⚛️ quantum physics

Machine Learning-based Quantum Error Mitigation for Variational Algorithms

Este artigo propõe um protocolo prático de mitigação de erros quânticos baseado em aprendizado de máquina que utiliza circuitos (quase-)Clifford simulados para gerar dados de treinamento, permitindo uma supressão de erros eficaz e um desempenho superior ao Zero-Noise Extrapolation para algoritmos quânticos variacionais em dispositivos quânticos de escala intermediária ruidosa.

Autores originais: Nikita Korolev, Kirill Lakhmanskiy, Daniil Rabinovich

Publicado 2026-06-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nikita Korolev, Kirill Lakhmanskiy, Daniil Rabinovich

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

A Visão Geral: Consertando um Computador Quântico Ruidoso

Imagine que você tem um computador quântico novinho em folha e incrivelmente poderoso. É como um chef superinteligente que consegue cozinhar pratos complexos (resolver problemas difíceis) que nenhuma cozinha normal seria capaz de lidar. No entanto, há um porém: a cozinha está atualmente em obras. As luzes piscam, o fogão falha e o chef vive derrubando os ingredientes. Isso é o que os cientistas chamam de dispositivo NISQ (Quantum de Escala Intermediária com Ruído).

Devido a esse "ruído", o prato final do chef (a resposta para um problema) muitas vezes fica com um gosto estranho. O artigo propõe uma nova maneira de consertar o sabor do prato sem precisar reconstruir a cozinha ou esperar por equipamentos perfeitos. Eles chamam isso de Mitigação de Erro Quântico baseada em Aprendizado de Máquina (ML-QEM).

O Problema: Como Você Ensina um Computador a Consertar o Ruído?

Para consertar um resultado ruidoso, você geralmente precisa saber como é o resultado "perfeito" para poder compará-lo aos dois.

O Jeito Antigo: Alguns métodos tentam medir o ruído diretamente (como tentar mapear cada vez que a lâmpada pisca). Isso é difícil e lento.
O Novo Jeito (Este Artigo): Os autores utilizam Aprendizado de Máquina. Pense nisso como contratar um "provador de sabores" de IA. Você alimenta a IA com milhares de exemplos de "pratos ruins" (resultados ruidosos) e "pratos perfeitos" (resultados ideais). A IA aprende o padrão de como o ruído estraga o sabor e constrói uma "receita de correção".

O Obstáculo: Você não pode alimentar a IA com pratos perfeitos do computador quântico real agora porque o computador é muito ruidoso. E você não pode simular pratos perfeitos em um computador normal para problemas grandes porque eles são complexos demais.

A Solução: O Atalho "Clifford"

Os autores encontraram um contorno inteligente. Em vez de tentar simular toda a complexa receita quântica, eles usaram um tipo especial de truque matemático chamado circuitos de Clifford.

A Analogia: Imagine que você quer ensinar um aluno a assar um bolo de casamento complexo. Em vez de assar o bolo inteiro (o que leva muito tempo e pode falhar), você assa panquecas simples que usam os mesmos ingredientes e técnicas básicas.
O Truque: Essas "panquecas" (circuitos de Clifford) são simples o suficiente para que um computador comum possa simulá-las perfeitamente. Os autores geraram milhares dessas "panquecas" simples e perfeitas, junto com suas versões ruidosas, para treinar sua IA.
A Magia: Mesmo que os dados de treinamento fossem simples, a IA aprendeu as "regras gerais do ruído". Quando testaram a IA no "bolo de casamento" complexo (o algoritmo quântico real que queriam resolver), a IA ainda conseguia corrigir os erros de forma eficaz.

Como Eles Testaram

Eles testaram este método em um problema específico chamado VQE (Eigensolver Variacional Quântico), que é usado para encontrar o estado de menor energia de uma molécula (como encontrar a forma mais estável de uma molécula).

A Configuração: Eles simularam um computador quântico com até 12 qubits (as unidades básicas de informação quântica) e introduziram três tipos diferentes de "ruído" (como estática em um rádio, falhas aleatórias ou uma mistura de ambos).
A Comparação: Eles compararam o novo método de IA contra um método padrão chamado ZNE (Extrapolação de Ruído Zero). O ZNE é como tentar adivinhar o sabor perfeito cozinhando o prato a 100% de volume, 200% de volume e 300% de volume, e depois adivinhar como seria o sabor a 0% de volume.

Os Resultados

Funciona Muito Bem: O método de IA limpou com sucesso os resultados ruidosos, reduzindo os erros em várias vezes (às vezes até 8 vezes melhor) em quase todos os testes.
Melhor em Alto Ruído: Quando o ruído era muito pesado (a cozinha estava realmente caótica), o método de IA foi muito superior ao método padrão ZNE. O ZNE teve dificuldades quando o ruído ficou muito alto, mas a IA continuou funcionando.
Dados de Treinamento Importam: Eles descobriram que treinar a IA com os dados "near-Clifford" (panquecas com um toque extra de tempero) ligeiramente mais complexos funcionou melhor do que os dados super simples.
Quando Aplicar o Conserto: Eles testaram duas formas de usar o conserto:
- Durante o cozimento: Consertando o sabor enquanto o chef ainda está decidindo como cozinhar.
- Após o cozimento: Consertando o sabor depois que o prato já foi servido.
- A Descoberta: Não importava de qual jeito fizessem; o resultado final era o mesmo. No entanto, consertar depois é mais rápido e fácil, sendo esta a abordagem recomendada.

A Conclusão

Este artigo mostra que não precisamos esperar por computadores quânticos perfeitos e livres de erros para obter bons resultados. Ao usar uma IA inteligente treinada em exemplos simulados simples, podemos "limpar" os resultados bagunçados das máquinas ruidosas de hoje. É como ter um editor superinteligente que consegue corrigir um manuscrito bagunçado mesmo que nunca tenha visto o autor original escrever, apenas estudando milhares de outros rascunhos.

Lição Principal: Este método é prático para os computadores quânticos atuais e funciona melhor do que os métodos padrão atuais quando as máquinas estão muito ruidosas.

Resumo Técnico: Mitigação de Erros Quânticos baseada em Aprendizado de Máquina para Algoritmos Variacionais

Definição do Problema
Os dispositivos atuais de Escala Intermediária com Ruído Quântico (NISQ) sofrem com tempos de coerência limitados e infidelidades de porta, o que afeta negativamente o desempenho dos Algoritmos Quânticos Variacionais (VQAs), como o Solucionador de Autovalores Quânticos Variacional (VQE). Embora a Correção de Erros Quânticos (QEC) ofereça uma solução de longo prazo, ela requer atualmente capacidades de hardware além do alcance atual. A Mitigação de Erros Quânticos (QEM) serve como uma alternativa de curto prazo ao recuperar valores de esperança sem ruído através de pós-processamento, em vez de supressão física.

As abordagens existentes de ML-QEM (Mitigação de Erros Quânticos baseada em Aprendizado de Máquina) enfrentam dois principais limites:

Aplicabilidade Restrita: Muitos métodos são adaptados para circuitos com parâmetros fixos, limitando sua utilidade para algoritmos variacionais onde os parâmetros mudam dinamicamente.
Escassez de Dados: O treinamento de modelos de ML requer dados ideais ("sem ruído"), que são difíceis de obter para circuitos quânticos parametrizados de grande escala via simulação clássica. Embora circuitos (quase-)Clifford possam ser simulados eficientemente, trabalhos anteriores frequentemente restringiram seu escopo a instâncias de parâmetros fixos.

Metodologia
Os autores propõem um protocolo prático de ML-QEM projetado especificamente para circuitos variacionais. O fluxo de trabalho central envolve:

Geração de Conjunto de Dados via Circuitos (Quase-)Clifford:
- Em vez de simular o circuito variacional alvo (que é classicamente intratável para $n$ grande), os autores geram dados de treinamento simulando circuitos onde as rotações de qubit único parametrizadas do ansatz alvo são substituídas por portas Clifford amostradas aleatoriamente.
- Para ampliar a cobertura do espaço de Hilbert, eles também introduzem circuitos "quase-Clifford" ao inserir uma camada de unitárias de Haar aleatórias no início do circuito, aplicadas probabilisticamente para controlar o número de portas não-Clifford.
- Esta abordagem permite a geração de um conjunto de dados $\{P_{noisy}, P_{ideal}\}$ onde $P$ representa o vetor de valores de esperança das strings de Pauli, sem a necessidade de simular os parâmetros variacionais específicos do problema alvo.
Seleção e Treinamento do Modelo:
- A tarefa é formulada como o aprendizado de um mapeamento $f_\phi$ de strings de Pauli com ruído para suas contrapartes sem ruído.
- Diversos modelos de regressão foram testados, incluindo Regressão Linear (Ridge), Random Forest, SVM, KNN, MLP e XGBoost.
- A Regressão Ridge (com Standard Scaler) e o XGBoost emergiram como os melhores desempenhos. A regressão Ridge demonstrou superior estabilidade e supressão de erro na maioria dos regimes, atribuída à sua forte regularização que evita o sobreajuste (overfitting) em dados limitados. O XGBoost mostrou superioridade ocasional em regimes de alto ruído, provavelmente devido à sua capacidade de capturar efeitos de ruído não lineares.
Integração no VQE:
- O estudo investiga dois regimes de integração: mitigação no loop (aplicando a correção de ML durante o processo de otimização) e mitigação pós-otimização (aplicando a correção apenas após os parâmetros serem otimizados).
- Experimentos numéricos no Hamiltoniano de Sherrington-Kirkpatrick (SK) (até $n=12$ qubits) revelaram que o ruído não distorce significativamente a geometria global do cenário de custo. Consequentemente, a mitigação pós-otimização mostrou-se tão eficaz quanto a mitigação no loop, sendo, contudo, computacionalmente mais eficiente.

Principais Resultados
O protocolo proposto foi testado contra o método padrão de Extrapolação de Ruído Zero (ZNE) utilizando três modelos de ruído: Depolarizante, Pauli e Composto.

Supressão de Erro: O protocolo ML-QEM alcançou uma supressão de erro consistente em todas as configurações testadas. No regime de baixo a moderado ruído, a regressão Ridge treinada em dados quase-Clifford apresentou o melhor desempenho, frequentemente reduzindo os erros em uma ordem de magnitude.
Regime de Alto Ruído: Em cenários de alto ruído, o XGBoost ocasionalmente superou a regressão Ridge, particularmente para ruídos Depolarizantes e de Pauli, sugerindo que modelos não lineares capturam melhor as interações complexas de ruído nessas condições específicas.
Comparação com ZNE:
- Em regimes de baixo ruído, o ZNE geralmente superou a abordagem de ML-QEM.
- No entanto, conforme a força do ruído aumentava, o desempenho do ZNE degradava, enquanto o método ML-QEM permanecia robusto. Em regimes de alto ruído, o protocolo ML-QEM proposto tornou-se comparável ou superior ao ZNE.
Transferibilidade: Os modelos treinados demonstraram capacidade de transferência entre diferentes Hamiltonianos alvo com estruturas de emaranhamento semelhantes (especificamente o ansatz TwoLocal), validando a aplicabilidade da abordagem a quaisquer parâmetros variacionais.

Significância e Alegações
O artigo afirma fornecer um framework prático para ML-QEM que supera o gargalo de aquisição de dados ao utilizar circuitos (quase-)Clifford eficientemente simuláveis. Os autores afirmam que seu método:

Gera um modelo de mitigação generalizável: O modelo é treinado em circuitos de estrutura fixa, mas corrige com sucesso circuitos variacionais com parâmetros arbitrários.
Oferece robustez: Fornece uma supressão de erro consistente e de várias ordens de magnitude, destacando-se especialmente em ambientes de alto ruído onde o ZNE tradicional tem dificuldades.
Otimiza o fluxo de trabalho: Estabelece que a mitigação pós-otimização é suficiente para os cenários testados, evitando o overhead computacional de integrar correções de ML no loop de otimização.

O trabalho conclui que este protocolo é aplicável aos processadores NISQ atuais, oferecendo um caminho viável para melhorar o desempenho de VQAs sem a necessidade de tolerância total a falhas ou tomografia de ruído extensiva.