⚛️ quantum physics

Sequence and Image Transformations with Monarq: Quantum Implementations for NISQ Devices

Este artigo apresenta o framework Monarq, que integra codificação QCrank e o protocolo EHands para realizar transformações polinomiais em dados quânticos, demonstrando a viabilidade de processamento de sinais e imagens, como convolução e detecção de bordas, em dispositivos NISQ.

Autores originais: Jan Balewski, Roel Van Beeumen, E. Wes Bethel, Talita Perciano

Publicado 2026-03-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jan Balewski, Roel Van Beeumen, E. Wes Bethel, Talita Perciano

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

🎹 Monarq: Ensinando Computadores Quânticos a "Ver" e "Calcular"

Imagine que você tem um piano de concerto superpoderoso (o computador quântico). Ele pode tocar músicas que nenhum outro instrumento consegue. O problema é que, hoje, esse piano está num quarto com o teto caindo, o ar-condicionado faz barulho e os teclados estão um pouco soltos. Ele é incrível, mas barulhento e instável.

Esse é o estado atual da tecnologia quântica (chamada de NISQ). O artigo que você pediu para explicar apresenta uma nova ferramenta chamada Monarq. O objetivo não é fazer o piano tocar mais rápido que um violão (ainda não é mais rápido que os computadores comuns), mas sim provar que ele consegue tocar uma música reconhecível mesmo com o teto caindo.

1. O Grande Problema: Como colocar dados no piano?

Para um computador quântico processar uma foto ou um sinal de áudio, primeiro você precisa transformar esses dados em "notas" que ele entende.

O Desafio: Colocar dados em um computador quântico é como tentar enfiar um elefante em um carro esportivo. Se você tentar forçar, o carro quebra (o computador erra).
A Solução (QCrank): Os autores criaram um sistema chamado QCrank. Pense nele como um elevador de carga inteligente. Em vez de subir o elefante degrau por degrau, o elevador leva o elefante inteiro de uma vez, organizando-o perfeitamente dentro do carro. Isso permite que dados reais (como pixels de uma imagem) entrem no computador quântico de forma rápida e organizada.

2. O Grande Problema: Como fazer a matemática?

Depois que os dados estão lá dentro, o computador precisa fazer cálculos (como somar, multiplicar ou encontrar bordas em uma imagem).

O Desafio: A maioria das instruções matemáticas quânticas é como tentar construir um castelo de cartas com um ventilador ligado. Uma pequena vibração (ruído) derruba tudo.
A Solução (EHands): Eles usaram um protocolo chamado EHands. Imagine que é uma caixa de ferramentas de precisão. Em vez de tentar construir o castelo inteiro de uma vez, o EHands usa peças simples (como somar ou multiplicar dois números) que são tão robustas que aguentam o barulho do ventilador.

3. A Magia do Monarq: A Integração

O grande trunfo do artigo é que o QCrank (o elevador) e o EHands (a caixa de ferramentas) falam a mesma língua.

A Analogia: É como se você tivesse um cabo USB-C que serve tanto para carregar seu celular quanto para conectar seu fone de ouvido, sem precisar de adaptadores.
O Resultado: O Monarq é o nome dessa "fábrica" completa. Você coloca a foto (QCrank), ela passa pelas ferramentas matemáticas (EHands) e sai um resultado processado.

4. O Que Eles Testaram? (Os 4 Exercícios)

Para provar que a máquina funciona, eles pediram para ela fazer quatro tarefas clássicas de processamento de imagem e sinal:

Convolução (Misturar Ingredientes): Imagine que você tem duas listas de números e quer multiplicá-los um por um. O computador quântico fez isso como se estivesse misturando dois sucos ao mesmo tempo.
Transformada de Fourier (O Analisador de Som): Imagine uma música. O computador precisa dizer quais notas (frequências) estão tocando. O Monarq conseguiu "ouvir" as frequências de um sinal simulado de ondas gravitacionais (como se fosse o "som" de dois buracos negros se chocando).
Gradiente Quadrado (O Detetive de Contorno): Imagine uma foto em preto e branco. O computador precisa calcular onde a cor muda bruscamente (a sombra de um nariz, por exemplo). Isso é o "gradiente".
Detecção de Bordas (O Rastreador de Contorno): Juntando tudo acima, o computador conseguiu pegar uma foto de bactérias e desenhar apenas as linhas que formam o contorno delas, apagando o fundo.

5. O Resultado: Funcionou?

Aqui precisamos ser honestos. O computador quântico funcionou, mas não foi perfeito.

A Analogia do Desenhista Treme: Imagine tentar desenhar um círculo com a mão trêmula. O desenho vai sair torto.
O que eles fizeram: Eles mediram o quanto o desenho estava torto e usaram um software para "corrigir" a imagem depois (chamado de calibração).
A Conclusão: Com a correção, o desenho ficou reconhecível! Isso prova que, mesmo com o "teto caindo" (o ruído do hardware), é possível fazer cálculos úteis.

6. Resumo Final: Para onde vamos?

Este artigo não diz que o computador quântico vai substituir o seu celular amanhã. Na verdade, os computadores clássicos ainda são muito melhores e mais baratos para isso.

Mas o que este artigo nos diz?
É como os irmãos Wright voando pela primeira vez. O avião voou apenas alguns segundos e caiu logo em seguida. Mas provou que o voo é possível.

O Monarq é esse primeiro voo. Ele mostra que:

Podemos colocar dados reais em máquinas quânticas.
Podemos fazer matemática útil nelas.
Podemos corrigir os erros para obter resultados confiáveis.

É um passo fundamental para o futuro, onde, talvez um dia, essas máquinas possam processar imagens médicas ou sinais complexos de uma forma que os computadores de hoje jamais conseguirão.

Em resumo: Os cientistas criaram uma "ponte" (Monarq) que conecta os dados do mundo real às máquinas quânticas barulhentas de hoje, provando que podemos fazer tarefas úteis de imagem e sinal, mesmo que a máquina precise de um pouco de ajuda para corrigir seus tremores.

Resumo Técnico: Monarq – Implementações Quânticas para Dispositivos NISQ

Título: Sequence and Image Transformations with Monarq: Quantum Implementations for NISQ Devices
Autores: Jan Balewski, Roel Van Beeumen, E. Wes Bethel, Talita Perciano
Instituição: Lawrence Berkeley National Laboratory e San Francisco State University

1. Problema e Motivação

O processamento de sinais e imagens é fundamental em diversas aplicações, desde imagens médicas até sistemas autônomos. Embora operações clássicas como convolução, transformada de Fourier e detecção de bordas sejam bem estabelecidas, a sua implementação em computadores quânticos enfrenta desafios significativos na era dos dispositivos de escala intermediária ruidosa (NISQ).

Desafios Principais: Ruído inerente, tempos de coerência limitados e conectividade restrita de qubits dificultam a tradução de algoritmos teóricos em aplicações práticas.
Questão Central: Implementações quânticas de operações de processamento de dados clássicas podem produzir resultados confiáveis no hardware quântico atual?
Objetivo: Desenvolver blocos de construção quânticos eficazes para operações de processamento de dados, focando em circuitos rasos (shallow circuits) adequados às restrições NISQ, sem necessariamente reivindicar vantagem quântica imediata sobre métodos clássicos.

2. Metodologia: O Framework Monarq

O trabalho apresenta o Monarq, um framework unificado de processamento de dados quânticos que integra dois protocolos existentes: QCrank e EHands.

Integração via Codificação EVEN: A chave da integração é o uso compartilhado do esquema de codificação EVEN (Expectation Value Encoding).
- QCrank (Codificação): Permite a entrada eficiente de sequências de valores reais em processadores quânticos usando portas de rotação paralelas (UCR). Codifica valores reais $x \in [-1, 1]$ no estado de qubits de dados através de rotações $R_y(\theta)$ .
- EHands (Computação): Define operações aritméticas elementares (multiplicação, soma ponderada, negação) que compõem transformações polinomiais com circuitos rasos.
Pipeline de Processamento:
1. Codificar: Dados clássicos (sequências 1D ou imagens 2D) são codificados em estados quânticos usando QCrank.
2. Computar: Operadores EHands atuam nos qubits de dados para realizar transformações polinomiais (ex: produtos, somas) em paralelo sobre todos os endereços codificados.
3. Decodificar: Os resultados são recuperados medindo o valor esperado do operador Pauli-Z nos qubits de saída, condicionados ao registro de endereços.
Vantagem: A compatibilidade de codificação elimina a necessidade de conversão intermediária, permitindo um pipeline de ponta a ponta otimizado para NISQ.

3. Contribuições Principais

Framework Unificado: Introdução do Monarq, integrando QCrank e EHands para processamento de dados polinomiais.
Validação de Quatro Algoritmos: Implementação e teste de:
- Convolução de sequências.
- Transformada Discreta de Fourier (DFT).
- Cálculo de gradiente quadrado.
- Detecção de bordas.
Metodologia de Avaliação: Proposta de uma métrica de precisão baseada em Erro Quadrático Médio (RMSE) comparando resultados quânticos com ground truth clássico, incluindo procedimentos de calibração para atenuação de sinal em hardware real.

4. Resultados Experimentais

Os experimentos foram realizados em processadores quânticos IBM (Pittsburgh, Kingston, Aachen) e simuladores ideais, dependendo da complexidade e limitações de hardware.

Convolução (Hardware Real):
- Configuração: 7 qubits, 32.000 shots, 164 portas CNOT transpiladas.
- Resultado: RMSE de 0,065 após calibração. Demonstrou viabilidade para circuitos com menos de ~200 portas CNOT transpiladas.
Transformada Discreta de Fourier - DFT (Simulador Ideal):
- Aplicação: Sinal de onda gravitacional sintético (512 passos de tempo).
- Configuração: 20 qubits, não medição dos qubits de endereço (para soma in-situ).
- Resultado: Alta fidelidade na amplitude e fase em frequências selecionadas, validando o algoritmo sem ruído de hardware.
Gradiente Quadrado (Hardware Real):
- Configuração: Imagem 32x32 pixels, dividida em 64 tiras. 8 qubits, 252 portas CNOT.
- Resultado: Correspondência visual forte com o cálculo clássico de gradiente. Fator de atenuação de 2,9 foi aplicado na pós-processamento.
Detecção de Bordas (Simulador Ideal):
- Configuração: Imagem de bactérias 192x128 pixels (24 tiles). 20 qubits, >8.000 portas CNOT.
- Resultado: Geração de um mapa binário de bordas limpo, demonstrando a capacidade de executar algoritmos completos de visão computacional em um único circuito quântico (em simulação).

5. Significado e Conclusão

Viabilidade NISQ: O trabalho demonstra que operações complexas de processamento de sinais e imagens são viáveis em hardware NISQ atual, desde que os circuitos sejam suficientemente rasos e otimizados.
Ponte Teoria-Prática: O framework preenche a lacuna entre propostas teóricas de processamento quântico de imagens e implementações práticas em hardware real.
Limitações Atuais: A precisão degrada-se com o aumento do número de portas CNOT e a necessidade de um alto número de shots (até 30 milhões para grandes imagens) para mitigar o ruído estatístico.
Futuro: O Monarq estabelece uma base para futuros algoritmos de aprendizado de máquina quântico e processamento de dados híbridos. Embora a vantagem quântica ainda não tenha sido alcançada, o framework serve como um marco de referência para o desenvolvimento de aplicações intensivas em dados em dispositivos quânticos futuros.

Em suma, o artigo valida o potencial do framework Monarq para realizar transformações de dados fundamentais em dispositivos quânticos atuais, oferecendo uma metodologia robusta para avaliar a precisão e a escalabilidade de algoritmos de processamento de sinais e imagens na era NISQ.