Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks

Este artigo apresenta a Codificação Quântica Baseada em Tiros (SBQE), uma nova estratégia de carregamento de dados para redes neurais quânticas que utiliza a distribuição de tiros sobre múltiplos estados iniciais para criar representações de estado misto, alcançando alta precisão em benchmarks como Fashion MNIST e Semeion sem a necessidade de portas de codificação de dados.

O essencial

Imagine que você tem um cozinheiro quântico (o computador quântico) e quer ensinar a ele a reconhecer fotos de roupas ou números escritos à mão. O problema é que esse cozinheiro é muito sensível: se você pedir para ele fazer uma receita complexa demais (muitos passos), ele se cansa, erra e a comida fica ruim antes mesmo de terminar. Isso é o que os cientistas chamam de "profundidade do circuito" em hardware quântico atual.

A maioria dos métodos antigos tentava "carregar" os dados (a foto) dentro do computador fazendo o cozinheiro girar e misturar ingredientes de forma muito complicada. Isso exigia muitos passos e, como o cozinheiro é sensível ao barulho, a receita estragava.

Este artigo apresenta uma ideia brilhante chamada Codificação Quântica Baseada em Tiros (SBQE). Vamos usar uma analogia simples para entender como funciona:

A Analogia do "Menu de Pedidos"

Imagine que, em vez de pedir para o cozinheiro fazer uma única receita complexa para cada foto, você decide usar uma estratégia de pedidos.

1. O Método Antigo (Codificação de Ângulo ou Amplitude):
   Você pega uma foto de um sapato e diz: "Cozinheiro, gire o ingrediente A 30 graus, depois o B 45 graus, depois misture tudo...". Para fazer isso, você precisa de muitos passos precisos. Se o cozinheiro tremer a mão (ruído), o sapato fica parecendo uma banana.

2. O Novo Método (SBQE - Baseado em Tiros):
   Você tem um menu com 4 pratos simples e fáceis de fazer (chamados de "estados base"). Em vez de pedir uma receita complexa, você olha para a foto do sapato e decide:

   • "Para este sapato, eu quero 60% de pratos do tipo 'Prato 1' e 40% de 'Prato 2'".
   • Você não pede ao cozinheiro para fazer algo novo. Você apenas diz: "Faça 600 vezes o Prato 1 e 400 vezes o Prato 2".

O "segredo" aqui é que o computador quântico já precisa fazer milhares de tentativas (chamadas de "tiros" ou shots) para ter certeza do resultado. A SBQE usa esses milhares de tentativas que já existiam para carregar a informação.

• Se a foto é de um sapato, você distribui os pedidos de uma forma.
• Se a foto é de uma camisa, você distribui os pedidos de outra forma.

Por que isso é genial?

• Sem "Cozinha" Complexa: Você não precisa de passos extras de cozinha (portas lógicas quânticas) para carregar os dados. A informação está na distribuição dos pedidos, não na receita em si.
• Mistura Perfeita: O resultado final é uma "mistura" estatística. É como se você pegasse o resultado médio de 1000 pratos simples. Essa média carrega a informação da foto de forma muito mais robusta contra os erros do computador.
• Inteligência Artificial Quântica: O artigo mostra que essa mistura funciona exatamente como uma Rede Neural (o cérebro da IA clássica). A parte quântica atua como os "pesos" que aprendem, e a distribuição dos pedidos é a entrada dos dados.

O Resultado na Prática

Os autores testaram isso em dois desafios famosos:

1. Reconhecer dígitos escritos à mão (Semeion): O método novo acertou 89,1% das vezes. O método antigo (que faz muitos passos) acertou menos, e o novo método foi tão bom quanto uma rede neural clássica simples.
2. Reconhecer roupas (Fashion-MNIST): O novo método acertou 80,95%, superando o método antigo e uma rede neural linear.

A Conclusão em uma Frase

Em vez de tentar fazer o computador quântico "pular" obstáculos complexos para carregar dados (o que causa erros), os autores disseram: "Vamos usar o fato de que o computador já precisa repetir a mesma tarefa milhares de vezes para carregar a informação na própria forma como repetimos a tarefa."

É como se, em vez de tentar desenhar um rosto complexo de uma vez só com uma mão trêmula, você pedisse para 1000 pessoas desenharem traços simples, e a média de todos os desenhos formasse o rosto perfeito. Isso permite que os computadores quânticos atuais, mesmo com seus defeitos, aprendam a fazer tarefas de inteligência artificial de forma muito mais eficiente.

Resumo técnico

Resumo Técnico: Shot-Based Quantum Encoding (SBQE)

1. O Problema

O aprendizado de máquina quântico (QML) na era dos dispositivos quânticos de escala intermediária ruidosa (NISQ) enfrenta um gargalo crítico: a carregamento eficiente de dados clássicos em registradores quânticos. As abordagens existentes apresentam limitações severas:

• Codificação Angular (Angle Encoding): Utiliza rotações de qubits individuais. Embora tenha circuitos rasos, sua capacidade de representação escala apenas linearmente com o número de qubits, subutilizando a dimensão exponencial do espaço de Hilbert.
• Codificação de Amplitude (Amplitude Encoding): Permite carregar $2^n$ amplitudes em $n$ qubits, saturando a capacidade quântica. No entanto, a preparação exata do estado requer circuitos com profundidade exponencial ($O(2^n)$), o que excede os orçamentos de coerência e fidelidade do hardware atual.
• Desafio Geral: Extrair informações relevantes através de medições limitadas e ruidosas, onde a profundidade do circuito é um fator limitante.

2. Metodologia: Shot-Based Quantum Encoding (SBQE)

Os autores propõem uma nova estratégia de incorporação de dados que desloca a carga de trabalho de codificação das portas quânticas coerentes para a camada de controle clássico, utilizando o recurso nativo de "tiros" (shots) de repetição do hardware.

• Princípio Fundamental: Em vez de preparar um único estado puro por ponto de dados, o SBQE atribui a cada ponto de dados um vetor de probabilidade clássico ($p(x)$). Este vetor determina quantos "tiros" (execuições do circuito) devem começar a partir de cada estado de uma base fixa e facilmente preparável $\{|\psi_j\rangle\}$.
• Representação de Estado Misto: O estado codificado é uma mistura estatística clássica:
  $$\rho(x) = \sum_{j} p_j(x) |\psi_j\rangle\langle\psi_j|$$
  Onde $p_j(x)$ são as probabilidades derivadas dos dados.
• Processamento: Após a preparação da mistura, aplica-se uma unidade variacional $U(\theta)$ e mede-se observáveis. O valor esperado é linear nas probabilidades clássicas $p_j(x)$, permitindo a composição direta com funções de ativação não lineares clássicas.
• Equivalência a MLPs: O SBQE é estruturalmente equivalente a um Perceptron Multicamada (MLP) clássico. A camada quântica atua como uma transformação linear onde os pesos são determinados pelos parâmetros do circuito quântico, e a entrada é o vetor de probabilidade.
• Camadas Múltiplas: Para criar redes profundas, utiliza-se uma função de ativação não linear (como uma cascata log-ReLU normalizada) que mapeia a saída de uma camada de volta para um vetor de probabilidade válido, servindo como distribuição de tiros para a próxima camada.

3. Principais Contribuições

1. Eliminação de Portas de Codificação: O SBQE não requer portas de codificação de dados (como rotações dependentes de dados), reduzindo a profundidade do circuito e a acumulação de erros coerentes.
2. Uso de Recursos Existentes: Explora o recurso abundante de repetições de medição (tiros), já necessário em experimentos NISQ para precisão estatística, transformando-o em um grau de liberdade aprendível.
3. Capacidade Exponencial com Profundidade Constante: Permite codificar até $2^q$ características em $q$ qubits (usando a base computacional) sem o custo exponencial de profundidade associado à codificação de amplitude.
4. Flexibilidade para Dados Lineares: Diferente das codificações angulares que produzem séries de Fourier truncadas (dificultando fronteiras de decisão lineares), o SBQE, ao codificar dados via probabilidades, não está restrito a funções periódicas, facilitando a separação de dados linearmente separáveis.

4. Resultados Experimentais

Os autores avaliaram o SBQE em duas tarefas de classificação de imagens (Fashion-MNIST e Semeion) usando um registrador de 8 qubits e 4 camadas variacionais, comparando com:

• Codificação de Amplitude Híbrida (Baseline).
• Um MLP clássico com largura correspondente (mesmo número de parâmetros treináveis).

Desempenho no Conjunto de Dados Semeion (Dígitos Manuscritos):

• SBQE: 89,1% ± 0,9% de precisão.
• Melhoria: Redução de 5,3% no erro em relação à codificação de amplitude.
• Comparação: Desempenho estatisticamente equivalente ao MLP clássico de largura correspondente (89,6%).

Desempenho no Conjunto de Dados Fashion-MNIST:

• SBQE: 80,95% ± 0,10% de precisão.
• Melhoria: Superou a codificação de amplitude em +2,0% e o MLP linear em +1,3%.
• Contexto: O SBQE fechou cerca de metade da lacuna restante para modelos lineares clássicos, utilizando o mesmo orçamento de hardware quântico.

Significância Estatística: Testes t pareados confirmaram que o SBQE é significativamente melhor que a codificação de amplitude em ambos os conjuntos de dados ($p < 0,01$).

5. Significância e Implicações

• Viabilidade NISQ: O SBQE demonstra que é possível alcançar desempenho competitivo em tarefas de aprendizado de máquina sem exceder os orçamentos de profundidade de circuitos de ~100 portas típicos do hardware atual.
• Mudança de Paradigma: Sugere que a alocação de "tiros" (shots) é um canal de informação viável e competitivo para codificação de dados, unificando codificações probabilísticas com a expressividade treinável de circuitos variacionais.
• Escalabilidade: A abordagem escala logaritmicamente o número de qubits em relação ao número de características (semelhante à codificação de amplitude), mas sem a penalidade de profundidade do circuito.
• Limitações e Futuro: O método requer que o orçamento de tiros seja suficientemente grande para amostragem multinomial de baixa variância. A seleção da função de mapeamento de probabilidade $p(x)$ e a diversidade dos estados iniciais na base são áreas para otimização futura.

Em conclusão, o SBQE oferece uma solução prática para o gargalo de carregamento de dados no QML, permitindo que hardware quântico ruidoso atual execute tarefas complexas de classificação com eficiência e precisão superiores às abordagens tradicionais de codificação.