QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks

O artigo apresenta o QNAS, um framework de busca de arquitetura neural que otimiza simultaneamente a precisão, a eficiência de tempo de execução e o custo de corte de circuitos para redes neurais quânticas híbridas, gerando automaticamente arquiteturas compactas e de alto desempenho adaptadas ao hardware quântico atual.

O essencial

Imagine que você quer construir um carro de corrida futurista (o Computador Quântico) para vencer uma maratona. O problema é que você não tem um carro completo; você só tem peças soltas e um orçamento muito limitado de combustível e peças de reposição (os qubits e o tempo de execução).

Se você tentar montar o carro "na sorte" (fazendo o design manualmente), pode acabar com um veículo que é rápido na teoria, mas que se desmonta no meio da pista ou gasta tanta energia que nunca chega à meta.

É aqui que entra o QNAS, o "arquiteto de carros" inteligente criado pelos autores deste artigo.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema: O Dilema do "Carro Quântico"

Os computadores quânticos atuais são como carros de corrida que ainda estão sendo testados. Eles são potentes, mas têm duas grandes limitações:

• Poucas peças (Qubits): Você não pode usar 100 peças se só tem 4 disponíveis.
• Corte de peças (Circuit Cutting): Se você precisa de um motor grande, mas só tem peças pequenas, você é obrigado a "cortar" o motor em pedaços menores, testar cada um separadamente e depois juntar os resultados. Isso é caro e demorado (como ter que montar e desmontar o motor a cada volta da pista).

Antes do QNAS, os cientistas tentavam criar esses "motores" (Redes Neurais Quânticas) apenas focando em quem é o mais rápido. Eles não se preocupavam se o motor coubesse no carro ou se o custo de "cortar e juntar" fosse proibitivo. O resultado? Motores teoricamente rápidos, mas impossíveis de usar na prática.

2. A Solução: O QNAS (O Arquiteto Inteligente)

O QNAS é um sistema de Busca Automática de Arquitetura. Pense nele como um chef de cozinha robótico que tem uma missão: criar a receita perfeita para um bolo quântico.

Em vez de tentar uma receita de cada vez (o que levaria anos), o QNAS faz algo genial:

• O "Super-Massa" (SuperCircuit): Ele prepara uma única massa gigante que contém todas as receitas possíveis dentro dela. Em vez de assar 1.000 bolos separados, ele assa uma única "massa mestra" e testa pequenas fatias dela rapidamente. Isso economiza tempo e energia.
• O Treinamento Rápido: Ele não espera o bolo assar por horas. Ele dá apenas algumas "fritadas" rápidas (poucas épocas de treinamento) para ver se a massa tem potencial. Se a massa parece boa logo de cara, ele sabe que vai dar um bolo ótimo no final.

3. Os Três Critérios de Avaliação (O Tripé da Decisão)

O QNAS não escolhe apenas o bolo mais saboroso. Ele usa um algoritmo inteligente (chamado NSGA-II) que busca o equilíbrio perfeito entre três coisas, como se fosse um triatlo:

1. Precisão (O Sabor): O bolo precisa ser delicioso (alta precisão na classificação de dados).
2. Custo de Execução (O Tempo de Forno): Quanto tempo leva para assar? (Tempo de execução no computador).
3. Custo de Corte (O Número de Fatias): Quantas vezes precisamos cortar o bolo para caber no forno pequeno? O QNAS sabe que cortar demais é um pesadelo, então ele prioriza receitas que exigem menos cortes.

4. O Que Eles Descobriram? (As Descobertas)

Ao testar esse "chef robótico" em três desafios diferentes (reconhecer dígitos escritos à mão, reconhecer roupas e classificar flores), eles descobriram segredos valiosos:

• Para Imagens (Dígitos e Roupas): A melhor "receita" usava um tipo específico de ingrediente chamado Angle-Y e uma estrutura de conexões muito esparsa (poucas peças conectadas). É como descobrir que, para fazer um bolo de chocolate, é melhor misturar os ingredientes de forma leve e espaçada, em vez de esmagar tudo junto.
• Para Dados Tabulares (Flores/Iris): Surpreendentemente, para dados pequenos e organizados, o melhor foi usar Amplitude (uma forma diferente de colocar os dados no computador).
• O Segredo do Sucesso: As melhores arquiteturas encontradas foram pequenas e eficientes.
  • No desafio de dígitos (MNIST), eles criaram um "carro" com apenas 8 peças (qubits) e 2 camadas que acertou 97% das respostas.
  • No desafio de flores (Iris), um carro minúsculo de 4 peças acertou 100% das respostas.

5. Por que isso é importante?

Antes, os cientistas podiam criar um computador quântico que parecia incrível no papel, mas que, na hora de colocar no mundo real (em um chip quântico com poucas peças), falhava porque exigia cortar o circuito em tantas partes que o custo era infinito.

O QNAS muda o jogo porque ele diz: "Não vamos buscar apenas o mais rápido. Vamos buscar o mais rápido que caiba no nosso orçamento de peças e que não precise ser desmontado 100 vezes para funcionar."

Resumo da Ópera:
O QNAS é um otimizador automático que ensina os computadores a "pensarem" em como construir seus próprios cérebros quânticos, garantindo que esses cérebros sejam inteligentes, rápidos e, o mais importante, possíveis de construir com a tecnologia limitada que temos hoje. É como ter um engenheiro que projeta um carro de F1 que cabe perfeitamente na sua garagem de casa.

Resumo técnico

Título: QNAS: Um Framework de Busca de Arquitetura Neural para Redes Neurais Quânticas Precisas e Eficientes

1. Problema e Motivação

O design de Redes Neurais Quânticas (QNNs) para hardware de Era Intermediária de Ruído (NISQ) enfrenta desafios significativos. As arquiteturas atuais, frequentemente desenhadas manualmente (handcrafted), precisam equilibrar expressividade, treinabilidade e uso de recursos, mas muitas vezes sofrem de "platôs estéreis" (barren plateaus), onde os gradientes desaparecem exponencialmente.

Dois lacunas práticas limitam a implantação atual:

1. Otimização Heurística de Recursos: Métodos existentes de Busca de Arquitetura Quântica (QAS) focam principalmente na precisão, controlando recursos quânticos (número de qubits, profundidade) apenas de forma heurística, ignorando o custo real de execução no hardware.
2. Custo Exponencial do "Corte de Circuito" (Circuit Cutting): Para executar circuitos maiores do que o orçamento de qubits disponível, é necessário dividir o circuito em subcircuitos (cutting). No entanto, cada corte introduz um custo computacional exponencial ($O(4^k)$, onde $k$ é o número de cortes). Métodos QAS existentes raramente consideram esse custo, descobrindo arquiteturas precisas, mas proibitivamente caras para implantar em dispositivos com poucos qubits.

2. Metodologia: O Framework QNAS

O QNAS (Quantum Neural Architecture Search) é um framework unificado que combina avaliação one-shot consciente de hardware, otimização multiobjetivo e consciência do custo de corte.

• Estrutura Híbrida (HQNN): O framework busca arquiteturas de Redes Neurais Híbridas Quântico-Clássicas, compostas por:
  1. Codificação clássica de entrada (Embedding).
  2. Camadas quânticas variacionais (ansatz) com rotações parametrizadas e portas CNOT.
  3. Cabeça clássica de saída.
• Espaço de Busca: O "genoma" de cada candidato controla:
  • Tipo de embedding (Ângulo-X/Y/Z ou Amplitude).
  • Número de qubits ($n$) e profundidade do circuito ($L$).
  • Padrão de emaranhamento (alcance $r$ e modo CNOT: all, odd, even, none).
  • Taxa de aprendizado.
• Avaliação One-Shot: Utiliza uma SuperCircuito (um circuito superparametrizado com pesos compartilhados) treinada por poucas épocas em um subconjunto de dados. Isso amortiza o custo de avaliação de centenas de candidatos.
• Otimização Multiobjetivo (NSGA-II): O QNAS utiliza o algoritmo evolutivo NSGA-II para otimizar simultaneamente três objetivos:
  1. Erro de Validação ($F_1$): Minimizar a perda de precisão.
  2. Custo de Tempo de Execução ($F_2$): Um proxy baseado no tempo de parede (wall-clock time) por amostra.
  3. Custo de Corte ($F_3$): O número estimado de subcircuitos necessários sob um orçamento alvo de qubits ($Q_{target}$). Minimizar $F_3$ é crucial para evitar a explosão exponencial de execuções.
• Mapeamento de Hardware: O framework inclui etapas de transpilação para mapear circuitos ideais em backends reais (simulados via "fake backends" com modelos de ruído calibrados), considerando a topologia de acoplamento e a decomposição de portas nativas.

3. Contribuições Principais

1. Pipeline QAS Consciente de Hardware: Integração de treinamento one-shot com restrições reais de NISQ (número de shots, profundidade, ruído).
2. Otimização Multiobjetivo com Foco em Corte: Primeira abordagem a tratar explicitamente o número de subcircuitos ($F_3$) como um objetivo de otimização, garantindo que as arquiteturas encontradas sejam viáveis para dispositivos com poucos qubits.
3. Espaço de Busca Compacto e Eficiente: Definição de um espaço de busca que gera arquiteturas treináveis e implantáveis, identificando padrões de emaranhamento ótimos.
4. Validação Empírica Robusta: Demonstração de que o treinamento por poucas épocas durante a busca tem alta correlação ($>0.9$) com o desempenho final, permitindo uma busca eficiente.

4. Resultados Experimentais

O QNAS foi avaliado em três conjuntos de dados: MNIST, Fashion-MNIST e Iris.

• MNIST (Classificação de Dígitos):

  • Melhor Arquitetura: 8 qubits, 2 camadas, embedding Angle-Y com modo CNOT esparsos ("none-odd").
  • Desempenho: 97,16% de precisão no teste.
  • Eficiência: Circuito compacto que, ao ser cortado para um dispositivo de 4 qubits, requer apenas 5 subcircuitos.
  • Insight: Modos de CNOT densos ("all") levaram a platôs estéreis (precisão próxima ao acaso), enquanto padrões esparsos superaram consistentemente.

• Fashion-MNIST (Classificação de Roupas - Mais Desafiador):

  • Melhor Arquitetura: 5 qubits, 2 camadas, embedding Angle-Y, modo CNOT "none-none".
  • Desempenho: 87,38% de precisão no teste.
  • Observação: A precisão é menor que no MNIST devido à maior variância intraclasse, mas o framework encontrou soluções eficientes em recursos (5 qubits).

• Iris (Dados Tabulares):

  • Melhor Arquitetura: 4 qubits, 2 camadas, embedding de Amplitude com modo CNOT "none-odd".
  • Desempenho: 100% de precisão na validação.
  • Insight: Diferente das imagens, onde Angle-Y dominou, o embedding de Amplitude foi superior para dados tabulares de baixa dimensão, demonstrando a adaptabilidade do QNAS a diferentes modalidades de dados.

• Análise de Corte e Transpilação:

  • A inclusão do objetivo $F_3$ reduziu o custo de corte em média em 62,8% em comparação com métodos que não consideram esse fator, mantendo a precisão.
  • Arquiteturas com modos CNOT esparsos exigiram menos sobrecarga de roteamento durante a transpilação para backends simulados (ex: fake_melbourne).

5. Significado e Conclusão

O QNAS representa um avanço significativo na direção de QNNs praticamente implantáveis. Ao não focar apenas na precisão teórica, mas sim no custo real de execução (tempo e sobrecarga de corte), o framework identifica arquiteturas que equilibram desempenho e viabilidade de hardware.

• Descobertas Chave:
  • Padrões de emaranhamento esparsos são superiores a densos para evitar platôs estéreis e reduzir custos de hardware.
  • O tipo de embedding ideal depende do domínio dos dados (Ângulo para imagens, Amplitude para tabular).
  • A busca evolutiva com poucas épocas de treinamento é uma estratégia viável e eficiente para explorar o espaço de arquiteturas quânticas.

O trabalho fornece um método prático para descobrir arquiteturas QNN que funcionam bem sob as restrições severas dos dispositivos NISQ atuais, com código aberto disponibilizado para reprodutibilidade.