Quantifying the Hadamard Resilience Law: Discovery of the Coherence Gap in NISQ-Era Classifiers

Resumo Técnico: Quantificação da Lei de Resiliência de Hadamard e a Descoberta da Lacuna de Coerência

Declaração do Problema
A transição de algoritmos de aprendizado de máquina quântico (QML) da teoria para hardware de Escala Intermediária Ruidosa (NISQ) é frequentemente impedida por decoerência sistêmica. Enquanto modelos teóricos frequentemente assumem alta fidelidade de portas, processadores supercondutores físicos sofrem com decaimento de sinal que pode tornar circuitos quânticos profundos ineficazes. Especificamente, há uma falta de compreensão sobre se as fronteiras de decisão de classificadores quânticos podem sobreviver ao colapso catastrófico da magnitude do sinal observado no hardware atual. Este artigo investiga a robustez do Teste de Hadamard — um primitivo fundamental para camadas lineares quânticas — contra o perfil de ruído específico do processador ibm_kingston.

Metodologia
Os autores empregaram uma abordagem híbrida combinando execução em hardware físico com uma simulação "Gêmeo Digital" calibrada:

1. Calibração de Hardware: Utilizando 100 sondas persistentes derivadas de matrizes de pesos treinadas do MNIST, a equipe executou testes de Hadamard no backend ibm_kingston. Esses resultados foram comparados a um simulador ideal para calibrar um modelo de ruído, identificando parâmetros específicos de ruído de porta ($\lambda$) e erro de leitura ($\epsilon$).
2. Comparação Estocástica vs. Física: O estudo contrastou o desempenho de um modelo de ruído estocástico (Gêmeo Digital) com a execução em hardware físico. Isso envolveu analisar a compressão de sinal, a preservação de rank e a precisão de classificação em várias profundidades de características ($N$), testando especificamente $N=16$ e $N=256$.
3. Análise Paramétrica: Os autores realizaram uma varredura paramétrica para identificar limiares críticos onde o operador "Argmax" (usado para classificação) falha em recuperar o sinal, e conduziram um estudo de ablação de profundidade para isolar o impacto da profundidade do circuito na coerência.

Principais Contribuições
O artigo introduz quatro conceitos e descobertas primárias:

• A Constante Kingston ($\kappa \approx 0,07$): Uma caracterização da compressão de sinal sistêmica do processador ibm_kingston. O hardware exibe um colapso de 93% na magnitude do sinal, mapeando valores esperados teóricos (intervalo $[-15, 15]$) em uma faixa de hardware estreita (aproximadamente $[-1, 1]$).
• A Lei de Resiliência de Hadamard: Uma lei proposta afirmando que classificadores quânticos podem manter alta precisão de inferência (>93%) mesmo quando a fidelidade numérica colapsa devido a ruído despolarizante. Essa resiliência é atribuída à preservação da ordem de rank das probabilidades das classes, em vez de suas magnitudes absolutas. O operador Argmax atua como um filtro não linear, permanecendo funcional desde que a margem comprimida pelo hardware exceda o piso estatístico do ruído de disparo.
• O Limiar de Resiliência ($\epsilon_{crit} \approx 0,65$): Um limite paramétrico identificado onde o operador Argmax falha em recuperar o sinal. Abaixo desse limiar de ruído de porta, o sistema mantém alta correlação de rank; acima dele, o sinal é perdido para a variância estatística.
• A Lacuna de Coerência ($\Delta\rho \approx 0,91$): Uma divergência crítica descoberta em altas profundidades de características ($N=256$). Enquanto simulações estocásticas preveem alta resiliência, o desempenho do hardware físico colapsa. Essa lacuna isola erros de fase coerentes e diafonias (em vez de ruído despolarizante) como a principal barreira para a escalabilidade de camadas lineares quânticas.

Resultados Experimentais

• Decaimento de Sinal e Preservação de Rank: Apesar do colapso de 93% na magnitude do sinal, a tendência monótona do sinal permaneceu intacta para profundidades menores, permitindo classificação correta. O Gêmeo Digital (modelo estocástico) alcançou 94,2% de precisão com um Spearman $\rho$ de 0,9856, confirmando a resiliência teórica.
• O Muro de Coerência em $N=256$: No processador físico ibm_kingston, a profundidade do circuito para 256 características ($D \approx 10.392$) excedeu o limite de coerência característico do hardware ($D_{max} \approx 3.465$). Isso resultou em um "Muro de Coerência" onde o Spearman $\rho$ caiu para 0,0763 e a fidelidade de sinal caiu para 53,0% (efetivamente um chute aleatório), apesar do Gêmeo Digital prever desempenho robusto.
• Eficiência do Ruído de Disparo: O estudo encontrou que a correlação de rank estabiliza rapidamente com o número de disparos. Em 512 disparos, o sistema alcançou um Spearman $\rho$ de 0,9096, indicando que o ruído estatístico de disparo não é o principal gargalo para implementações NISQ atuais.
• Análise de Recursos: A análise confirmou que a "Lacuna de Coerência" é causada pela acumulação de erros de fase coerentes em circuitos densos em CNOT, que embaralham a ordenação de rank necessária para que a Lei de Resiliência de Hadamard se mantenha.

Significado e Alegações
O artigo alega estabelecer dois pilares críticos para o aprendizado de máquina quântico da era NISQ:

1. Validade da Lei de Resiliência de Hadamard: Demonstra que o Teste de Hadamard, quando acoplado a um operador Argmax, é matematicamente robusto contra ruído despolarizante. Classificação de alto desempenho é alcançável mesmo quando as magnitudes de sinal colapsam em mais de 90%, desde que o ruído seja estocástico e uniforme.
2. Identificação da Lacuna de Coerência: O trabalho redefine as limitações de escalabilidade de classificadores quânticos. Argumenta que a barreira para a escalabilidade não é o piso de ruído estocástico (que a Lei de Resiliência supera), mas a acumulação de erros de fase coerentes em circuitos profundos. Essa "Lacuna de Coerência" serve como uma nova referência para backends NISQ, sugerindo que a evolução futura do hardware deve priorizar a supressão de deriva de fase coerente e diafonias sobre meras melhorias na fidelidade de portas.

Os autores concluem que, embora a Lei de Resiliência de Hadamard forneça um caminho teórico para utilidade funcional em tarefas de classificação décadas antes da correção completa de erros, o hardware atual é limitado por um "Muro de Coerência" em $N=256$. Eles propõem que superar isso requer mudanças arquitetônicas, como transformações lineares distribuídas (Quantum MapReduce), para reduzir a profundidade do circuito abaixo do limite de coerência.