Resumo Técnico: Um Framework para Avaliar o Desempenho de Algoritmos Quânticos Variacionais

1. Definição do Problema

Os Algoritmos Quânticos Variacionais (VQAs) são uma abordagem proeminente para resolver problemas de otimização combinatória, especificamente Otimização Binária Não Restrita Quadrática (QUBO), em dispositivos de Escala Intermediária com Ruído Quântico (NISQ). No entanto, o benchmarking de VQAs permanece desafiador devido à sua natureza estocástica inerente e à falta de critérios de desempenho padronizados. Estudos existentes frequentemente relatam métricas de execução única sem considerar explicitamente a variabilidade introduzida por disparos (shots) finitos de medição e avaliações de custo ruidosas. Consequentemente, não há um critério universalmente aceito para classificar VQAs quanto à sua adequação para resolver instâncias específicas de QUBO sob restrições de recursos.

2. Metodologia

Os autores propõem um framework geral para avaliar VQAs aplicados a problemas QUBO. A metodologia fundamenta-se na interpretação de circuitos quânticos como distribuições de probabilidade sobre o espaço binário e na caracterização do desempenho do VQA através de medidas estatísticas derivadas dessas distribuições.

A. Framework Teórico

O framework define um VQA como uma tupla $VQA := (U, [C, s, A])$, composta por um ansatz ($U$), uma função de custo ($C$), o número de disparos ($s$) e um otimizador clássico ($A$). O desempenho é visualizado em um Diagrama de Qualidade ($D \subset \mathbb{R}^2$), onde cada ponto representa uma execução de VQA definida por:

1. Consumo de Recursos Normalizado: O número de avaliações de circuito ($n_{calls}$) em relação a um limite máximo ($n_{max}$).
2. Probabilidade de Sucesso: A probabilidade de medir o mínimo global ($p_{min}$), transformada como $1 - p_{min}$.

A solução ideal corresponde ao ponto $(0,0)$, que representa uma única chamada de função com probabilidade 1 de encontrar o mínimo global. Devido à estocasticidade, execuções repetidas geram uma distribuição de pontos ($\rho$) sobre $D$.

B. Três Métricas Principais

O framework avalia VQAs utilizando três métricas complementares derivadas da distribuição $\rho$:

1. Viabilidade ($F$): A probabilidade a priori de o algoritmo ter sucesso em encontrar uma solução com $p_{min}$ acima de um limiar predefinido ($p_{threshold}$). É calculada como a integral da distribuição $\rho$ sobre a região onde $p_{min} \geq p_{threshold}$.
2. Qualidade ($Q$): Um valor escalar que quantifica a eficiência do processo de busca, equilibrando a probabilidade de sucesso contra o consumo de recursos. É definida como o valor esperado de uma função de qualidade $q(n_{calls}, p_{min})$, que atribui qualidade zero se $p_{min} < p_{threshold}$ e, caso contrário, calcula uma distância euclidiana ponderada do ponto ideal $(0,0)$.
3. Reprodutibilidade ($R$): Uma medida da certeza dos resultados, formalizada usando a entropia de Shannon ($S[\rho]$). A reprodutibilidade é definida como $R[\rho] = 1 - \frac{S[\rho]}{S_{max}}$, onde um valor de 1 indica uma distribuição totalmente concentrada (alta certeza) e 0 indica uma dispersão uniforme (alta incerteza).

C. Critério de Seleção

O framework estabelece um processo de decisão para seleção de algoritmos baseado em limiares $(F_0, Q_0, R_0)$. Um VQA é considerado um "solucionador bem adequado" apenas se satisfizer sequencialmente:

1. $F[\rho] \geq F_0$
2. $Q[\rho] \geq Q_0$
3. $R[\rho] \geq R_0$

3. Resultados Experimentais

Como prova de conceito, os autores aplicaram o framework a uma instância QUBO aleatória de 16 qubits via simulação. Eles avaliaram múltiplas configurações de VQA variando o parâmetro CVaR ($\alpha \in \{0.15, 0.25, 0.50, 0.75, 1.00\}$) e o número de disparos ($s \in \{1.000 \dots 100.000\}$), utilizando o ansatz RealAmplitudes e o otimizador COBYLA. Cada configuração foi testada ao longo de 400 execuções de otimização.

Principais Descobertas:

• Viabilidade: A viabilidade aumentou geralmente com valores mais altos de $\alpha$ e maiores contagens de disparos ($s$), atingindo a saturação eventualmente. Por exemplo, com $\alpha=1.00$, a viabilidade atingiu 0.95 com $s=60.000$.
• Qualidade: Semelhante à viabilidade, a qualidade melhorou com $\alpha$ e $s$ mais altos. No entanto, a saturação foi observada para a maioria dos casos além de $s=20.000$, com exceção de $\alpha=0.25$.
• Reprodutibilidade: Diferente das outras métricas, a reprodutibilidade foi amplamente insensível a mudanças em $s$ e $\alpha$. Valores mais baixos de $\alpha$ e $s$ ocasionalmente produziram maior reprodutibilidade, provavelmente porque o algoritmo encerrou precocemente sem explorar soluções diversas.
• Configurações Ótimas: Com base nos critérios de seleção ($F_0=0.70, Q_0=1.20, R_0=0.60$), as configurações de VQA mais adequadas foram identificadas como aquelas com $\alpha$ mais alto (especificamente 0.75 e 1.00) e contagens de disparos mais altas (variando de 10.000 a 100.000).

4. Principais Contribuições

• Framework de Avaliação Unificado: Introduz uma metodologia estruturada combinando viabilidade, qualidade e reprodutibilidade para abordar a lacuna na sistematização do benchmarking de VQAs.
• Caracterização Estocástica: Vai além das métricas de execução única ao tratar o desempenho do VQA como uma distribuição de probabilidade, utilizando a entropia de Shannon para quantificar a reprodutibilidade.
• Diagrama de Qualidade: Propõe uma ferramenta visual e matemática para capturar os trade-offs entre a probabilidade de sucesso e o consumo de recursos.
• Critério de Decisão: Fornece um processo de seleção formal, baseado em limiares, para identificar as melhores configurações de VQA sob restrições de recursos.

5. Significância e Alegações

Os autores afirmam que este trabalho contribui com uma abordagem fundamentada para comparar VQAs na era NISQ. Ao considerar explicitamente a natureza estocástica dos algoritmos variacionais, o framework permite uma seleção de algoritmos mais confiável em fluxos de trabalho híbridos quântico-clássicos.

O artigo apresenta seus resultados de forma modesta, tratando-os como uma prova de conceito. Os autores reconhecem limitações, observando que a análise foi restrita a uma única instância QUBO, um único ansatz e um único otimizador, todos avaliados via simulação. Os autores afirmam que o framework fornece uma base para pesquisas futuras, incluindo validação em hardware real, exploração de diversos ansätze e o desenvolvimento de critérios de seleção adaptativos para problemas de grande escala. Eles não alegam superioridade imediata de algoritmos específicos sobre outros em todos os contextos, mas sim a utilidade do framework em identificar sistematicamente os algoritmos com melhor desempenho para uma determinada instância de problema e orçamento de recursos.