Resumo Técnico: Busca de Arquitetura Neural Híbrida Quântico-Clássica

Declaração do Problema

Redes Neurais Híbridas Quântico-Clássicas (HQNNs) representam uma abordagem prática para aprendizado de máquina quântico (QML) na era de Computadores Quânticos de Escala Intermediária Ruidosa (NISQ), combinando aprendizado profundo clássico com circuitos quânticos parametrizados (PQCs). No entanto, o desempenho e a eficiência das HQNNs são altamente sensíveis a escolhas arquitetônicas, incluindo estratégias de codificação de dados, profundidade do circuito, composição de portas, padrões de emaranhamento e o acoplamento entre módulos clássicos e quânticos.

Atualmente, o projeto de HQNNs depende fortemente da construção manual e heurística por especialistas. Essa abordagem torna-se cada vez mais difícil de escalar e frequentemente falha em considerar limitações de hardware e restrições de recursos. Embora a Busca de Arquitetura Neural (NAS) tenha automatizado com sucesso o projeto de aprendizado profundo clássico, sua extensão para configurações quânticas e híbridas permanece pouco explorada. Especificamente, há necessidade de um método sistemático para descobrir arquiteturas HQNN que equilibrem precisão preditiva com eficiência computacional, indo além da otimização centrada na precisão em direção a um projeto consciente do hardware.

Metodologia

O artigo propõe um framework para Busca de Arquitetura Neural Consciente de Hardware (HANAS) Consciente de FLOPs, adaptada para HQNNs. A metodologia trata o projeto de HQNN como um problema de otimização multiobjetivo, visando maximizar simultaneamente a precisão preditiva e minimizar o custo computacional.

1. Formulação do Problema

A busca é formulada como a seleção de uma arquitetura $a^*$ de um espaço de busca $\mathcal{A}$ para minimizar uma função objetivo $J(a)$, que combina qualidade de aprendizado e custo de implementação:
$$a^* = \arg \min_{a \in \mathcal{A}} J(a)$$
Neste trabalho, $J(a)$ é um critério multiobjetivo que equilibra precisão e complexidade computacional.

2. Definição do Espaço de Busca

O espaço de busca é decomposto em quatro componentes:

• Codificação de Dados ($\mathcal{A}_{enc}$): Escolhas como codificação por ângulo ou amplitude.
• Circuito Variacional ($\mathcal{A}_{var}$): Inclui o número de qubits (variando de 2 a 10), portas de rotação parametrizadas ($R_x, R_y, R_z$), tipos de portas de emaranhamento (CNOT, CZ) e topologia de emaranhamento (linear, circular).
• Medição ($\mathcal{A}_{meas}$): Configuração de leitura.
• Pós-processamento ($\mathcal{A}_{post}$): Camadas clássicas para previsão.

Nos experimentos propostos, as camadas de pré e pós-processamento clássico foram mantidas fixas para isolar o impacto das variações na camada quântica. O espaço de busca definido resultou em um total de 23.328 arquiteturas híbridas potenciais.

3. Estratégia de Busca: Algoritmo Genético (NSGA-II)

Os autores utilizam o Algoritmo Genético de Ordenação Não Dominada II (NSGA-II) para explorar o espaço de busca. O processo envolve:

• Inicialização: Criação de uma população de arquiteturas candidatas.
• Avaliação: Treinamento de cada modelo híbrido e medição de duas métricas-chave:
  1. Precisão: Desempenho padrão de classificação.
  2. FLOPs (Operações de Ponto Flutuante): Usados como um proxy agnóstico ao hardware para complexidade computacional. Crucialmente, o estudo distingue entre FLOPs Clássicos (processamento de dados) e FLOPs Quânticos (simulação de atualizações de vetores de estado do PQC).
• Seleção e Evolução: Uso de ordenação não dominada e distância de aglomeração para identificar soluções Pareto-ótimas. O algoritmo emprega cruzamento ($p=0.8$) e mutação ($p=0.2$) para evoluir gerações.
• Terminação: A busca para se nenhuma melhoria nos objetivos for observada por duas gerações consecutivas.

Contribuições Principais

1. Framework Sistemático para Projeto de HQNN: O artigo estabelece uma base para estender a NAS para configurações híbridas quântico-clássicas, mudando do projeto heurístico manual para uma otimização sistemática e automatizada.
2. Otimização Consciente de FLOPs: Introduz uma abordagem específica onde o custo computacional (medido em FLOPs) é explicitamente otimizado juntamente com a precisão. Isso aborda o gargalo do sobrecarga de recursos clássicos no desenvolvimento de HQNNs orientado por simulação.
3. Decomposição do Espaço de Busca: O trabalho formaliza o espaço de busca de HQNN em componentes distintos (codificação, variacional, medição, pós-processamento), destacando que a busca de arquitetura quântica vai além do simples sequenciamento de portas.
4. Validação Empírica: A metodologia é validada em conjuntos de dados de complexidade variada (Iris e Digits), demonstrando a capacidade de identificar arquiteturas que alcançam alto desempenho com recursos computacionais reduzidos.

Resultados

A avaliação experimental nos conjuntos de dados Iris e Digits gerou as seguintes percepções:

• Conjunto de Dados Iris: A precisão variou significativamente (40% a >90%) entre as arquiteturas. Soluções Pareto-ótimas alcançaram alta precisão com FLOPs clássicos muito baixos, indicando que o sobrecarga clássico não era o fator limitante. A análise de FLOPs quânticos mostrou que alto desempenho poderia ser alcançado tanto em orçamentos baixos quanto altos, embora configurações de médio alcance fossem inconsistentes.
• Conjunto de Dados Digits: A precisão melhorou rapidamente com pequenos aumentos em FLOPs quânticos, saturando perto de 100% em orçamentos de $10^3$–$10^4$. Além desse ponto, circuitos maiores ofereceram retornos decrescentes. FLOPs clássicos mostraram correlação fraca com a precisão, enquanto a distribuição total de FLOPs revelou uma frente Pareto bem definida.
• Percepções Gerais:
  • Melhorias na precisão foram impulsionadas principalmente por FLOPs quânticos, enquanto FLOPs clássicos permaneceram relativamente fixos devido a designs de camadas clássicas restritos.
  • Existem trade-offs Pareto-ótimos claros entre precisão e custo computacional, provando que alto desempenho não requer as arquiteturas mais intensivas em recursos.
  • Existem limiares dependentes do conjunto de dados onde o aumento de FLOPs produz retornos decrescentes, destacando o risco de circuitos quânticos excessivamente complexos.

Significado e Alegações

O artigo argumenta que o próximo estágio de progresso em QML requer uma mudança de paradigma do projeto heurístico e manual para a Busca de Arquitetura Neural Consciente de Hardware (HANAS). Ao incorporar restrições computacionais (proxiedas por FLOPs) no processo de busca, o framework proposto permite a descoberta de HQNNs que não são apenas precisas, mas também computacionalmente viáveis e escaláveis.

Os autores posicionam a NAS consciente de FLOPs como um passo crítico para o projeto sistemático de HQNNs, particularmente para fluxos de trabalho baseados em simulação na era NISQ, onde o sobrecarga de recursos clássicos é um gargalo. No entanto, o artigo mantém um escopo modesto em relação às suas alegações:

• Reconhece que FLOPs são um proxy para custo de simulação e diferem de métricas em nível de hardware, como contagem de portas ou profundidade do circuito.
• Declara explicitamente que estender o framework para incorporar restrições em nível de dispositivo (como ruído, decoerência e conectividade de qubits) permanece um desafio em aberto.
• Os autores vislumbram que futuros frameworks HANAS devem evoluir para incorporar essas restrições específicas de hardware quântico para preencher a lacuna entre o projeto de modelo abstrato e sistemas quânticos implantáveis.