Closing the Loop: Resource-aware Hybrid NAS Guided by Analytical and Hardware-Calibrated Quantum Cost Modeling

Resumo Técnico: Fechando o Ciclo – NAS Híbrido Consciente de Recursos Guiado por Modelagem de Custo Quântico Analítica e Calibrada em Hardware

1. Problema e Motivação

O artigo aborda um desafio fundamental no desenvolvimento de Redes Neurais Híbridas Quântico-Clássicas (HQNNs): a estimativa imprecisa de custos de recursos de hardware.

• Limitação das Métricas Atuais: Em redes neurais clássicas, a busca por arquitetura (NAS) utiliza frequentemente as Operações de Ponto Flutuante (FLOPs) como proxy para custo computacional. No entanto, para HQNNs, os FLOPs são inadequados porque:
  • Operações quânticas não são computações tensoriais convencionais.
  • Em simuladores quânticos (como o lightning.qubit), os FLOPs podem permanecer constantes ou não refletir o custo real, enquanto o tempo de execução aumenta drasticamente com o número de qubits e a profundidade do circuito.
  • Em hardware real (NISQ), os circuitos quânticos são executados em backends dedicados, contribuindo com zero FLOPs para o perfil clássico, criando uma desconexão total entre a métrica de busca e o custo real.
• Falta de Modelos Realistas: Métodos existentes ignoram fatores críticos do hardware quântico, como:
  • Durações específicas das portas quânticas.
  • Sobrecarga de roteamento (necessidade de portas SWAP devido à conectividade limitada de qubits).
  • Ruído e decoerência, que exigem mais amostragens (shots) para obter resultados confiáveis.
• Consequência: A busca por arquiteturas baseada apenas em FLOPs ou contagem de parâmetros leva a modelos que parecem eficientes no papel, mas são inviáveis ou ineficientes em dispositivos quânticos reais.

2. Metodologia Proposta

Os autores propõem uma abordagem em duas frentes: um novo modelo de custo unificado e um framework de busca por arquitetura (NAS).

A. Modelagem de Custo Unificada Baseada em Tempo
Para superar a incompatibilidade entre domínios, o trabalho converte tanto o custo clássico quanto o quântico para uma unidade física comum: tempo (segundos).

1. Modelo de Custo Clássico:

   • Calcula o tempo de treinamento clássico convertendo os FLOPs totais em tempo de execução.
   • Utiliza uma taxa de transferência (throughput) calibrada em um modelo de referência no dispositivo alvo para estimar o tempo por passo de treinamento.

2. Modelo Analítico de Custo Quântico (O Núcleo da Contribuição):

   • Este modelo estima o tempo de execução quântica sem rodar o circuito no hardware real, utilizando dados de calibração em tempo real do backend (ex: IBM Quantum).
   • O custo total ($T_{quantum}$) é composto por:
     • Tempo de Execução de Portas ($T_{gate}$): Soma das durações das portas de 1 e 2 qubits no circuito transpilado.
     • Sobrecarga de Roteamento ($T_{routing}$): Tempo adicional devido à inserção de portas SWAP para contornar a conectividade limitada do hardware.
     • Penalidade de Confiabilidade (Ruído): Um fator multiplicativo $(1 - p_{fail})^{-1}$ que ajusta o tempo para compensar a ineficiência de amostragem causada por erros de porta e decoerência. Se o hardware tem 90% de confiabilidade, são necessárias ~1.11 execuções extras para obter uma amostra válida.
     • Custo de Gradiente: Considera a regra de parameter-shift, que exige duas avaliações de circuito por parâmetro para calcular gradientes em dispositivos reais.

B. Framework Hyb-HANAS (Hardware-aware Hybrid Neural Architecture Search)

• Algoritmo: Utiliza NSGA-II (Non-dominated Sorting Genetic Algorithm II) para uma busca multi-objetivo.
• Objetivos de Otimização: Minimizar simultaneamente:
  1. Erro de validação (Maximizar precisão).
  2. Custo de hardware total (Tempo clássico + Tempo quântico).
  3. Contagem total de parâmetros.
• Configurações de Busca:
  • Modo CNN Fixa: A parte clássica é constante; apenas a arquitetura quântica é otimizada.
  • Modo CNN Variável: Tanto as camadas clássicas quanto as quânticas co-evoluem, permitindo adaptação cruzada.
• Emulação Hardware-in-the-Loop: O framework treina os modelos em simuladores (usando diferenciação adjunta para eficiência), mas avalia o custo quântico usando o modelo analítico calibrado com dados reais do backend. Isso permite explorar milhares de arquiteturas sem o custo proibitivo de execução em hardware real.

3. Principais Contribuições

1. Identificação da Falha dos FLOPs: Demonstração empírica de que os FLOPs falham em capturar o custo computacional real de camadas quânticas, especialmente em simuladores otimizados e hardware real.
2. Modelo Analítico de Custo Quântico: Um modelo que integra dados de calibração de backend (durações de portas, erros, tempos de coerência) para estimar o tempo de treinamento total, incluindo penalidades de roteamento e ruído.
3. Métrica Unificada de Tempo: A criação de uma métrica comum (segundos) que permite comparar e otimizar diretamente componentes clássicos e quânticos.
4. Framework Hyb-HANAS: A primeira implementação de NAS multi-objetivo para HQNNs que utiliza essa modelagem de custo calibrada, identificando fronteiras de Pareto realistas.
5. Análise de Co-adaptação: Insights sobre como a parte clássica pode compensar limitações quânticas (e vice-versa) para otimizar o desempenho global.

4. Resultados e Análise

• Validação do Modelo: O modelo analítico foi validado contra o agendador (scheduler) do IBM Qiskit. Os tempos estimados alinharam-se estreitamente, com o modelo analítico sendo ligeiramente mais conservador (o que é desejável para planejamento), pois considera todas as portas físicas, enquanto o Qiskit pode tratar certas rotações como tempo zero.
• Resultados do NAS (Modo CNN Fixa):
  • A busca identificou que circuitos quânticos mais rasos e com menos emaranhamento podem atingir precisões comparáveis a circuitos profundos, mas com custos de hardware drasticamente menores.
  • A análise de ablação mostrou que, em circuitos complexos, a sobrecarga de roteamento e as penalidades de confiabilidade (devido ao ruído) dominam o custo total, superando o tempo de execução das portas lógicas originais.
• Resultados do NAS (Modo CNN Variável):
  • A co-otimização revelou uma "fronteira de Pareto" mais rica. O framework aprendeu a compensar: quando a parte clássica é mais profunda e expressiva, o sistema seleciona circuitos quânticos mais simples e baratos. Quando a parte clássica é leve, o sistema opta por designs quânticos mais expressivos, mesmo com custo maior.
  • Isso demonstra que a otimização conjunta é essencial para encontrar soluções globalmente eficientes.

5. Significado e Impacto

Este trabalho é significativo porque "fecha o ciclo" entre o design de arquitetura e as restrições físicas do hardware quântico.

• Viabilidade Prática: Permite que pesquisadores projetem HQNNs que são não apenas precisas, mas também executáveis em dispositivos NISQ atuais, evitando designs teoricamente ótimos mas fisicamente impossíveis.
• Generalidade: O modelo de custo analítico proposto pode ser aplicado além do NAS, servindo para:
  • Benchmarks de compiladores quânticos.
  • Seleção e agendamento de hardware.
  • Estimativa de tempo de treinamento para algoritmos quânticos.
• Mudança de Paradigma: Move a comunidade de métricas abstratas (como contagem de portas ou FLOPs) para métricas baseadas em tempo físico e confiabilidade, alinhando o desenvolvimento de algoritmos de aprendizado de máquina quântico com a realidade dos dispositivos de hoje.

Em suma, o artigo estabelece uma base metodológica robusta para o desenvolvimento eficiente de redes neurais híbridas, garantindo que a busca por arquiteturas considere as verdadeiras limitações e custos do hardware quântico.