DistributedEstimator: Distributed Training of Quantum Neural Networks via Circuit Cutting

Resumo Técnico: DistributedEstimator – Treinamento Distribuído de Redes Neurais Quânticas via Corte de Circuitos

Declaração do Problema
As cargas de trabalho híbridas quântico-clássicas, particularmente os Algoritmos Quânticos Variacionais (VQAs) para Aprendizado de Máquina Quântica (QML), estão cada vez mais limitadas por restrições de sistemas em vez de puramente algorítmicas. Circuitos práticos frequentemente excedem a largura, profundidade ou confiabilidade de dispositivos de regime intermediário com ruído (NISQ), necessitando de loops de treinamento iterativos que exigem a estimativa repetida de valores de expectativa. Embora o corte de circuitos (ou circuit knitting) ofereça um método fundamentado para decompor circuitos grandes em subcircuitos menores e executáveis de forma independente, trabalhos anteriores caracterizaram amplamente seu overhead apenas em termos de contagem assintótica de subcircuitos e complexidade de amostragem. Permanece uma lacuna significativa na compreensão do impacto nos sistemas de ponta a ponta do corte de circuitos em pipelines de treinamento baseados em estimadores e iterativos. Especificamente, não está claro como os custos de corte se distribuem entre as etapas do pipeline, onde surgem os gargalos sob execução paralela e se a introdução do corte afeta a dinâmica de treinamento, a precisão e a robustez do modelo.

Metodologia
Os autores propõem o DistributedEstimator, um pipeline de execução de estimador consciente do corte que trata o corte de circuitos como uma carga de trabalho distribuída em estágios. O sistema integra-se à stack de aprendizado de máquina do Qiskit (usando EstimatorQNN e TorchConnector) para interceptar consultas de estimador durante passagens diretas (forward passes) e computações de gradiente (via regra de deslocamento de parâmetro).

O pipeline instrumenta quatro fases distintas para cada consulta de estimador:

1. Particionamento: Decomposição do circuito e do observável em subcircuitos e subobserváveis com base em um plano de corte.
2. Geração de Subexperimentos: Criação de subexperimentos concretos e coeficientes de reconstrução.
3. Execução Paralela: Despacho de subexperimentos para um pool de trabalhadores (worker pool).
4. Reconstrução Clássica: Agregação de resultados medidos para reconstruir o valor de expectativa alvo.

O estudo emprega uma abordagem baseada em medição usando rastros de tempo de execução registrados e resultados de aprendizado em duas cargas de trabalho de classificação binária: Iris e MNIST. A avaliação foca em:

• Atribuição de Overhead: Medição do tempo gasto em cada estágio ($T_{part}, T_{gen}, T_{exec}, T_{rec}$).
• Escalabilidade: Análise dos limites de aceleração (speed-up) conforme o número de trabalhadores aumenta.
• Sensibilidade a Stragglers (Atrasados): Injeção de atrasos sintéticos para testar a sensibilidade à latência de cauda.
• Resultados de Aprendizado: Avaliação da precisão de teste e robustez contra ruído Gaussiano e perturbações do Método de Sinal de Gradiente Rápido (FGSM) sob orçamentos de treinamento equivalentes.

Uma distinção metodológica fundamental é a amortização dos custos estruturais. O particionamento e a geração de templates de subexperimentos dependem apenas da estrutura do circuito, não dos parâmetros; estes são computados uma única vez e armazenados em cache, garantindo que os overheads por consulta reflitam apenas a vinculação de parâmetros, execução e reconstrução.

Principais Contribuições

1. Formulação de Pipeline Baseada em Medição: O artigo estabelece uma visão de nível de sistema do corte de circuitos como um pipeline distribuído em estágios, instrumentando explicitamente os overheads entre corte, execução e reconstrução, e integrando isso ao loop de treinamento de QML.
2. Análise Empírica de Escalabilidade: Através de logs por estágio, os autores identificam que a reconstrução clássica torna-se o gargalo dominante, limitando os benefícios do aumento de paralelismo.
3. Análise de Agendamento e Stragglers: O estudo avalia políticas de execução (ansiosa, em lote, escalonada) e demonstra que a sensibilidade a stragglers é modulada pela estrutura do caminho crítico; pipelines dominados pela reconstrução são menos sensíveis a atrasos do lado da execução do que aqueles dominados pela execução.
4. Avaliação de Aprendizado de Ponta a Ponta: O trabalho fornece evidências de que o corte de circuitos preserva a precisão preditiva e a robustez do modelo sob protocolos de treinamento consistentes, distinguindo ganhos de desempenho de mudanças no comportamento de otimização.
5. Caracterização da Barreira Computacional: O artigo documenta o crescimento exponencial do overhead de reconstrução ($O(9^c)$ para $c$ cortes baseados em CNOT) como uma barreira fundamental, limitando o treinamento iterativo prático a poucos qubits com os métodos atuais.

Resultados

• Overhead e Gargalos: A reconstrução constitui uma fração dominante do tempo por consulta, atingindo uma mediana de 53% e um percentil de 95% de 58% com três cortes. Esta barreira serial limita o speed-up alcançável sob aumento de paralelismo, explicando por que adicionar trabalhadores gera retornos decrescentes.
• Limites de Escalabilidade: As razões de speed-up para 16 trabalhadores em relação a 1 trabalhador são próximas ou inferiores a 1, confirmando que o overhead de reconstrução domina o caminho crítico.
• Sensibilidade a Stragglers: Configurações dominadas pela reconstrução mostram menor sensibilidade relativa a stragglers do lado da execução porque o tempo de reconstrução não é afetado por atrasos de execução. Por outro lado, configurações dominadas pela execução amplificam a latência de cauda.
• Precisão e Robustez:
  • Iris: A precisão de teste é totalmente preservada em todas as configurações de corte.
  • MNIST: A precisão é mantida sem degradação sistemática; algumas configurações de corte igualam ou superam a linha de base sem corte, potencialmente devido à regularização implícita do ruído do estimador.
  • Robustez: A robustez a ruído Gaussiano e perturbações FGSM é preservada, com algumas configurações de corte exibindo robustez comparável ou melhorada.
• Validação de Hardware: Uma validação direcionada no processador IBM Quantum ibm_kingston (Heron r2) confirmou que a reconstrução a partir de resultados medidos fisicamente preserva a precisão e a robustez (100% de precisão no conjunto de teste). Notavelmente, o equilíbrio de estágios inverte-se em hardware real: o tempo de execução (incluindo fila e latência do dispositivo) torna-se o custo dominante, enquanto a reconstrução permanece uma fração pequena do tempo total. No entanto, o crescimento exponencial de subexperimentos infla ambos os estágios, mantendo o gargalo estrutural.

Significância e Alegações
O artigo alega que a escalabilidade prática do corte de circuitos para cargas de trabalho de aprendizado requer tratar a reconstrução e agregação como problemas de sistemas de primeira classe. Os autores argumentam que o crescimento exponencial do número de subexperimentos ($O(9^c)$) representa uma barreira computacional fundamental que restringe o treinamento iterativo atual a poucos qubits.

O estudo conclui que:

1. A reconstrução é o principal limitador de escala em ambientes de simulador, necessitando de estratégias para reduzir ou sobrepor este estágio (ex: reconstrução incremental, redução de árvore distribuída).
2. A precisão e a robustez são preservadas, validando o corte de circuitos como uma estratégia de execução de nível de sistema viável que não degrada silenciosamente a qualidade do modelo.
3. Trabalhos futuros devem focar na redução do overhead de reconstrução através de métodos aproximados, redução distribuída e esquemas de corte mais eficientes para tornar o corte prático para cargas de trabalho de QML maiores e do mundo real.

O artigo não afirma que o corte de circuitos elimina a necessidade de dispositivos quânticos maiores ou que resolve o problema do platô estéril (barren plateau); em vez disso, fornece um framework reproduzível para entender os compromissos e gargalos inerentes à execução de pipelines de treinamento baseados em corte hoje.