Resumo Técnico: Treinamento Escalável de Redes Neurais Quânticas em Hardware Real e Aplicação à Imputação de Dados Clínicos

1. Definição do Problema

O treinamento de Redes Neurais Quânticas (QNNs) em hardware quântico de curto prazo é atualmente limitado pelo custo proibitivo da estimativa de gradiente. As regras de deslocamento de parâmetros (parameter-shift rules) padrão exigem um número de avaliações de circuito que escala quadraticamente ($O(n^2)$) com o número de parâmetros treináveis. Para arquiteturas genéricas com $O(n^2)$ parâmetros, isso torna a otimização baseada em hardware impraticável além de pequenos tamanhos de sistema devido aos orçamentos finitos de shots, tempos de coerência e restrições de tempo de execução (wall-clock).

Além disso, as QNNs enfrentam o desafio dos "platôs de barren" (barren plateaus), onde os gradientes desaparecem exponencialmente com o tamanho do sistema ou a profundidade do circuito. Embora arquiteturas estruturadas (ex: circuitos que preservam o peso de Hamming) possam mitigar os platôs de barren, elas não resolvem inerentemente o problema de escalonamento da estimativa de gradiente. O domínio de aplicação específico da imputação de dados clínicos apresenta um banco de testes rigoroso para esses desafios: exige o aprendizado de relações condicionais complexas e não lineares em espaços de dimensionalidade moderadamente alta, mantendo a estabilidade sob ruído e dados limitados.

2. Metodologia

Os autores introduzem um framework de treinamento co-projetado que reduz o custo da estimativa de gradiente de $O(n^2)$ para $O(\log n)$ por etapa de otimização. Este framework integra três componentes principais:

A. Arquitetura Estruturada: O Circuito Butterfly

A QNN emprega uma arquitetura Butterfly composta por portas de dois qubits que preservam o peso de Hamming (Reconfigurable Beam Splitter ou portas RBS).

• Inicialização de Estado: O circuito começa com uma preparação de estado não-Gaussiana usando um protocolo de "carregador de estado mágico" (magic-state loader), criando blocos de quatro qubits emaranhados ($|0011\rangle + |1100\rangle$). Isso garante que o circuito opere fora do regime Gaussiano classicamente simulável.
• Carregamento de Dados: As características clássicas são codificadas por ângulo via rotações $R_Y$ de qubit único, preservando o caráter não-Gaussiano.
• Estrutura: O núcleo treinável consiste em $O(\log n)$ camadas de portas RBS. Dentro de cada camada, as portas atuam em pares de qubits disjuntos. Esta estrutura reduz o número total de parâmetros de $O(n^2)$ para $O(n \log n)$ e permite a mistura de informações globais com profundidade rasa.

B. Estratégia de Treinamento por Camadas

Em vez de otimizar todos os parâmetros simultaneamente, o framework adota um protocolo de treinamento por camadas (guloso):

1. Dois subcircuitos independentes de tamanho $n/2$ são treinados (classicamente ou via simulação) e seus parâmetros são congelados.
2. Uma nova camada de acoplamento de $n/2$ portas RBS é adicionada para conectar os subcircuitos.
3. Apenas os parâmetros desta camada recém-introduzida são otimizados no hardware quântico.
   Este processo se repete, confinando a otimização em hardware a um subconjunto pequeno e bem estruturado de parâmetros em cada estágio.

C. Regra de Deslocamento de Parâmetros Paralelizada

O framework explora a estrutura comutativa dentro de cada camada Butterfly. Como as portas em uma única camada atuam em pares de qubits disjuntos, seus geradores comutam mutuamente.

• Isso permite que todos os parâmetros dentro de uma camada sejam deslocados simultaneamente.
• Usando uma regra de deslocamento de parâmetros específica e paralelizada, os gradientes para todos os parâmetros em uma camada podem ser extraídos de um núor constante de execuções de circuito (independente do tamanho da camada).
• Combinado com a profundidade $O(\log n)$, o número total de execuções de circuito distintas por etapa de otimização escala como $O(\log n)$.

3. Aplicação: Imputação de Dados Clínicos

O framework é validado no conjunto de dados de registros eletrônicos de saúde MIMIC-III, um benchmark para imputação de valores clínicos ausentes.

• Tarefa: A predição binária de sobrevivência do paciente (métrica AUC) serve como um proxy de downstream para a qualidade da imputação.
• Protocolo: Um pipeline híbrido clássico-quântico é utilizado. Uma QNN atua como um estimador condicional treinável dentro de um esquema de imputação iterativo. Especificamente, utiliza-se um protocolo de "imputação de uma característica" onde a QNN prevê uma única característica alvo (selecionada pela importância de Gini) enquanto outras características são imputadas classicamente (via MissForest).
• Baselines: O modelo híbrido é comparado contra baselines estatísticos (média/zero) e métodos clássicos fortes de modelos iterativos (KNN, MICE, MissForest, Deep MICE).

4. Resultados Principais

Experimentos foram conduzidos em hardware de íons aprisionados IonQ Forte Enterprise e via simulação de rede de tensores (MPS).

• Viabilidade de Treinamento em Hardware (16 Qubits):

  • Uma QNN de 16 qubits foi treinada diretamente no hardware IonQ usando a regra de deslocamento de parâmetros paralelizada.
  • O modelo treinado em hardware alcançou um AUC médio de 0,7147, igualando o desempenho do baseline clássico mais forte (Deep MICE, AUC 0,7176).
  • Crucialmente, o modelo híbrido exibiu menor variância entre sementes aleatórias comparado ao Deep MICE clássico, sugerindo melhor estabilidade de otimização.
  • Não houve degradação de desempenho ao comparar o treinamento em simuladores ideais, simuladores ruidosos e o hardware real.

• Escalonamento e Inferência (32 Qubits):

  • O treinamento foi realizado via simulação MPS para modelos de 32 qubits, enquanto a inferência foi executada diretamente no hardware IonQ.
  • O modelo híbrido de 32 qubits igualou o desempenho de uma rede neural totalmente clássica de 32 nós, confirmando que circuitos de 32 qubits são compatíveis com hardware e não incorrem em penalidade de desempenho durante a inferência.

• Análise de Capacidade:

  • Um estudo de ablação sobre a largura da rede clássica indicou que o desempenho satura em 128 unidades ocultas.
  • Os autores identificam 128 qubits como a escala alvo necessária para que uma QNN iguale plenamente o poder expressivo do baseline clássico ideal para esta tarefa específica.

5. Significância e Alegações

O artigo afirma demonstrar um caminho prático e escalável para o treinamento de QNNs em hardware de curto prazo, alterando fundamentalmente o escalonamento dos custos de estimativa de gradiente.

• Contribuição Primária: A redução da complexidade de execução do circuito de $O(n^2)$ para $O(\log n)$ permite a otimização direta baseada em gradiente no hardware atual (demonstrada em 16 qubits) sem recorrer a poda de gradiente, aproximações de ordem zero ou recuos para simulação.
• Robustez: O framework produz modelos que são robustos ao ruído realista do hardware e exibem variância reduzida em comparação com baselines de redes neurais clássicas.
• Compatibilidade de Hardware: O trabalho valida que circuitos estruturados de baixa profundidade (Butterfly), combinados com a extração de gradiente paralelizada, são bem adequados para plataformas de conectividade de longo alcance, como processadores de íons aprisionados.
• Escopo Modesto: Os autores declaram explicitamente que a configuração experimental atual é um "benchmark diagnóstico controlado" (imputação de uma característica) e não um sistema de produção totalmente otimizado. A alegação é que o framework proposto viabiliza o treinamento prático, permanecendo a imputação de dataset completo na escala alvo (128 qubits) como um marco futuro conforme o hardware amadurece.