⚛️ quantum physics

Harnessing DEN models for quantum computing tasks on neutral atom QPUs

Este artigo demonstra a incorporação bem-sucedida de grafos de redes de antenas de proteínas e celulares em processadores quânticos de átomos neutros (Orion Alpha da PASQAL e Aquila da QuEra) usando Redes Codificadoras de Distância, alcançando altas taxas de incorporação para tarefas de aprendizado de máquina quântico e coloração de grafos.

Autores originais: Chiara Vercellino, Giacomo Vitali, Paolo Viviani, Alberto Scionti, Olivier Terzo, Bartolomeo Montrucchio

Publicado 2026-05-06

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chiara Vercellino, Giacomo Vitali, Paolo Viviani, Alberto Scionti, Olivier Terzo, Bartolomeo Montrucchio

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um playground muito especial e de alta tecnologia feito de átomos flutuantes e minúsculos. Este playground é um Computador Quântico (especificamente, um que usa "átomos neutros"). Ao contrário dos computadores comuns, que usam bits (0s e 1s), esta máquina usa átomos que podem estar em dois estados ao mesmo tempo.

Os pesquisadores deste artigo enfrentaram um quebra-cabeça complicado: Como pegar um mapa complexo (um grafo) e ajustá-lo perfeitamente a este playground específico?

Aqui está a explicação do seu trabalho, usando analogias simples:

1. As Regras do Playground (O Hardware)

Pense no computador quântico como uma grade de "armadilhas" invisíveis onde você pode estacionar átomos.

A Zona "Proibida": Se dois átomos ficarem muito próximos um do outro, eles se repelem violentamente (como dois ímãs com o mesmo polo voltados um para o outro). Isso é chamado de "efeito de bloqueio".
A Zona de "Amizade": Se os átomos estiverem próximos o suficiente (mas não demais), eles podem "conversar" entre si.
A Forma: O playground não é um círculo perfeito; é um retângulo. Além disso, os átomos devem ser estacionados em fileiras organizadas, e essas fileiras devem estar espaçadas exatamente da maneira correta.

O objetivo era pegar um desenho de uma rede (como uma estrutura de proteína ou um mapa de torres de telefonia celular) e reorganizar seus pontos para que se encaixassem nessas regras rígidas de estacionamento. Se os pontos se encaixarem nas regras, o computador quântico pode resolver problemas sobre essa rede instantaneamente.

2. O Problema: O "Espaço Livre" vs. O "Mundo Real"

Em seu trabalho anterior, a equipe usou uma ferramenta inteligente de IA (chamada de modelo DEN) que podia organizar esses pontos em qualquer lugar do "espaço livre" ( imagine uma folha de papel em branco sem linhas). Era excelente para encontrar a forma perfeita.

Mas quando tentaram usar computadores quânticos reais (dois específicos chamados Orion Alpha e Aquila), esbarraram em um muro:

Orion Alpha: Os átomos tinham que ser estacionados em uma grade triangular específica (como um favo de mel). Você não podia simplesmente colocar um átomo em qualquer lugar; ele tinha que se encaixar em uma armadilha específica.
Aquila: Os átomos tinham que caber em um retângulo e permanecer em fileiras com espaçamento específico.

Era como tentar estacionar um carro em uma garagem onde as vagas são pintadas no chão, mas sua IA estava dizendo para você estacionar no meio da entrada da garagem.

3. A Solução: O "Movimentador Inteligente"

A equipe atualizou sua ferramenta de IA para lidar com essas restrições do mundo real.

Para o Favos de Mel (Orion Alpha):
Eles usaram uma estratégia de "Vizinho Mais Próximo". Imagine que você tem uma lista de pessoas (os pontos) e uma lista de cadeiras (as armadilhas).
1. A IA primeiro descobre o arranjo de assentos ideal no espaço livre.
2. Em seguida, ela pega as pessoas mais importantes (aquelas com mais amigos/conexões) e as senta primeiro.
3. Ela as coloca na cadeira disponível mais próxima na grade de favo de mel.
- Resultado: Eles mapearam com sucesso uma rede de 90 torres de telefonia celular em Turim, Itália, na máquina. Mesmo que o assento não fosse matematicamente perfeito, o computador ainda conseguiu resolver o "problema de coloração" (atribuir IDs únicos às torres para evitar conflitos de sinal).
Para o Retângulo (Aquila):
Eles adicionaram uma nova "regra" ao cérebro da IA. Eles ensinaram à IA que, se dois pontos estiverem na mesma fileira, eles devem estar suficientemente distantes, ou, se estiverem em fileiras diferentes, as fileiras devem estar espaçadas.
- Resultado: Eles tentaram mapear centenas de estruturas de proteínas.
  - Para proteínas pequenas (até 12 pontos), tiveram sucesso em cerca de 76% dos casos.
  - Para proteínas médias (até 16 pontos), o sucesso caiu para 68%.
  - Para proteínas maiores (até 256 pontos), o sucesso caiu para 34%.

4. Por Que Isso Importa (O "E Daí?")

O artigo mostra que, embora ajustar formas complexas a essas máquinas quânticas seja difícil (como tentar dobrar um mapa grande em um bolso minúsculo), seu método funciona melhor do que os solucionadores matemáticos tradicionais.

A Comparação: Ferramentas matemáticas antigas tentaram resolver isso por horas e muitas vezes desistiram (0% de sucesso). O método de IA da equipe geralmente encontrava uma solução em menos de 5 minutos.
A Conclusão: Mesmo que não pudessem ajustar todos os grafos perfeitamente, conseguiam ajustar o suficiente deles para realizar experimentos reais. Eles provaram que é possível pegar dados do mundo real (como torres de celular ou proteínas) e traduzi-los para uma linguagem que essas máquinas quânticas entendem.

Analogia de Resumo

Imagine que você está tentando organizar um grupo de amigos para uma foto.

O Jeito Antigo: Você diz para eles ficarem em um círculo perfeito.
A Nova Realidade: Você está em um palco com pontos específicos e pré-marcados, e alguns amigos são alérgicos a ficar muito perto de outros.
A Contribuição do Artigo: Eles construíram um assistente inteligente que rapidamente descobre quem fica onde nos pontos específicos do palco, para que todos fiquem felizes (ou, pelo menos, a foto possa ser tirada), mesmo que o círculo perfeito não seja possível. Eles testaram isso em dois palcos diferentes e provaram que funciona para muitos grupos diferentes de amigos.

Resumo Técnico: Aproveitamento de Modelos DEN para Tarefas de Computação Quântica em QPUs de Átomos Neutros

Declaração do Problema
Os processadores quânticos de átomos neutros (QPUs), como os desenvolvidos pela PASQAL (Orion Alpha) e pela QuEra (Aquila), utilizam átomos individuais de Rubídio como qubits. Essas máquinas representam nativamente Grafos de Disco Unitário (UDGs) através de sua dinâmica Hamiltoniana, onde arestas existem entre qubits se sua separação física estiver dentro de um raio de Rydberg específico ( $r_b$ ). No entanto, o mapeamento de grafos de problemas arbitrários (por exemplo, estruturas de proteínas ou redes de antenas celulares) nesses registros físicos é limitado por restrições de hardware. Especificamente, os átomos devem ser posicionados em coordenadas fixas (frequentemente uma rede triangular) ou aderir a restrições rigorosas de espaçamento entre linhas, e o sistema deve satisfazer requisitos de distância para distinguir entre vértices adjacentes e não adjacentes. Trabalhos anteriores introduziram Redes Codificadoras de Distância (DEN) para incorporar UDGs sob suposições de "espaço livre", mas esses modelos não levaram em conta as geometrias discretas e restritas dos QPUs do mundo real.

Metodologia
Os autores adaptaram o framework DEN para abordar as restrições específicas de hardware de dois QPUs distintos:

Orion Alpha (PASQAL):
- Restrição: Os átomos devem ocupar posições fixas dentro de uma rede triangular (61 armadilhas, lado de 5µm) com uma distância mínima interatômica de 5µm e uma máxima de 40µm.
- Abordagem: Como o modelo DEN gera coordenadas contínuas de espaço livre e não pode lidar nativamente com restrições de integralidade discreta dentro de sua função de perda diferenciável, os autores empregaram um processo de duas etapas. Primeiro, o modelo DEN foi treinado para gerar uma incorporação viável sob suposições de espaço livre. Segundo, um algoritmo de vizinho mais próximo foi aplicado para mapear essas coordenadas contínuas para a armadilha disponível mais próxima na rede triangular. Os vértices foram classificados por grau (decrescente) antes do mapeamento para priorizar o posicionamento de nós altamente conectados.
Aquila (QuEra):
- Restrição: O registro é retangular (75µm × 76µm) e exige que os átomos sejam organizados em linhas com um espaçamento vertical mínimo de 4µm.
- Abordagem: Os autores modificaram diretamente a arquitetura DEN. Eles introduziram uma restrição de espaçamento entre linhas na Função de Perda de Incorporação (ELF). A arquitetura do modelo foi atualizada para incluir uma camada CoordL (usando uma ativação tanh para limitar as coordenadas dentro do registro retangular) e uma camada DistL. A camada DistL calcula tanto as distâncias quadradas padrão entre pares quanto as distâncias quadradas entre linhas ( $y'_i - y'_j)^2$ ). Um novo componente de penalidade, ELFrow, foi adicionado à função de perda para penalizar configurações onde as distâncias entre linhas caem entre 0 e 4µm, permitindo ao mesmo tempo distâncias $\ge$ 4µm ou 0 (mesma linha).

Principais Contribuições

Incorporação Consciente de Hardware: O artigo apresenta uma metodologia para transitar de incorporações teóricas de UDGs em espaço livre para soluções viáveis em hardware para dois QPUs reais.
Adaptação Algorítmica:
- Para redes discretas (Orion Alpha), foi desenvolvida uma estratégia heurística de remapeamento de vizinho mais próximo para converter as saídas do DEN em configurações de armadilhas válidas.
- Para registros retangulares com restrições de linhas (Aquila), o modelo DEN foi modificado estruturalmente para impor restrições de espaçamento entre linhas diretamente dentro da função de perda da rede neural.
Validação Específica de Aplicação: A abordagem foi validada em dois casos de uso distintos:
- Coloração de Grafos: Resolução da otimização do Identificador de Célula Principal (PCI) para 90 antenas celulares em Turim, Itália, usando o algoritmo híbrido BBQ-mIS no Orion Alpha.
- Aprendizado de Máquina Quântico: Classificação de proteínas (enzima vs. não enzima) usando o conjunto de dados PROTEINS no Aquila.

Resultados

Orion Alpha (Coloração de Grafos): O conjunto de dados de 90 antenas foi decomposto em componentes conectados. Embora vértices isolados e grafos completos tivessem soluções triviais, os autores incorporaram com sucesso quatro subgrafos não triviais (tamanhos de 7, 7, 10 e 19 vértices). Embora o remapeamento para a rede tenha reduzido a qualidade da incorporação (diminuindo a lacuna entre distâncias adjacentes e não adjacentes), o algoritmo BBQ-mIS permaneceu robusto, encontrando com sucesso colorações ótimas apesar das representações imperfeitas de UDG.
Aquila (Classificação de Proteínas):
- Para grafos com $n \le 12$ , o modelo DEN alcançou uma taxa de sucesso de 76% (158/207 amostras).
- Para grafos com $n \le 16$ , a taxa de sucesso caiu para 68% (210/307 amostras).
- Para o conjunto de dados completo ( $n \le 256$ ), a taxa de sucesso foi de 34% (279 amostras).
- Os autores observam que, embora as taxas de sucesso diminuam à medida que o tamanho do grafo aumenta devido a restrições geométricas, a heurística DEN supera significativamente os solucionadores de Programação Inteira Mista (MIP) mais avançados, que alcançaram taxas de sucesso próximas de 0% em grafos menores, mesmo com 5–10 horas de tempo de computação. O modelo DEN geralmente fornece soluções em menos de 5 minutos.

Significado e Alegações
O artigo afirma que esses resultados sublinham a efetividade e versatilidade da abordagem de incorporação baseada em DEN para representar grafos de disco-unitário em computadores quânticos de átomos neutros em diversas aplicações. Os autores enfatizam que mesmo o sucesso parcial na incorporação de grafos grandes e complexos representa um progresso significativo, particularmente dada a falta de ferramentas existentes para mapear problemas nessas arquiteturas de hardware específicas. Eles sugerem que, para grafos menores, uma estratégia de replicar o grafo múltiplas vezes dentro do registro (garantindo distância suficiente entre as cópias) poderia otimizar ainda mais a execução de tarefas quânticas, reduzindo os requisitos de medição. O trabalho serve como uma ponte prática entre problemas de grafos teóricos e as restrições físicas dos QPUs de átomos neutros atuais.