QBalance: A Reproducible Multi-Objective Workflow for Quantum Compilation, Noise Suppression, and Error-Mitigation Strategy Selection

Resumo Técnico: QBalance

Declaração do Problema
As cargas de trabalho quânticas de curto prazo em dispositivos Quânticos de Escala Intermediária Ruidosa (NISQ) apresentam um problema de otimização acoplado, onde as escolhas de compilação (disposição de qubits, roteamento, tradução de base) e as escolhas de execução (supressão de ruído, mitigação de erros, orçamento de disparos) são profundamente interdependentes. Um circuito que parece raso em um conjunto de portas abstrato pode tornar-se profundo após a transpilação, ou uma escolha de roteamento que minimiza trocas pode colocar qubits lógicos ativos em qubits físicos de baixa qualidade. Além disso, estratégias de mitigação de erros frequentemente trocam estimadores aprimorados por custos de amostragem ou latência aumentados. O artigo argumenta que fluxos de trabalho práticos não podem ser avaliados usando flags únicas ou instâncias únicas de circuito; em vez disso, exigem uma abordagem sistemática, ao nível do conjunto de dados, para selecionar entre conjuntos finitos de estratégias acopladas.

Metodologia
O QBalance é uma biblioteca de fluxo de trabalho em Python (versão 0.1.0) construída sobre o ecossistema Qiskit (≥2.0), projetada para orquestrar a seleção de estratégias de compilação, supressão de ruído e mitigação de erros em um conjunto de dados de circuitos quânticos. O sistema opera como um mecanismo de seleção determinístico e inspecionável, em vez de um gerador de alegações de vantagem de hardware.

• Arquitetura do Fluxo de Trabalho: O sistema carrega um conjunto de dados de circuitos, resolve um backend alvo e constrói um conjunto finito de estratégias candidatas. Cada estratégia é uma especificação imutável contendo controles para compilação (nível de otimização, disposição, roteamento), supressão (twirling de Pauli, desacoplamento dinâmico), mitigação (M3, Extrapolação de Ruído Zero) e corte de circuito.
• Avaliação de Estratégia: Para cada par circuito-estratégia, o QBalance compila o circuito usando os gerenciadores de passagem predefinidos do Qiskit. Ele executa opcionalmente o circuito (via Qiskit Aer ou interfaces de backend) e aplica auxiliares de mitigação. Ele registra um dicionário de métricas incluindo profundidade, contagem de portas de dois qubits, tempo de compilação e erro estimado.
• Função Objetivo: A seleção padrão utiliza um objetivo escalar ponderado: $J_w(m) = 1.0 \cdot m_{depth} + 2.0 \cdot m_{2q} + 10.0 \cdot m_{err} + 0.1 \cdot m_{time}$. A métrica de erro ($m_{err}$) é um proxy de "produto de sobrevivência" calculado como $1 - \prod (1 - e_\ell)$, onde $e_\ell$ são estimativas de erro ao nível de operação derivadas de dados de calibração ou constantes de fallback.
• Mecanismos de Seleção:
  • Seleção de Pareto: Os candidatos são filtrados para não-dominância com base na tupla (profundidade, contagem de dois qubits, erro estimado). A estratégia final é aquela que minimiza o objetivo ponderado entre a frente de Pareto.
  • Busca de Bandido: Um modelo substituto linear bayesiano (estilo Thompson) classifica os candidatos com base em características da estratégia (por exemplo, nível de otimização, flags) em vez de propriedades específicas do circuito. Ele amostra um modelo linear para ordenar os candidatos, mas, na implementação atual, ainda avalia o conjunto completo de candidatos para cada circuito.
• Diagnósticos: O sistema computa diagnósticos distribucionais (distâncias de Kolmogorov-Smirnov, Cramer-von Mises, Earth-Mover) para comparar distribuições de métricas entre fluxos de trabalho de base e selecionados.

Principais Contribuições

1. Formalização: O artigo formaliza o problema do fluxo de trabalho quântico como um problema de seleção de estratégia multi-objetivo finito sobre circuitos, backends e políticas de transformação.
2. Artefato de Implementação: Fornece uma biblioteca de fluxo de trabalho reproduzível que integra mecanismos estabelecidos do Qiskit (gerenciadores de passagem predefinidos, roteamento SABRE, compilação aleatorizada) com ganchos opcionais de mitigação (M3, ZNE, corte de circuito) em um framework unificado de seleção.
3. Derivações Analíticas: Os autores derivam as propriedades matemáticas do objetivo escalar implementado, a regra de seleção não-dominada, o proxy de erro de produto de sobrevivência e o substituto linear bayesiano de ordenação.
4. Análise de Limitações: O artigo delimita explicitamente os limites da implementação atual, observando que o mecanismo de bandido ordena, mas não reduz as avaliações de candidatos, que o heurístico de disposição é ganancioso e não totalmente consciente da topologia, que o auxiliar ZNE é centrado em paridade, e que o corte de circuito é um gancho de transformação em vez de um pipeline de reconstrução completo.
5. Protocolo de Reprodutibilidade: Estabelece um protocolo para gerar artefatos legíveis por máquina (índices JSON, circuitos serializados) para facilitar a avaliação empírica futura, sem alegar melhorias imediatas de hardware.

Resultados e Alegações
O artigo não apresenta resultados experimentais demonstrando melhorias de precisão ao nível de hardware ou reduções nas taxas de erro físico, pois não inclui um grande corpus de benchmarks ou dados de execução em hardware ativo. Em vez disso, os "resultados" são analíticos e estruturais:

• Correção: O sistema garante pontuação segura a conjuntos finitos, impedindo que candidatos inválidos recebam pontuações zero acidentais.
• Complexidade: A complexidade assintótica de avaliação de candidatos permanece $O(NC)$ (onde $N$ são circuitos e $C$ são candidatos) mesmo no modo de bandido, pois a implementação atual avalia a ordem completa de candidatos.
• Escopo: O sistema orquestra com sucesso a comparação de estratégias (por exemplo, diferentes níveis de otimização, alternadores de twirling) e produz cargas de trabalho balanceadas com metadados persistidos.

Significado
O artigo posiciona o QBalance como uma ferramenta para orquestração reproduzível, em vez de um novo método físico de mitigação de erros. Seu significado principal reside em transformar escolhas de ajuste ad hoc em decisões de fluxo de trabalho explícitas, inspecionáveis e reproduzíveis. Ao desacoplar a lógica de seleção dos motores subjacentes de compilação e execução, permite que pesquisadores estudem o impacto das escolhas de fluxo de trabalho (como o efeito do filtro de Pareto ou alternadores específicos de supressão) em nível de conjunto de dados. Os autores concluem que, embora o sistema estabeleça uma arquitetura coerente de seleção de estratégias, alegações sobre roteamento ótimo, supressão de erro físico ou ganhos de precisão de hardware exigem experimentos adicionais com conjuntos de dados arquivados, backends calibrados e definições explícitas de observáveis.