Software Between Quantum and Machine Learning -- And Down to Pulses

Resumo Técnico: Software entre Computação Quântica e Aprendizado de Máquina – E até Pulsos

Declaração do Problema
A pesquisa contemporânea em aprendizado de máquina quântico (QML) depende predominantemente de circuitos quânticos parametrizados (PQCs) abstraídos por meio de decomposições de portas unitárias. Embora essas abstrações ofereçam uma interface uniforme, elas obscurecem as realidades físicas do hardware subjacente, como as unidades de processamento quântico (QPUs) supercondutoras, que operam no nível de pulsos de controle. Essa abstração limita a exploração das capacidades completas do hardware e restringe o desenvolvimento de estratégias de mitigação de erros e otimização sob medida. Além disso, os frameworks de software QML existentes frequentemente tratam o controle em nível de pulso como um detalhe de implementação, e não como um objeto diferenciável, criando uma lacuna entre métricas de análise de circuitos de alto nível (por exemplo, espectros de Fourier) e otimização de pulsos de baixo nível, consciente do hardware. Há uma falta de ferramentas sistemáticas que permitam o aprendizado direto de sequências de controle em nível de pulso e a análise de seu impacto na expressividade e treinabilidade do modelo.

Metodologia
Os autores apresentam um framework de software integrado ao pacote QML-ESSENTIALS, projetado para preencher a lacuna entre modelos baseados em circuitos abstratos e controle em nível de pulso. A metodologia é construída sobre três pilares:

1. Paradigma de Modelagem Unificado: O framework estende as metodologias de QML para abranger a modelagem em nível de pulso. Trata pulsos de controle como objetos diferenciáveis, permitindo a otimização de ponta a ponta dos parâmetros do pulso ao lado dos ângulos de portas tradicionais. Isso permite a combinação perfeita de representações baseadas em portas e em nível de pulso.
2. Diagnósticos Analíticos de Fourier: Motivado pelo papel dos Modelos de Fourier Quânticos (QFMs), o framework incorpora ferramentas de diagnóstico rigorosas. Calcula coeficientes e frequências de Fourier (por meio de métodos analíticos ou Transformada Rápida de Fourier) para analisar a expressividade do modelo. Métricas-chave incluem a Impressão Digital de Fourier e a Correlação de Coeficientes de Fourier (FCC), que quantificam a correlação entre coeficientes de Fourier intrínsecos e revelam limitações na expressividade efetiva.
3. Integração de Controle Quântico Ótimo (QOC): O software implementa uma rotina de QOC para otimizar parâmetros de pulso. Suporta várias formas de envelope de pulso (Gaussiano, Retangular, Cosseno Elevado, DRAG, Secante Hiperbólica) e utiliza um procedimento de otimização multiestágio envolvendo varreduras em grade e refinamento baseado em gradiente (usando Adam com decaimento de peso e taxas de aprendizado de decaimento cosseno). A função objetivo é multiobjetivo, equilibrando a fidelidade da porta contra a duração e a largura do pulso para respeitar as restrições de tempo de coerência.

Toda a infraestrutura crítica para o desempenho é implementada em JAX para computações de arrays de alto desempenho e paralelização. O framework inclui um simulador quântico diferenciável personalizado que suporta tanto a execução de portas unitárias quanto a simulação em nível de pulso (resolvendo a equação de Schrödinger dependente do tempo por meio de métodos de Runge-Kutta adaptativos ou integradores de Magnus).

Principais Contribuições
O artigo introduz as seguintes contribuições específicas ao pacote QML-ESSENTIALS:

• Construção Modular de Ansatz: Um sistema para construir ansätze variacionais usando blocos de construção intercambiáveis (portas e topologias), suportando tanto estruturas predefinidas (por exemplo, Fortemente Entrelaçantes, Eficientes em Hardware) quanto composições personalizadas.
• Interface em Nível de Pulso: Uma interface baseada em grafos que permite aos usuários parametrizar ansätze diretamente com parâmetros de pulso (amplitude, largura, duração, fase) em vez de apenas ângulos de rotação. Essa interface suporta tanto portas básicas quanto portas compostas, lidando com redundâncias de parâmetros.
• Diagnósticos Aprimorados:
  • Implementação da Correlação de Coeficientes de Fourier (FCC) e da Impressão Digital de Fourier para analisar propriedades espectrais.
  • Extensão de métricas de emaranhamento para incluir Emaranhamento de Formação (EF) e Emaranhamento Concentrável (CE), que são aplicáveis a estados quânticos mistos (ruidosos), além das métricas de estado puro existentes, como Meyer-Wallach e Medições de Bell.
• Geração de Conjuntos de Dados: Um gerador de conjuntos de dados de série de Fourier embutido que infere frequências intrínsecas a partir de estratégias de codificação para criar pares de dados de treinamento.
• Visualização e Reprodutibilidade: Ferramentas para exportar diagramas de circuitos (texto, Matplotlib, Quantikz) e cronogramas de sequências de pulsos, garantindo fluxos de trabalho reprodutíveis.

Resultados
Os autores fornecem resultados de prova de conceito demonstrando as capacidades do framework:

• Otimização QOC: O framework otimizou com sucesso parâmetros de pulso para um conjunto de portas universais ($\hat{RX}, \hat{RY}, \hat{RZ}, \hat{CZ}$). As infidelidades de porta resultantes foram extremamente baixas (por exemplo, $\sim 10^{-13}$ para portas de um único qubit), superando significativamente as fidelidades atuais de dispositivos reais ($\sim 10^{-7}$), confirmando a precisão do simulador em ambientes ideais.
• Acúmulo de Erros: Experimentos mostraram que a infidelidade acumula com a profundidade do circuito e o número de portas não básicas, embora os resultados do framework permaneçam ordens de magnitude abaixo das taxas de erro de hardware práticas.
• Comparação de Métricas: Benchmarks comparando expressibilidade baseada em divergência KL e FCC revelaram discrepâncias; alguns ansätze pareceram menos expressivos via divergência KL, mas mostraram menor correlação de coeficientes (maior treinabilidade) via FCC, validando a utilidade de combinar essas métricas.
• Escalabilidade: Benchmarks de tempo de execução indicaram que, embora tanto os tempos de cálculo de expressibilidade quanto de FCC escalem exponencialmente com a contagem de qubits (consistente com a complexidade do sistema quântico), o cálculo de FCC escala de forma mais favorável em relação à profundidade do circuito comparado à expressibilidade, que requer amostragem extensa em pares.
• Análise de Emaranhamento: Comparações de métricas de emaranhamento (MW, BM, CE, EF) em vários ansätze mostraram uma ordenação consistente para estados puros. Sob modelos de ruído, BM e CE mantiveram a ordem, mas produziram valores mais altos, enquanto EF comportou-se de maneira diferente, sugerindo sua utilidade como um limite superior ou medida alternativa em regimes ruidosos.

Significância e Alegações
O artigo afirma que este framework de software fornece uma base robusta para desenvolvimentos futuros na interseção de QML e controle quântico. Sua principal significância reside em:

1. Preenchimento da Lacuna: Conecta a análise de circuitos abstratos com a otimização em nível de pulso consciente do hardware, permitindo que pesquisadores estudem expressividade, treinabilidade e emaranhamento diretamente no nível de controles fisicamente realizáveis.
2. Investigação Sistemática: Permite investigações reprodutíveis e sistemáticas sobre como o aprendizado em nível de pulso e estratégias específicas de codificação de dados influenciam modelos de QML, indo além de suposições de portas idealizadas.
3. Ferramentas Científicas: Os autores posicionam o trabalho como uma ferramenta científica, e não como um produto imediatamente orientado para aplicações. É projetado para facilitar a exploração sistemática do aprendizado em nível de pulso com QFMs, uma combinação que os autores observam não estava anteriormente disponível em um único pacote de software integrado.
4. Potencial Futuro: O framework estabelece as bases para experimentos futuros que exploram estratégias de mitigação de erros, otimização direta de parâmetros de pulso em tarefas de aprendizado e a integração de dinâmicas de sistema conscientes do hardware (por exemplo, amortecimento).

Os autores afirmam explicitamente que, embora o framework inclua otimizações de desempenho, a contribuição principal é científica, visando fornecer uma caixa de ferramentas abrangente para pesquisa reprodutível de QML que unifica propriedades espectrais com detalhes de implementação física.