Two-Gate Extensions of Free Axis and Free Quaternion Selection for Sequential Optimization of Parameterized Quantum Circuits

Este artigo propõe e avalia as extensões de duas portas, TGF e TGFQS, dos otimizadores Fraxis e FQS para circuitos quânticos parametrizados, demonstrando que a otimização simultânea de dois portões de um único qubit reduz o erro final em comparação com métodos de porta única, embora exija um maior custo de avaliações de circuito.

O essencial

Imagine que você está tentando afinar um piano gigante com milhares de teclas, mas você não pode ouvir o som completo de uma vez. Você só pode tocar uma tecla de cada vez, ouvir o resultado e tentar ajustá-la para soar melhor. Esse é o desafio de otimizar Circuitos Quânticos Parametrizados (PQCs): máquinas quânticas que precisam ser "ajustadas" para resolver problemas complexos, como descobrir a estrutura de novas moléculas ou simular materiais.

Este artigo apresenta uma nova maneira de fazer esse ajuste, tornando-o muito mais eficiente. Vamos usar uma analogia simples para entender o que os autores fizeram.

O Problema: O "Ajuste de Uma Tecla por Vez"

Atualmente, os métodos mais comuns (chamados de Fraxis e FQS) funcionam como um sintonizador de piano muito metódico, mas lento:

1. Eles escolhem uma única tecla (um portão quântico) no circuito.
2. Eles testam várias posições para essa tecla.
3. Eles encontram a posição perfeita para aquela tecla específica.
4. Eles passam para a próxima tecla e repetem o processo.

O problema é que, ao ajustar apenas uma tecla de cada vez, você pode acabar em um "ponto morto" onde a música parece boa, mas não é a melhor possível. É como tentar acertar a melodia inteira movendo apenas um dedo por vez; você pode nunca encontrar a harmonia perfeita porque as teclas precisam trabalhar em conjunto.

A Solução: O "Dúo de Ajuste" (TGF e TGFQS)

Os autores propuseram uma ideia brilhante: por que não ajustar duas teclas ao mesmo tempo?

Eles criaram duas novas ferramentas chamadas TGF (Two-Gate Fraxis) e TGFQS (Two-Gate FQS). Em vez de olhar para uma tecla isolada, essas ferramentas olham para um par de teclas e ajustam ambas simultaneamente para encontrar a melhor combinação.

A Analogia do Quebra-Cabeça:

• Método Antigo (Um por um): Você tenta encaixar uma peça de quebra-cabeça. Se ela não encaixar, você a move um pouco. Depois, pega a próxima peça. É seguro, mas lento e você pode não perceber que duas peças vizinhas precisam ser movidas juntas para que o desenho faça sentido.
• Novo Método (Dois por dois): Você pega duas peças vizinhas e tenta encaixá-las no lugar ao mesmo tempo. Às vezes, a peça A precisa ir um pouco para a esquerda e a peça B um pouco para a direita para que o desenho fique perfeito. O método antigo não conseguiria ver isso, mas o novo método sim.

Como Funciona na Prática?

Para fazer esse ajuste duplo, os autores tiveram que criar uma "fórmula mágica" (uma função matemática complexa) que descreve como essas duas teclas interagem.

• Antes: A matemática era simples (quadrática), fácil de resolver como um quebra-cabeça de 2D.
• Agora: A matemática é mais complexa (quártica), como um quebra-cabeça 3D ou 4D. É mais difícil de calcular, mas o resultado final é muito melhor.

Eles também testaram diferentes formas de escolher quais duas teclas ajustar juntas:

1. Linear: Ajustar a tecla 1 com a 2, a 3 com a 4, etc.
2. Aleatória: Escolher dois números aleatórios.
3. Meio-Deslocada (Half-Shifted): Ajustar a tecla 1 com a tecla que está no meio do circuito, a 2 com a que está um pouco depois, e assim por diante.

A Descoberta Surpreendente:
Eles descobriram que a estratégia "Aleatória" e a "Meio-Deslocada" funcionavam muito melhor do que ajustar teclas vizinhas. É como se, para afinar o piano, fosse melhor tentar combinar uma tecla do grave com uma do agudo, em vez de tentar afinar duas teclas vizinhas do meio. Isso ajuda a "desembaraçar" o circuito mais rápido.

O Custo: Mais Trabalho, Melhor Resultado

Claro, nada é de graça.

• O Custo: Para ajustar duas teclas de uma vez, o computador precisa fazer mais medições (mais "tentativas" no piano). É como se, para afinar duas teclas juntas, você tivesse que tocar o piano 5 vezes mais do que para afinar uma só.
• O Benefício: Apesar de gastar mais energia nas medições, o resultado final é muito mais preciso e rápido de alcançar. Em testes com moléculas (como o Lítio e o Berílio) e modelos de física (como o Modelo de Ising), os novos métodos encontraram a "nota perfeita" (o estado fundamental de energia mais baixa) com muito menos erros do que os métodos antigos.

Resumo em uma Frase

Os autores criaram um novo "sintonizador quântico" que ajusta duas peças do circuito ao mesmo tempo em vez de uma, usando estratégias inteligentes de combinação (como aleatoriedade) para encontrar soluções melhores e mais rápidas, mesmo que isso exija um pouco mais de esforço de medição no processo.

É como passar de tentar consertar um carro parafuso por parafuso, para tentar consertar duas peças conectadas de uma vez só, descobrindo que, às vezes, mexer em peças distantes do carro ajuda a resolver o problema no motor muito mais rápido.

Resumo técnico

1. Problema e Contexto

Os Algoritmos Variacionais Quânticos (VQAs) são uma abordagem promissora para a computação quântica na era NISQ (Noisy Intermediate-Scale Quantum). Eles utilizam circuitos quânticos parametrizados (PQCs) otimizados em um loop híbrido quântico-clássico. No entanto, a otimização de PQCs enfrenta desafios significativos:

• Platôs Estéreis (Barren Plateaus): O gradiente da função de custo desaparece exponencialmente à medida que o número de qubits aumenta, dificultando o treinamento.
• Custo de Medição: A estimativa de observáveis requer um número crescente de medições (shots) à medida que o sistema cresce.
• Limitações dos Otimizadores Sequenciais Atuais: Métodos existentes como Fraxis (Seleção de Eixo Livre) e FQS (Seleção de Quaternião Livre) atualizam apenas um portão de um único qubit por vez. Embora eficientes (resolvendo problemas de otimização local quadrática via diagonalização de matrizes), eles podem convergir lentamente ou ficar presos em ótimos locais, pois ignoram correlações entre portões adjacentes ou distantes no circuito.

O objetivo deste trabalho é superar essas limitações ao estender a otimização sequencial de um único portão para a otimização simultânea de dois portões.

2. Metodologia

Os autores propõem duas novas extensões de dois portões:

• TGF (Two-Gate Fraxis): Extensão do Fraxis.
• TGFQS (Two-Gate Free Quaternion Selection): Extensão do FQS.

Princípios Fundamentais:

1. Otimização Simultânea: Em vez de atualizar um portão $R_d$ de cada vez, o método seleciona um par de portões parametrizados ($R_d$ e $R_k$) e os otimiza simultaneamente, mantendo todos os outros portões fixos.
2. Função de Custo Local Quartica:
   • Para Fraxis/FQS (um portão), a função de custo é quadrática em relação aos parâmetros, permitindo solução analítica via diagonalização de matriz.
   • Para TGF/TGFQS (dois portões), a função de custo torna-se um polinômio quartico em relação às componentes dos quatérnios (ou eixos de rotação).
   • Isso impede uma solução analítica direta. A otimização local é resolvida numericamente usando otimizadores clássicos com restrições (como SLSQP), sujeito à condição de que os quatérnios permaneçam unitários ($|q|=1$).
3. Estratégias de Emparelhamento de Portões:
   Como os dois portões otimizados não precisam ser adjacentes, os autores investigam diferentes estratégias para escolher quais pares de portões otimizar em cada iteração:
   • Linear: Pares consecutivos $(1,2), (3,4), \dots$
   • Aleatório: Pares escolhidos aleatoriamente a cada iteração.
   • Oposto: Pares extremos $(1, D), (2, D-1), \dots$
   • Meio-Deslocado (Half-Shifted): Pares separados por metade do comprimento do circuito $(1, D/2+1), \dots$

Custo Computacional:

A otimização de dois portões exige mais avaliações de circuito para construir a função de custo local:

• Fraxis/FQS: 6 e 10 avaliações de circuito, respectivamente.
• TGF/TGFQS: 36 e 100 avaliações de circuito por par de portões (média de 18 e 50 por portão atualizado).
• Nota: As avaliações de circuito são independentes, permitindo paralelização em múltiplos dispositivos quânticos.

3. Contribuições Principais

1. Formulação Matemática Exata: Derivação de uma função de custo local exata de grau quatro para a otimização simultânea de dois portões arbitrários dentro de um PQC, utilizando a base de Pauli estendida e quatérnios.
2. Novos Algoritmos: Introdução dos otimizadores TGF e TGFQS, que generalizam Fraxis e FQS para atualizações de dois portões.
3. Análise de Estratégias de Emparelhamento: Demonstração de que a escolha de quais portões emparelhar impacta significativamente a convergência, identificando que estratégias aleatórias e meio-deslocadas geralmente superam as estratégias determinísticas lineares ou opostas.
4. Validação Empírica: Testes extensivos em diversos cenários, incluindo Hamiltonianos de spin, moléculas e preparação de estados quânticos.

4. Resultados

Os experimentos foram realizados usando o simulador de vetores de estado (sem ruído) e simulações com ruído de medição (shots finitos) para os seguintes problemas:

• Hamiltonianos de Spin (Fermi-Hubbard e Ising em Campo Transverso):

  • TGF e TGFQS alcançaram erros relativos finais menores em relação à energia do estado fundamental comparado aos métodos de um único portão.
  • As estratégias aleatória e meio-deslocada foram as mais eficazes.
  • Em circuitos rasos, TGF/TGFQS mantiveram a vantagem mesmo com medições limitadas (4096 a 16384 shots), embora TGFQS seja mais sensível ao ruído de medição do que TGF.
  • Ao comparar com o otimizador baseado em gradiente (Adam), TGF/TGFQS (com as melhores estratégias de emparelhamento) alcançaram erros menores, embora exijam mais avaliações de circuito por passo.

• Hamiltonianos Moleculares (LiH e BeH2):

  • Para moléculas de 12 e 14 qubits, os otimizadores de dois portões reduziram drasticamente o erro relativo (melhorias de até ~99% em relação à linha de base em alguns casos).
  • A melhoria foi consistente mesmo com o aumento do custo computacional por iteração.

• Maximização de Fidelidade (Preparação de Estado):

  • Na tarefa de preparar estados quânticos aleatórios, TGF e TGFQS com emparelhamento aleatório ou meio-deslocado alcançaram infidelidades finais menores.
  • A vantagem dos métodos de dois portões aumentou conforme a profundidade do circuito (número de camadas) crescia.

Tabela Resumo de Desempenho (Melhor Estratégia vs. Linha de Base):

• Fermi-Hubbard: Melhoria de 99% (TGF) e 96.7% (TGFQS).
• TFIM (12 qubits): Melhoria de 92% (TGF) e 99.98% (TGFQS).
• LiH/BeH2: Melhorias superiores a 99% em vários cenários.

5. Significado e Conclusão

O trabalho demonstra que a otimização local simultânea de múltiplos portões em circuitos quânticos parametrizados é uma estratégia viável e superior para superar as limitações dos otimizadores sequenciais tradicionais.

• Compensação (Trade-off): Existe um trade-off claro entre o poder de otimização local (melhor convergência e menor erro final) e o custo de medição (mais avaliações de circuito por atualização).
• Viabilidade Prática: A natureza independente das avaliações de circuito necessárias para construir a função de custo quartica permite que o overhead seja mitigado através de execução paralela em múltiplos dispositivos quânticos.
• Futuro: O trabalho sugere que a extensão para mais de dois portões simultaneamente é possível, mas enfrenta desafios exponenciais no número de termos da função de custo e medições necessárias. Estratégias de aproximação para otimização multi-portão são uma direção futura promissora.

Em suma, TGF e TGFQS representam um avanço significativo na eficiência da otimização de VQAs, especialmente em cenários onde a precisão final é crítica e o custo de medição pode ser gerenciado via paralelização.