🤖 machine learning

Investigating Quantum Circuit Designs Using Neuro-Evolution

Este artigo apresenta o EXAQC, um framework neuroevolutivo que automatiza o design e o treinamento de circuitos quânticos parametrizados ao otimizar conjuntamente tipos de portas, conectividade e parâmetros sob restrições de hardware, alcançando alta acurácia e fidelidade em tarefas de referência.

Autores originais: Devroop Kar, Daniel Krutz, Travis Desell

Publicado 2026-02-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Devroop Kar, Daniel Krutz, Travis Desell

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 uma máquina complexa usando peças de Lego para resolver um quebra-cabeça específico. Normalmente, engenheiros têm que projetar manualmente o projeto, decidindo exatamente onde cada peça vai, quais cores usar e como elas se conectam. Se eles errarem, a máquina pode ser grande demais, lenta demais ou simplesmente não funcionar.

Este artigo apresenta uma nova maneira de projetar essas "máquinas", mas em vez de peças de Lego, usamos circuitos quânticos (os projetos para computadores quânticos) e, em vez de um engenheiro humano, usamos um processo de evolução digital para fazer o design.

Aqui está a divisão da abordagem deles, chamada EXAQC, usando analogias simples:

1. O Problema: O "Arquiteto Cego"

Projetar circuitos quânticos é incrivelmente difícil. O número de maneiras de organizar as partes (portas/gates) e conectá-las (fios/wires) é astronômico.

O Jeito Antigo: Humanos tentam adivinhar o melhor design ou usam modelos rígidos. É como tentar construir uma casa usando apenas paredes pré-fabricadas e nunca mudar a planta baixa. Isso geralmente não se ajusta ao problema específico ou ao hardware em que será executado.
O Novo Jeito (EXAQC): Em vez de um arquiteto humano, os autores utilizam um processo de "seleção natural digital". Eles deixam o computador "evoluir" o melhor design de circuito ao longo do tempo, assim como a natureza evolui os animais para sobreviverem ao seu ambiente.

2. Como a Evolução Funciona: O "Darwinismo Digital"

Os pesquisadores criaram um sistema onde os circuitos quânticos são tratados como organismos vivos com DNA (chamado de genoma).

O DNA: O "genoma" é uma lista de instruções dizendo ao computador quântico quais portas usar, quais qubits conectar e em que ordem.
Mutação (Mudanças Aleatórias): Assim como as mutações biológicas, o sistema altera os circuitos aleatoriamente. Ele pode:
- Adicionar uma nova porta (como adicionar um novo cômodo a uma casa).
- Desativar uma porta (remover um cômodo inútil).
- Trocar fios (reorganizar o encanamento).
- Reordenar etapas (mudar a sequência de instruções).
Crossover (Cruzamento): O sistema pega dois circuitos bem-sucedidos e os "cruza". Ele mistura o DNA deles para criar um "filho" circuito que, espera-se, herde as melhores características de ambos os pais. Eles até inventaram formas especiais de misturar o DNA de quatro pais de uma só vez, não apenas dois.

3. O Treinamento: "Aprender Fazendo"

Uma vez que um novo circuito nasce, ele tem que provar seu valor. O sistema testa esse circuito de duas maneiras principais:

O Teste do "Professor" (Imitação): O computador recebe um circuito "perfeito" (o professor) e deve copiar seu comportamento. Se o novo circuito agir exatamente como o professor, ele recebe uma pontuação alta. Isso é como um aluno tentando imitar perfeitamente a performance de um mestre pianista.
O Teste do "Questionário" (Classificação): O circuito recebe um conjunto de dados padrão (como classificar fotos de flores ou vinhos). Ele deve analisar os dados e fazer um palpite. Se ele acertar o palpite, recebe uma pontuação alta. Isso é como um aluno fazendo uma prova de múltipla escolha.

Os circuitos que obtêm as pontuações mais altas conseguem se "reproduzir" e passar seus genes para a próxima geração. Aqueles que falham são descartados. Ao longo de centenas de gerações, a população de circuitos torna-se mais inteligente e eficiente.

4. Os Resultados: O Que Eles Descobriram?

Os autores rodaram esse processo evolutivo em vários conjuntos de dados do mundo real (como o famoso conjunto de dados Iris e os dados de Câncer de Mama) e em quebra-cabeças quânticos sintéticos.

Pontuações Altas: Os circuitos evoluídos foram capazes de resolver problemas de classificação com mais de 90% de precisão na maioria dos testes.
Imitação Perfeita: Quando solicitados a copiar um circuito "professor", os circuitos evoluídos alcançaram de 98% a 100% de fidelidade (significando que eram quase idênticos ao alvo).
Designs Surpreendentes: Os circuitos não apenas copiaram o professor; às vezes, eles encontraram formas diferentes de resolver o mesmo problema. Por exemplo, para agir como uma porta de "não fazer nada" (identidade), um circuito evoluído usou uma porta específica duas vezes seguidas para se cancelar, enquanto outro usou um truque completamente diferente. Isso mostra que o sistema é criativo, não apenas um imitador.

5. Por Que Isso Importa

O artigo argumenta que este método é poderoso porque:

É Flexível: Funciona com diferentes ferramentas de software (Qiskit e Pennylane), portanto, não está preso a uma marca específica de computador quântico.
É Automatizado: Não precisa de um humano para decidir a estrutura; o sistema descobre sozinho a melhor forma, profundidade e conexões.
É Eficiente: Encontrou boas soluções com um número relativamente pequeno de tentativas (apenas 500 "gerações" de circuitos foram testadas em seus experimentos).

Em resumo: O artigo apresenta um simulador de "sobrevivência do mais apto" que projeta automaticamente circuitos quânticos. Em vez de humanos adivinharem o melhor layout, o computador tenta milhares de variações aleatórias, mantém as que funcionam melhor e as cruza até criar uma máquina quântica altamente eficiente e capaz de resolver problemas.

Resumo Técnico: Investigando Designs de Circuitos Quânticos Usando Neuro-Evolução

Definição do Problema

O design de Circuitos Quânticos Parametrizados (PQCs) eficazes permanece um gargalo significativo no Aprendizado de Máquina Quântico (QML). A estrutura de um circuito quântico — especificamente seus tipos de portas, conectividade de qubits, parametrização e profundidade — dita fundamentalmente sua expressividade, treinabilidade e robustez ao ruído. As abordagens atuais dependem fortemente de templates criados manualmente ou heurísticas fixas, que frequentemente falham em generalizar para diferentes tarefas ou restrições de hardware. Esses designs estáticos podem sofrer de problemas como platôs estéreis (barren plateaus), sinais de gradiente fracos ou emaranhamento insuficiente. Embora a Busca de Arquitetura de Redes Neurais Quânticas (QNAS) automatizada exista, muitos métodos existentes são limitados por espaços de busca rasos, alta sobrecarga computacional ou falta de flexibilidade para suportar diferentes backends quânticos e funções objetivo.

Metodologia: EXAQC

Os autores propõem o Evolutionary eXploration of Augmenting Quantum Circuits (EXAQC), um framework neuro-evolucionário para o design e treinamento automatizados de circuitos quânticos. Inspirado pelos algoritmos EXAMM e EXA-GP, o EXAQC trata os circuitos quânticos como "genomas" mutáveis que evoluem para otimizar tanto a estrutura quanto os parâmetros simultaneamente.

1. Representação do Genoma

Ao contrário de representações de tamanho fixo, o EXAQC utiliza uma lista ilimitada de portas. Um genoma consiste em:

Identificadores de qubits de entrada e saída.
Uma lista de portas, onde cada porta inclui um valor de profundidade ( $0.0 \le d \le 1.0$ ), conexões de qubits de entrada/saída, parâmetros treináveis (se aplicável) e um número de inovação.
O número de inovação permite que o sistema rastreie estruturas homólogas entre diferentes genomas, facilitando o crossover efetivo.

2. Operadores Evolutivos

O EXAQC emprega uma abordagem híbrida evolucionária-variacional onde mudanças estruturais são impulsionadas pela evolução, enquanto os parâmetros são otimizados via aprendizado baseado em gradiente (otimizador Adam).

Operadores de Mutação:
- Adicionar Porta (Add Gate): Insere uma nova porta em uma profundidade aleatória, selecionando qubits de entrada/saída com base na análise de conectividade para garantir que a porta contribua para o cálculo.
- Habilitar/Desabilitar Porta (Enable/Disable Gate): Alterna a atividade de portas existentes.
- Reordenar Porta (Reorder Gate): Move uma porta para uma nova profundidade.
- Trocar Qubits (Swap Qubits): Reatribui as conexões de qubits de uma porta.
- Verificação de Restrição: Após a mutação, uma travessia direta (forward traversal) garante que pelo menos uma entrada flua para uma saída; genomas inválidos são descartados.
Operadores de Crossover:
- Crossover Binário: Combina dois pais, preservando inovações compartilhadas e retendo probabilisticamente inovações únicas do pai mais apto ( $best\_keep\_rate$ ) ou do pai menos apto ( $other\_keep\_rate$ ).
- Crossover N-ário: Estende o crossover para múltiplos pais (ex: $n=4$ ), usando uma abordagem de simplex randomizado para recombinar parâmetros.
- Crossover Exponencial: Divide os pais em um ponto de crossover de profundidade aleatória, pegando as portas de menor profundidade de um pai e as portas de maior profundidade de outro.
Herança de Pesos Lamarckiana: Para reduzir os custos de retropropagação, os pesos de pais bem-sucedidos são herdados e refinados em vez de serem reinicializados.

3. Agnosticismo de Backend e Funções de Perda

O framework é projetado para ser agnóstico ao backend, suportando tanto Qiskit quanto PennyLane. Ele suporta dois modos primários de otimização:

Imitação do Professor (Baseada em Fidelidade): Quando um circuito "professor" alvo existe, o sistema minimiza a perda entre o estado do candidato e o estado do professor. As métricas incluem Fidelidade ( $1 - |\langle \phi | \psi \rangle|^2$ ) e Distância Angular.
Aprendizado Supervisionado (Baseado em Leitura/Readout): Para conjuntos de dados clássicos, o sistema utiliza perdas baseadas em medição. Isso inclui Entropia Cruzada (Cross-Entropy) nas probabilidades marginais de leitura para classificação, Divergência de Kullback-Leibler (KL) e Erro Quadrático Médio (MSE) de Observável para restrições alinhadas ao hardware.

Principais Contribuições

Framework Unificado: Introdução do EXAQC, um sistema que otimiza conjuntamente a topologia do circuito (tipos de portas, conectividade, profundidade) e parâmetros para aprendizado supervisionado e emulação de circuitos.
Agnosticismo de Backend: Um pipeline de treinamento flexível compatível com PennyLane e Qiskit, permitindo que a mesma representação evolucionária seja avaliada sob diferentes modelos de execução.
Formulações de Perda Flexíveis: A capacidade de alternar entre supervisão baseada em fidelidade (para emulação de circuito alvo) e perdas baseadas em leitura (para classificação de dados clássicos) dentro de um pipeline consistente.
Estratégias de Crossover Inovadoras: Adaptação de técnicas de crossover neuroevolucionário (N-ário e Exponencial) especificamente para listas ordenadas de portas quânticas.

Resultados Experimentais

Os autores avaliaram o EXAQC em quatro conjuntos de dados de referência UCI (Iris, Wine, Seeds, Breast Cancer) e um conjunto de circuitos quânticos "professor" sintéticos.

Desempenho de Classificação: Usando um orçamento computacional modesto (500 genomas avaliados), os circuitos evoluídos alcançaram alta precisão nos conjuntos de dados de referência. Por exemplo, o conjunto Iris atingiu até 90,0% de precisão, e o Seeds atingiu 95,2%. Os resultados indicaram uma correlação entre a complexidade do circuito (número de portas) e o desempenho, sugerindo que tempos de busca mais longos poderiam render melhorias adicionais.
Emulação de Circuito: O sistema aprendeu com sucesso a emular comportamentos alvo nos benchmarks de professor:
- Baseline (Porta Única): Alcançou 100% de fidelidade em 3–5 genomas.
- Geradores de Estado de Bell: Alcançou 98,32% de fidelidade.
- Circuitos Controlados por Entrada: Alcançou 94,11% de fidelidade.
- Circuitos de Múltiplas Camadas: Alcançou 91,73% de fidelidade após explorar mais de 800 genomas.
Descoberta Estrutural: O sistema descobriu topologias de circuitos não triviais organicamente. Em alguns casos, os circuitos evoluídos alcançaram alta fidelidade usando mecanismos estruturalmente diferentes do professor (ex: aplicando uma porta Hadamard duas vezes para simular uma porta Identidade).

Significância e Alegações

O artigo posiciona o EXAQC como uma metodologia prática e escalável para descobrir circuitos quânticos "conscientes do problema" (problem-aware). Os autores alegam que a busca evolucionária é uma ferramenta crítica para o avanço do QML porque pode navegar no espaço combinatório de tipos de portas e conectividade sem depender de templates fixos.

A significância do trabalho reside na demonstração de que:

Algoritmos evolucionários podem descobrir efetivamente estruturas de circuitos que generalizam através de diferentes conjuntos de dados e restrições de hardware.
Um framework unificado pode lidar tanto com tarefas orientadas pela física (emulação de estados quânticos) quanto tarefas orientadas por dados (classificação de dados clássicos) sem alterar a maquinaria evolucionária subjacente.
A abordagem fornece um caminho principista para o design de circuitos quânticos escaláveis, indo além do design heurístico manual em direção à descoberta automatizada e adaptativa.

Os autores mantêm-se modestos quanto às implicações futuras, observando que, embora a implementação atual utilize uma população de estado estacionário única e otimização de objetivo único, o framework foi desenhado para ser extensível a estratégias de múltiplos objetivos e modelos de ilha em trabalhos futuros. Eles enfatizam que os resultados atuais servem como uma prova de conceito para a viabilidade da neuro-evolução na busca de arquitetura quântica.