Experimental Realization of the Markov Chain Monte Carlo Algorithm on a Quantum Computer

Este artigo relata a implementação experimental do algoritmo de Monte Carlo via Cadeia de Markov quântica (qMCMC) nos computadores quânticos Quantinuum H2 e Helios, demonstrando a viabilidade de obter resultados precisos em hardware quântico de escala intermediária ruidosa (NISQ) utilizando codificações de cadeias de Markov para preparar estados quânticos.

O essencial

Imagine que você precisa encontrar a melhor rota para entregar pacotes em uma cidade gigante, mas o mapa é tão complexo que calcular o caminho perfeito levaria séculos para um computador comum. É aqui que entra a Computação Quântica, que promete resolver esses problemas muito mais rápido.

Este artigo é como um "diário de bordo" de uma equipe de cientistas que decidiu testar se as máquinas quânticas atuais (que ainda são um pouco "gastas" e barulhentas) já são boas o suficiente para realizar uma tarefa específica: simular um processo de tomada de decisão chamado "Cadeia de Markov".

Vamos descomplicar os conceitos usando analogias do dia a dia:

1. O Problema: A "Bússola" Perfeita vs. O "Caminho Aleatório"

Na vida real, muitas vezes usamos métodos de "tentativa e erro" para encontrar padrões. Imagine que você está em um labirinto e quer saber onde está a saída. Um método clássico (como o Monte Carlo) seria: "Caminhe aleatoriamente, anote onde você passou, repita milhões de vezes e veja onde você mais aparece". Isso funciona, mas é lento.

A Computação Quântica promete fazer isso de forma "quadrática" mais rápida. É como se, em vez de caminhar pelo labirinto, você pudesse criar uma "onda" que passa por todos os caminhos ao mesmo tempo e revela a saída instantaneamente.

2. A Missão: Testar o Motor Quântico

Os autores (da Qubit Pharmaceuticals e da Universidade de Sorbonne, em parceria com a Singapore) queriam ver se os computadores quânticos da empresa Quantinuum (modelos H2 e Helios) conseguiam rodar esse algoritmo de "Cadeia de Markov Quântica" (qMCMC) na prática.

Eles não estavam apenas olhando para a teoria; eles estavam "colocando a mão na massa" em máquinas reais que ainda têm ruído (erros), chamadas de dispositivos NISQ (Computadores Quânticos de Escala Intermediária e Ruidosa).

3. As Ferramentas: Como eles "ensinaram" o computador?

Para fazer o computador quântico entender a matemática do labirinto, eles precisaram "traduzir" as regras do jogo para a linguagem das máquinas. Eles testaram quatro métodos diferentes de tradução (chamados de encodings):

• A "Sopa de Letras" (Combinação Linear de Unitárias): Imagine que você tem duas receitas de bolo (duas operações quânticas). Em vez de escolher uma, você mistura os ingredientes de ambas em proporções específicas para criar uma nova receita que faz exatamente o que você quer. Eles usaram essa técnica para preparar o estado inicial.
• O "Espelho Mágico" (Método de Szegedy): Imagine que você tem um espelho que reflete o caminho de volta. Se você caminha para a esquerda, o espelho mostra que você também pode ter vindo da direita. Esse método usa um truque matemático para garantir que, se você seguir o espelho, acabará no lugar certo (o estado estacionário).
• O "Troca de Lugares" (Controlled-SWAP): Imagine dois amigos trocando de lugar em uma fila. Se um deles aceita a troca, eles ficam; se não, voltam ao original. Eles usaram essa lógica para simular as decisões de um algoritmo famoso chamado Metropolis-Hastings.
• O "Espaço Duplo" (Dual Space): Em vez de olhar apenas para a pessoa que está tomando a decisão, eles olharam para a pessoa e para o "fantasma" dela ao mesmo tempo. Isso evita ter que calcular probabilidades de aceitação/rejeição de forma cara, tornando o processo mais eficiente.

4. O Resultado: Funcionou?

Aqui está a parte mais emocionante: Sim, funcionou!

Mesmo com as máquinas sendo "ruidosas" (como tentar ouvir uma música clássica em um show de rock), eles conseguiram resultados precisos.

• Eles prepararam o estado quântico (o "mapa" do labirinto) com sucesso.
• Eles estimaram o valor médio de uma função (a "melhor rota") com cerca de 90% de precisão.
• Eles provaram que o computador quântico conseguiu manter o estado correto mesmo após aplicar várias operações complexas.

5. A Conclusão: O Futuro é Agora (quase)

O artigo diz que, embora ainda não tenhamos computadores quânticos perfeitos e sem erros (que corrigem seus próprios defeitos automaticamente), já podemos fazer coisas incríveis com os que temos hoje.

A analogia final:
Imagine que você está tentando pilotar um avião de papel em um dia ventoso. A maioria das pessoas diria: "É impossível voar longe, o vento vai derrubar". Mas esses cientistas pegaram o avião, ajustaram as asas (os algoritmos), voaram contra o vento (o ruído do computador) e conseguiram chegar ao destino com uma precisão surpreendente.

Isso é um "proof of concept" (prova de conceito) gigante. Significa que, em breve, poderemos usar essas máquinas para:

• Descobrir novos medicamentos (simulando moléculas).
• Otimizar o tráfego de cidades inteiras.
• Melhorar a inteligência artificial.

Eles provaram que a tecnologia já está madura o suficiente para começar a resolver problemas reais, mesmo que ainda precise de um pouco de "ajuste fino" para ficar perfeita.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Experimental Realization of the Markov Chain Monte Carlo Algorithm on a Quantum Computer", apresentado em português:

Título: Realização Experimental do Algoritmo de Monte Carlo via Cadeia de Markov em um Computador Quântico

Autores: Baptiste Claudon, Sergi Ramos-Calderer e Jean-Philip Piquemal.
Data: 10 de março de 2026 (Nota: O documento apresenta uma data futura, sugerindo um cenário de pesquisa prospectivo ou uma simulação de publicação futura).
Hardware Utilizado: Computadores quânticos de íons aprisionados da Quantinuum (H2-1, H2-2 e Helios).

---

1. O Problema

Os algoritmos quânticos prometem uma melhoria quadrática na complexidade para certas tarefas de amostragem em comparação com os métodos clássicos. Especificamente, o algoritmo de Estimação de Amplitude Quântica (QAE) pode acelerar a estimativa da média de funções, desde que se tenha acesso ao estado quântico que codifica a distribuição de probabilidade de interesse.

No entanto, na prática clássica, amostras de distribuições complexas são frequentemente obtidas executando passos de uma Cadeia de Markov até que a distribuição atinja sua medida estacionária. O desafio central é: como codificar essas cadeias de Markov (que são operadores estocásticos não unitários) em operações unitárias quânticas para que possam ser executadas em hardware real, especialmente no regime de Escala Intermediária Ruidosa (NISQ), onde o ruído e os erros são limitantes significativos?

2. Metodologia

Os autores realizaram uma implementação experimental abrangente de várias técnicas de codificação de Cadeias de Markov em computadores quânticos de íons aprisionados. O estudo focou em cadeias de dois estados ($S = \{0, 1\}$) com um núcleo de Markov específico ($P$) que possui uma distribuição estacionária uniforme.

A metodologia envolveu quatro abordagens principais de codificação e verificação:

1. Combinação Linear de Unitários (LCU):

   • O núcleo de Markov $P$ foi expresso como uma soma ponderada de operadores unitários ($P = (1-\delta)I + \delta X$).
   • Foi construído um operador de passeio quântico (qubitized walk operator) $W$ usando essa decomposição.
   • O estado estacionário $|\pi\rangle$ foi preparado utilizando estimativa de fase e pós-seleção.
   • A estimativa da média de uma função foi realizada usando o algoritmo QAE.

2. Método de Szegedy (Quantização):

   • Utilizou-se a quantização de Szegedy, que define um operador unitário $O$ que codifica as transições de probabilidade.
   • O operador de passeio quântico $W$ foi construído a partir de $O$ e do operador de troca (SWAP).
   • O objetivo foi preparar o estado estacionário e verificar a fidelidade da preparação.

3. Codificação Controlled-SWAP (Metropolis-Hastings):

   • O núcleo foi tratado como um kernel de Metropolis-Hastings, onde as propostas são aceitas com uma certa probabilidade.
   • Utilizou-se um circuito que codifica o processo de aceitação/rejeição diretamente nos qubits, evitando a sobrecarga de rastrear probabilidades de aceitação explicitamente.

4. Espaço Dual (Dual Space) e Verificação de Autoestados:

   • Foi implementado um método que codifica o operador de passo quântico no espaço de pares de estados (espaço dual), generalizando o método de Metropolis-Hastings.
   • Experimento de Validação: Preparou-se um estado inicial $V|0\rangle$ projetado para ser um autoestado do operador de passeio $W$. Aplicou-se $W$ e mediu-se a sobreposição (overlap) entre o estado inicial e o estado final. Se a implementação for correta, o estado deve permanecer inalterado (autovalor 1).

3. Contribuições Chave

• Realização Experimental em NISQ: Demonstração bem-sucedida de algoritmos de Monte Carlo via Cadeia de Markov (qMCMC) em hardware quântico real (Quantinuum H2 e Helios), operando diretamente em qubits físicos sem correção de erros completa.
• Comparação de Técnicas de Codificação: Avaliação experimental direta de diferentes esquemas de codificação (LCU, Szegedy, Controlled-SWAP e Espaço Dual) para a mesma tarefa, fornecendo dados sobre a robustez de cada método contra o ruído.
• Validação de Circuitos Profundos: Teste de circuitos com profundidade de até ~250 portas elementares (ou ~500 portas em alguns casos de validação), estabelecendo limites práticos atuais para a fidelidade em dispositivos NISQ.
• Prova de Conceito para Aceleração Quadrática: Validação dos sub-rotinas necessárias para o QAE, que é o componente crítico para obter a vantagem quadrática em problemas de integração e amostragem.

4. Resultados

• Preparação de Estado (LCU): O estado estacionário foi preparado com sucesso. A estimativa da média da função $f(x)$ resultou no valor esperado em 90% dos experimentos. O circuito utilizou 237 portas em 6 qubits.
• Método de Szegedy: A taxa de sucesso na preparação do estado foi de 0,5 (50%), exatamente como previsto teoricamente pela sobreposição quadrada entre a distribuição inicial e a estacionária. Os resultados experimentais estiveram em perfeita concordância com a teoria.
• Codificação Controlled-SWAP: A taxa de sucesso na medição da fase 0 (indicando o estado estacionário correto) foi de 93%.
• Validação do Espaço Dual: Ao aplicar o operador de passeio $W$ ao autoestado esperado, a sobreposição quadrada medida foi de aproximadamente 2/3. O dispositivo Helios obteve os melhores resultados.
• Limites de Hardware: Os autores concluem que circuitos com profundidade correspondente a cerca de 250 portas elementares ainda podem fornecer estimativas de Monte Carlo quantitativamente significativas em dispositivos NISQ atuais. Circuitos com cerca de 500 portas começam a atingir os limites de fidelidade dos dispositivos H2 e Helios.

5. Significado e Conclusão

Este trabalho representa um marco importante na computação quântica aplicada, provando que algoritmos complexos de amostragem probabilística podem ser executados com sucesso em hardware quântico ruidoso atual.

• Viabilidade Prática: Demonstra que, mesmo sem correção de erros total, é possível extrair resultados úteis de algoritmos quânticos para simulações físicas e químicas.
• Caminho Futuro: Os resultados sugerem que, com a melhoria na qualidade das portas (gate quality) em dispositivos de próxima geração, será possível realizar experimentos maiores e mais precisos.
• Impacto Amplo: A abordagem oferece uma utilidade ampla para áreas como física estatística, química computacional, inferência bayesiana e otimização em aprendizado de máquina, ao habilitar a aceleração quadrática prometida pelo QAE em problemas de integração de alta dimensão.

Em suma, o artigo fornece uma "prova de conceito decisiva" para a escalabilidade de simulações de hardware quântico, validando a interseção entre o conhecimento profundo do dispositivo físico e o desenvolvimento de protocolos algorítmicos eficientes.