⚛️ quantum physics

Harnessing a 256-qubit Neutral Atom Simulator for Graph Classification

Este artigo demonstra a eficácia do uso de um simulador de átomos neutros de 256 qubits (Aquila) para calcular características de Kernel de Evolução Quântica para classificação de grafos no conjunto de dados PROTEINS, alcançando desempenho ligeiramente superior ao dos kernels clássicos, apesar do ruído do hardware.

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

Publicado 2026-05-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

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 uma pilha gigante e bagunçada de estruturas de proteínas. Algumas são "enzimas" (as ferramentas trabalhadoras da célula), e outras são apenas "não enzimas". Sua tarefa é separá-las em duas pilhas. No mundo dos computadores, essas proteínas são como mapas complexos feitos de pontos (átomos) e linhas (conexões). Organizar esses mapas geralmente é um trabalho muito lento e difícil para computadores convencionais, pois os mapas podem ser enormes e emaranhados.

Este artigo descreve um experimento no qual os pesquisadores tentaram usar um tipo especial de "parquinho quântico" para realizar essa tarefa de classificação de forma mais rápida e eficiente. Eis como eles fizeram, explicado de forma simples:

O Parquinho Quântico: Um Campo de Átomos

Em vez de usar chips de computador padrão, os pesquisadores utilizaram uma máquina chamada Aquila, construída por uma empresa chamada QuEra e disponível através da Amazon. Pense na Aquila não como um cérebro, mas como uma mesa de bilhar gigante e programável.

As Bolas: Em vez de bolas de bilhar, esta mesa usa átomos minúsculos e flutuantes (Rubídio).
As Pinças: A máquina usa "pinças ópticas" invisíveis (como mãos de laser) para pegar esses átomos e organizá-los em uma grade plana, bidimensional.
As Regras: Os átomos têm um truque especial. Se dois átomos ficarem muito próximos um do outro, eles não podem estar ambos em um estado de "alta energia" ao mesmo tempo. Isso é chamado de Bloqueio de Rydberg. É como uma regra que diz: "Se dois amigos estão parados muito perto, eles não podem pular ao mesmo tempo". Essa regra cria naturalmente conexões entre os átomos, imitando a estrutura de um grafo.

O Desafio: Encaixando as Peças do Quebra-Cabeça

As proteínas em seu conjunto de dados (chamado PROTEINS) são como peças de quebra-cabeça com formas diferentes. Algumas têm 10 pontos, outras têm 200. A máquina Aquila tem um limite: ela pode conter apenas 256 átomos por vez.

Para usar a máquina, os pesquisadores tiveram que pegar os mapas de proteínas e "achatar" sobre a grade da máquina sem quebrar as conexões. Eles usaram uma ferramenta inteligente de IA (uma rede neural) para reorganizar os átomos de modo que o mapa se encaixasse perfeitamente na "mesa de bilhar" da máquina, respeitando as regras físicas do equipamento.

O Experimento: A Dança Quântica

Uma vez que os átomos foram organizados para parecerem uma proteína, os pesquisadores não apenas os observaram; eles os fizeram "dançar".

O Pulso: Eles atingiram os átomos com uma sequência específica de pulsos de laser. Isso é como tocar uma música específica em um piano. Os átomos reagem à música alterando seus estados de energia.
A Medição: Após a dança, eles tiraram uma fotografia. Contaram quantos átomos estavam no estado de "alta energia" e quantos estavam no estado de "baixa energia".
A Impressão Digital: Essa contagem criou uma "impressão digital" única (uma distribuição de probabilidade) para aquela proteína específica.

A Magia: O Kernel Quântico

Os pesquisadores usaram um truque matemático chamado Kernel de Evolução Quântica (QEK). Pense nisso como uma maneira de medir o quão semelhantes duas impressões digitais são.

Se duas proteínas tiverem "movimentos de dança" muito semelhantes (padrões de energia), a máquina diz que elas provavelmente são do mesmo tipo (ambas enzimas ou ambas não enzimas).
Se suas danças forem totalmente diferentes, a máquina diz que elas são diferentes.

Eles alimentaram essas impressões digitais em um programa de computador padrão (uma Máquina de Vetores de Suporte) para tomar a decisão final sobre a qual pilha a proteína pertence.

Os Resultados: A Máquina Quântica Venceu?

Os pesquisadores testaram isso em dois grupos de dados:

Grupo Pequeno (12 átomos): Eles testaram o método em um pequeno subconjunto primeiro para ajustar a "canção de laser" (os parâmetros do pulso) e obter os melhores resultados. Eles descobriram que uma nova música otimizada funcionou melhor do que versões anteriores.
Grupo Grande (256 átomos): Em seguida, realizaram o experimento completo na máquina Aquila real com o conjunto de dados maior.

O Resultado:

O método quântico performou tão bem quanto os melhores métodos de computador tradicionais para classificar essas proteínas.
De fato, no conjunto de dados menor, o método quântico otimizado na verdade funcionou ligeiramente melhor do que o método tradicional.
Mesmo que a máquina quântica seja "ruidosa" (ela comete pequenos erros, como uma mesa de bilhar ligeiramente instável), os resultados ainda foram fortes.

A Conclusão

O artigo prova que é possível pegar problemas complexos de grafos (como classificar proteínas), mapeá-los em um simulador quântico de 256 átomos e obter resultados úteis. É uma "prova de conceito" mostrando que, mesmo com hardware quântico atual e imperfeito, podemos começar a resolver problemas de grafos do mundo real que são difíceis para computadores convencionais.

Eles não afirmaram que isso curará doenças amanhã ou substituirá todos os computadores. Eles simplesmente mostraram que a "dança quântica" funciona bem o suficiente para classificar esses mapas específicos de proteínas, abrindo caminho para futuros experimentos mais poderosos.

Resumo Técnico: Aproveitamento de um Simulador de Átomos Neutros de 256 Qubits para Classificação de Grafos

Declaração do Problema
A classificação de grafos é uma tarefa computacionalmente intensiva com aplicações em biologia, telecomunicações e ciências sociais. Embora o Aprendizado de Máquina Quântico (QML) ofereça vantagens potenciais devido ao tamanho exponencial do espaço de Hilbert, a implementação desses algoritmos em hardware real é desafiadora. Especificamente, as plataformas de átomos neutros, que operam em modo analógico usando estados de Rydberg, apresentam restrições únicas. Diferentemente dos computadores quânticos universais baseados em portas, esses simuladores frequentemente dependem de pulsos globais e possuem conectividade definida pelo raio de bloqueio de Rydberg, mapeando naturalmente para grafos de Disco Unitário (UD). Além disso, a escassez de hardware quântico publicamente disponível e o ruído inerente aos dispositivos atuais tornam a implementação de tarefas de QML, como a extração de características por meio de Núcleos de Evolução Quântica (QEK), não trivial.

Metodologia
Os autores propõem um fluxo de trabalho híbrido quântico-clássico para classificar grafos de proteínas do conjunto de dados PROTEINS (rotulados como enzimas ou não-enzimas) usando o simulador de átomos neutros Aquila de 256 qubits, disponível via AWS Braket.

Incorporação de Grafos: Como o Aquila implementa nativamente grafos UD, os grafos de proteínas gerais devem ser incorporados em um registro 2D de átomos. Os autores utilizam um modelo DEN aprimorado por rede neural para encontrar incorporações UD viáveis, aderindo a restrições específicas de hardware: uma área de registro de $75\mu m \times 76\mu m$ e espaçamento discreto entre linhas de $4\mu m$ .
Núcleo de Evolução Quântica (QEK): O algoritmo central envolve a evolução de um estado quântico sob um Hamiltoniano dependente do tempo composto por termos alternados de mistura ( $\hat{H}_\theta$ $\hat{H}_{θ}$ ) e Ising ( $\hat{H}_G$ $\hat{H}_{G}$ ). A evolução é parametrizada por um conjunto $\Lambda = \{\theta_0, t_0, \theta_1, t_1, \theta_2\}$ $Λ = {θ_{0}, t_{0}, θ_{1}, t_{1}, θ_{2}}$ .
- O sistema evolui e medições são realizadas na base computacional.
- O pós-processamento converte as cadeias de bits de medição em distribuições de energia.
- Essas distribuições são agrupadas em bins para formar vetores de probabilidade.
- A distância do núcleo entre dois grafos é calculada usando a divergência de Jensen-Shannon (JS) de suas distribuições de probabilidade: $K_\mu(G, G') = e^{-\mu JS(P, P')}$ .
Otimização: Um procedimento de otimização bayesiana é empregado para encontrar os parâmetros de forma de onda ótimos ( $\Lambda_{BO}$ ) que maximizam a pontuação F1. Essa otimização é realizada em um subconjunto menor (PROTEINS12, no máximo 12 nós) usando emulação clássica via framework Bloqade para evitar o alto custo de disparos quânticos durante a busca.
Classificação: A matriz de núcleo resultante é alimentada em uma Máquina de Vetores de Suporte (SVM) com hiperparâmetros ponderados por classe para lidar com o desequilíbrio do conjunto de dados.

Principais Contribuições

Primeira Implementação no Mundo Real: Este trabalho apresenta a primeira implementação de um pipeline de classificação de grafos baseado em QEK em um simulador real e ruidoso de átomos neutros (Aquila) com até 256 qubits.
Incorporação Consciente de Hardware: Os autores adaptam o modelo de incorporação DEN para satisfazer as restrições físicas específicas da plataforma Aquila (pulsos globais, linhas discretas), permitindo o mapeamento de grafos arbitrários para a conectividade nativa do hardware.
Otimização de Parâmetros: Através da otimização bayesiana, os autores derivaram um novo conjunto de parâmetros de pulso ( $\Lambda_{BO}$ ) que reduz a duração total do protocolo em aproximadamente 33% em comparação com parâmetros publicados anteriormente ( $\Lambda_a$ ), mitigando assim os efeitos de decoerência.
Avaliação Comparativa: O estudo fornece uma avaliação comparativa rigorosa, contrastando a abordagem quântica com um Núcleo de Caminho Mais Curto (SPK) clássico e diferentes conjuntos de parâmetros em ambientes de hardware emulado e real.

Resultados

Emulação Clássica (PROTEINS12): Os parâmetros otimizados ( $\Lambda_{BO}$ ) superaram os parâmetros da literatura ( $\Lambda_a$ ) e o SPK clássico em termos de pontuação F1 (46,3% vs. 44,1% para SPK) e precisão, apesar do pequeno tamanho do conjunto de dados e do desequilíbrio de classes.
Hardware Real (Aquila):
- PROTEINS12: O QEK otimizado executado no Aquila alcançou uma pontuação F1 de 49% e uma precisão de 63,7%, superando tanto o SPK clássico (F1 44,1%) quanto os resultados emulados. A duração mais curta do protocolo ( $\Lambda_{BO}$ ) produziu melhores resultados do que o protocolo $\Lambda_a$ mais longo, sugerindo um impacto reduzido do ruído.
- PROTEINS256: No conjunto de dados maior (no máximo 256 nós), o QEK otimizado alcançou uma pontuação F1 de 65,6% e precisão de 65,4%, o que é comparável ao SPK clássico (F1 65,3%).
Eficiência de Disparos: Uma análise estatística revelou que reduzir o número de disparos de medição de 1.000 para 100 resultou em apenas uma degradação de ~1% no desempenho, enquanto a redução para 10 disparos causou uma queda significativa.

Significado e Alegações
O artigo afirma demonstrar a viabilidade de executar cargas de trabalho de QML para problemas de grafos com centenas de nós e conectividade arbitrária nas atuais plataformas de átomos neutros. Os autores enfatizam que, apesar do ruído e da contagem limitada de qubits do hardware atual, o método QEK otimizado alcança desempenho competitivo contra núcleos clássicos. Eles postulam que, à medida que as arquiteturas de átomos neutros escalonam em contagem de qubits e fidelidade, seus mapeamentos de conectividade inerentes podem oferecer vantagens distintas para análise de grafos. O trabalho serve como uma "primeira prova de conceito" para alavancar esses simuladores quânticos específicos para tarefas práticas de aprendizado de máquina, destacando a importância de co-projetar algoritmos com restrições de hardware (como limitações de pulsos globais e requisitos de incorporação).