Surrogate-Guided Quantum Discovery in Black-Box Landscapes with Latent-Quadratic Interaction Embedding Transformers

Resumo Técnico: Descoberta Quântica Guiada por Surrogates em Paisagens de Caixa-Preta com Transformers de Incorporação de Interação Quadrática Latente (QET)

1. O Problema

O desafio central abordado é a descoberta de configurações que sejam simultaneamente de alta utilidade e estruturalmente diversas em cenários de "caixa-preta" (black-box). Em muitos domínios científicos e industriais (como design de moléculas ou testes de estresse financeiro), o objetivo não é encontrar um único ponto ótimo global, mas sim um portfólio de soluções diversas que representem diferentes modos de falha ou sucesso.

Os métodos atuais enfrentam dois grandes obstáculos:

• Otimizadores Clássicos: Métodos evolutivos e de enxame tendem ao "colapso de modo" (convergem para um único ponto), enquanto métodos de Qualidade-Diversidade (QD) exigem um orçamento de avaliações muito alto para preencher arquivos de soluções em espaços de alta dimensão.
• Algoritmos Quânticos (QAOA): Embora o QAOA permita amostragem probabilística (o que naturalmente ajuda na diversidade), ele exige um Hamiltoniano do problema explícito. Em cenários de caixa-preta, esse Hamiltoniano é desconhecido e não pode ser acessado diretamente.

2. Metodologia Proposta

Os autores propõem o framework QET-QAOA, que utiliza uma arquitetura de aprendizado profundo para construir um Hamiltoniano substituto (surrogate) a partir de dados observacionais. O processo divide-se em três fases:

A. Aprendizado de Incorporação (QET - Latent-Quadratic Interaction Embedding Transformer):

• Em vez de usar modelos lineares ou apenas de pares (como Factorization Machines - FM), o QET utiliza um Transformer Encoder com mecanismo de auto-atenção (self-attention).
• O Transformer captura dependências de ordem superior entre as variáveis de decisão.
• Essas interações complexas são então projetadas em uma forma quadrática válida e Semidefinida Positiva (PSD) através de uma matriz de Gram ($Q = V_{eff}V_{eff}^T$). Isso garante que o modelo resultante seja compatível com representações Ising/QUBO.

B. Construção do Hamiltoniano:

• A matriz quadrática aprendida é convertida em um Hamiltoniano de Custo ($H_C$) para o algoritmo quântico.
• Os autores introduzem também o QAOA-Corr (Correlated Mixer), um mixer de Hamiltoniano que utiliza a estrutura de dependências aprendida para permitir que o sistema quântico "tunnele" de forma mais eficiente através de barreiras de energia, respeitando as correlações entre variáveis.

C. Amostragem Quântica para Diversidade:

• O QAOA é reconfigurado: em vez de buscar o estado fundamental (o mínimo absoluto), ele é usado como um amostrador de diversidade com baixa profundidade de circuito ($p=2$), visando popular múltiplos vales de baixa energia (múltiplos modos de solução) simultaneamente.

3. Principais Contribuições

1. Ponte Deep Learning-Quântica: Introdução do QET, que transforma dependências de ordem superior capturadas por Transformers em Hamiltonianos quadráticos realizáveis.
2. Mudança de Paradigma no QAOA: Reenquadramento do QAOA de um otimizador de ponto único para um amostrador de diversidade estruturada.
3. Mecanismo de Projeção de Ordem Superior: Capacidade de projetar interações complexas (ex: $x_i x_j x_k$) em um modelo quadrático eficiente para hardware NISQ (Near-Term Quantum), sem o custo computacional de portas de ordem superior.

4. Resultados Experimentais

O framework foi testado em um cenário de processamento de documentos inteligentes (IDP) para descobrir configurações de risco (falhas de OCR/layout).

• Descoberta de Outliers (Tail Risk): O método QET-QAOA-Corr recuperou aproximadamente o dobro de casos extremos (outliers) de risco estrutural em comparação com as linhas de base clássicas.
• Exclusividade de Descoberta: O método identificou um subespaço de utilidade exclusivo (cerca de 4-5%) que nenhum outro método clássico conseguiu encontrar.
• Fidelidade e Generalização: O QET alcançou um $R^2 \approx 0.84$ na predição do risco, demonstrando que as amostras geradas pelo método quântico são altamente informativas para mapear a paisagem global (maior ganho de informação).
• Comparação QET vs. FM: Enquanto o modelo FM (Factorization Machine) é bom para cobertura ampla, o QET é superior na descoberta de extremos e na manutenção da diversidade dos "elites" (as melhores soluções encontradas).

5. Significância

O trabalho demonstra que a integração de modelos de atenção (Transformers) com algoritmos quânticos de amostragem pode superar as limitações de busca em problemas de caixa-preta de alta dimensão. A capacidade de aprender a "topologia latente" de um problema e projetá-la em um Hamiltoniano torna a computação quântica uma ferramenta prática para a descoberta científica e garantia de confiabilidade, onde encontrar múltiplos modos de falha é mais importante do que encontrar um único ponto de otimização.