10 iterações, demonstrando que o método escala para problemas com gradientes mais acentuados.

5. Significância

O trabalho é um marco para a computação quântica aplicada à ciência e engenharia. Ele prova que o paradigma NISQ pode ser útil para simulações físicas relevantes antes mesmo da chegada da computação quântica tolerante a falhas. Ao demonstrar que o gerenciamento inteligente do ruído (através de design de algoritmos e estratégias de amostragem) é tão importante quanto a qualidade do hardware, os autores abrem caminho para o uso de computadores quânticos em problemas complexos de dinâmica de fluidos e mecânica de materiais.