Pure and mixed Dicke state ansatz for equality and inequality constraints in variational quantum eigensolver

Este artigo introduz um ansatz de estado Dicke misto preservador de viabilidade para o Algoritmo Variacional de Autovalores Quânticos que codifica estruturalmente restrições de peso de Hamming de igualdade e desigualdade para eliminar a necessidade de termos de penalidade, demonstrando desempenho superior em relação à busca aleatória na otimização combinatória de portfólio, ao mesmo tempo em que destaca os desafios remanescentes para a implantação em hardware NISQ.

O essencial

O Panorama Geral: Encontrando a Melhor Equipe em um Mar de Opções

Imagine que você é um gerente tentando construir a equipe perfeita de funcionários a partir de um grupo de 100 candidatos. Você tem dois objetivos principais:

1. Maximizar o desempenho (obter os melhores resultados).
2. Seguir regras estritas (ex: "Você deve escolher exatamente 5 pessoas" ou "Você deve escolher entre 3 e 7 pessoas").

No mundo das finanças, isso é chamado de Otimização de Portfólio. Em vez de funcionários, você está escolhendo ações. Em vez de desempenho, você está buscando altos retornos com baixo risco.

O problema é que, conforme o número de candidatos cresce, o número de combinações possíveis explode. Verificar cada combinação individualmente (como uma busca de força bruta) leva uma eternidade. É aqui que a Computação Quântica entra. Ela promete explorar essas possibilidades massivas muito mais rápido do que um computador comum.

O Problema: A Armadilha da "Penalidade"

No passado, quando os cientistas tentaram resolver isso com computadores quânticos, eles usavam um método chamado Variational Quantum Eigensolver (VQE). Pense no VQE como um aluno tentando resolver um problema de matemática.

Para garantir que o aluno siga as regras (como "escolha exatamente 5 ações"), o professor geralmente adiciona uma penalidade.

• Professor: "Se você escolher 6 ações, receberá uma grande nota vermelha no seu papel."
• Aluno: "Ok, vou tentar evitar a nota vermelha."

O problema é que o professor precisa adivinhar o quão grande deve ser essa nota vermelha. Se a penalidade for muito pequena, o aluno ignora as regras. Se for muito grande, o aluno fica confuso e não consegue encontrar a melhor solução. Ajustar essa "penalidade" é uma enorme dor de cabeça e frequentemente leva a resultados ruins.

A Solução: Construindo as Regras no Projeto (Blueprint)

Este artigo apresenta uma nova maneira de construir o "aluno" do computador quântico (chamado de Ansatz). Em vez de adicionar penalidades depois do fato, os autores constroem as regras diretamente no DNA do aluno.

Eles usam algo chamado Estados de Dicke.

• A Analogia: Imagine uma caixa mágica que só cospe equipes de exatamente 5 pessoas. Você não pode pedir para a caixa te dar 4 ou 6. É fisicamente impossível para a caixa quebrar a regra.
• Estado de Dicke Puro: Esta é a caixa que apenas cospe equipes de exatamente 5. Isso resolve a "Restrição de Igualdade" (deve ser exatamente 5).
• Estado de Dicke Misto: Esta é a grande inovação do artigo. Imagine uma caixa que pode cuspir equipes de 3, 4, 5, 6 ou 7 pessoas, mas nunca 2 ou 8. É uma "mistura" de diferentes tamanhos de equipe válidos. Isso resolve a "Restrição de Desigualdade" (deve ser entre 3 e 7).

Ao usar Matrizes de Densidade (uma forma matemática sofisticada de descrever uma mistura de possibilidades), os autores criaram um circuito quântico que sempre explora apenas soluções válidas.

• Sem Necessidade de Penalidades: Como a máquina é fisicamente incapaz de gerar uma equipe inválida, você não precisa adicionar notas vermelhas ou penalidades.
• Sem Ajustes: Você não precisa adivinhar o quão rigorosas as regras devem ser; as regras estão integradas à própria máquina.

Como Eles Testaram

Os autores testaram essa ideia usando um problema de "Otimização de Portfólio Combinatória" (escolher a melhor mistura de ações). Eles criaram três cenários, como subir uma montanha com dificuldade crescente:

1. Cenário 1 (Pequena Colina): Escolha até 4 ações de 11 opções.
2. Cenário 2 (Colina Média): Escolha entre 3 e 6 ações de 11 opções.
3. Cenário 3 (Grande Montanha): Uma mistura complexa onde diferentes grupos de ações têm regras diferentes (ex: "Escolha exatamente 3 de Energia", "Escolha 1 ou 2 de Finanças").

Eles compararam o novo método de "Regras Integradas" contra uma Busca Aleatória (apenas adivinhar equipes válidas aleatoriamente).

Os Resultados:

• Conforme o número de possíveis equipes válidas aumentava (do Cenário 1 para o 3), o método deles ficava muito melhor do que a busca aleatória.
• A busca aleatória é como jogar dardos de olhos vendados; eventualmente, você pode acertar o alvo, mas leva muito tempo. O método deles é como um míssil guiado que voa apenas em direção aos alvos válidos.
• Eles encontraram soluções de alta qualidade (portfólios na "fronteira eficiente", que é o melhor equilíbrio possível entre risco e recompensa) muito mais rápido do que a busca aleatória.

O Porém: Ruído do Mundo Real

O artigo também testou isso em computadores quânticos reais (máquinas ruidosas da IBM).

• O Probleu: Computadores quânticos reais são como instrumentos delicados; eles sofrem com o "ruído". Uma pequena interferência pode inverter um bit (mudar um 0 para 1).
• O Risco: Se um bit inverter, uma equipe válida de 5 pode acidentalmente se tornar uma equipe de 6, quebrando a regra.
• A Descoberta: Os autores descobriram que o método "Misto" deles (a caixa que permite 3, 4, 5, 6 ou 7) é, na verdade, mais robusto contra esses erros do que o método "Puro" estrito. Se um erro ocorrer, a caixa "Mista" tem mais chances de permanecer dentro da faixa válida do que a caixa estrita.
• O Choque de Realidade: Apesar dessa vantagem, o hardware real ainda é muito ruidoso. Os resultados nas máquinas reais tiveram uma taxa de erro de cerca de 50% em comparação com as simulações. O artigo conclui que, embora a ideia seja brilhante, precisamos de uma tecnologia melhor de "cancelamento de ruído" antes que isso possa ser usado para gestão de dinheiro real.

Resumo

Este artigo propõe um truque inteligente para computadores quânticos: Pare de punir respostas ruins; em vez disso, construa uma máquina que nem consiga cometê-las. Ao codificar estruturalmente as regras (como "escolher de 3 a 7 ações) diretamente no circuito quântico usando "Estados de Dicke Mistos", eles eliminaram a necessidade de um ajuste complicado de penalidades. Seus experimentos mostraram que este método encontra as melhores soluções muito mais rápido do que a busca aleatória, especialmente para problemas complexos, embora o ruído do hardware do mundo real continue sendo um obstáculo a ser superado.

Resumo técnico

Resumo Técnico: Ansatz de Estados de Dicke Puros e Mistos para Restrições de Igualdade e Desigualdade em Algoritmos Variacionais de Eigensolver Quântico

Definição do Problema
O artigo aborda um desafio central na aplicação de Algoritmos Quânticos Variacionais (VQAs), especificamente o Variational Quantum Eigensolver (VQE), à otimização combinatória: projetar um ansatz expressivo o suficiente para explorar o subespaço viável do espaço de Hilbert enquanto respeita as restrições do problema. Abordagens tradicionais dependem frequentemente de termos de penalidade na função objetivo para impor restrições (como limites de peso de Hamming), o que exige o ajuste difícil de multiplicadores de Lagrange. Além disso, à medida que o número de variáveis e restrições escala, o custo computacional para encontrar soluções ótimas cresce exponencialmente, tornando os métodos clássicos exatos intratáveis e forçando a dependência de aproximações subótimas. O domínio de problema específico destacado é a otimização combinatória de portfólio, onde o objetivo é selecionar um subconjunto de ativos para maximizar o retorno enquanto se minimiza o risco, sujeito a restrições sobre o número de ativos selecionados (peso de Hamming).

Metodologia
Os autores propõem uma estrutura de preservação de viabilidade que codifica estruturalmente tanto restrições de igualdade quanto de desigualdade diretamente no ansatz do circuito quântico, eliminando a necessidade de termos de penalidade.

1. Estados de Dicke Puros e Mistos:

   • Restrições de Igualdade: Para restrições que exigem um número exato de ativos selecionados ($k=b$), os autores utilizam um ansatz de estado de Dicke puro parametrizado. Este estado é uma superposição de estados da base computacional com um peso de Hamming fixo $k$, restringindo naturalmente a busca ao subespaço viável.
   • Restrições de Desigualdade: Para restrições envolvendo limites superiores ou inferiores ($k \leq b$ ou $k \geq b$), os autores estendem o formalismo para estados de Dicke mistos. Ao empregar o formalismo da matriz de densidade e a teoria de sistemas quânticos abertos, eles constroem um ansatz que representa um ensemble (mistura) de estados de Dicke com diferentes pesos de Hamming dentro do intervalo viável.
   • Implementação: O estado misto é gerado usando qubits auxiliares (ancillas) para controlar a preparação condicional de diferentes estados de Dicke. A matriz de densidade reduzida do sistema (obtida através do traço dos ancillas) descreve a mistura. A função objetivo do VQE é generalizada para minimizar o traço do produto desta matriz de densidade e o Hamiltoniano do problema: $\min \text{tr}(\sigma H)$.

2. Estrutura de Produto Tensorial:
   A estrutura generaliza-se para problemas com múltiplos grupos de restrições (por exemplo, diferentes setores em um portfólio) construindo o ansatz global como um produto tensorial de matrizes de densidade de estados de Dicke puros ou mistos individuais. Isso permite a satisfação simultânea de diversos tipos de restrições (igualdade e desigualdade) através de diferentes subconjuntos de variáveis.

3. Configuração Experimental:
   A abordagem foi validada utilizando otimização de portfólio combinatória com três cenários de complexidade crescente:

   • Cenário I: 11 ativos com uma restrição de limite superior ($k \leq 4$).
   • Cenário II: 11 ativos com uma restrição de intervalo ($3 \leq k \leq 6$).
   • Cenário III: Um portfólio multi-setorial (4 setores, 5 ativos cada) com uma mistura de restrições de igualdade e desigualdade, utilizando um ansatz de produto tensorial.
     A otimização foi realizada utilizando o otimizador CMA-ES (Estratégia de Evolução de Adaptação de Matriz de Covariância), um método livre de gradiente, e comparada contra a busca aleatória restrita ao subespaço viável. As simulações foram conduzidas em hardware clássico (CPU/GPU) e validadas em processadores NISQ da IBM.

Principais Resultados

• Eficiência de Busca: À medida que o tamanho do espaço de busca viável aumentou (de 561 no Cenário I para 45.000 no Cenário III), o framework VQE-Dicke proposto demonstrou uma clara vantagem sobre a busca aleatória. Ele exigiu significativamente menos chamadas de função objetivo para identificar soluções de alta qualidade e a solução ótima.
• Qualidade da Solução: Em todos os cenários, as bitstrings amostradas da distribuição otimizada mapearam para portfólios que residem sobre ou próximo à fronteira eficiente clássica. Mesmo quando o otimizador não concentrou totalmente a matriz de densidade na única bitstring ótima, as soluções amostradas permaneceram como candidatos viáveis de alta qualidade.
• Desempenho de Hardware: Experimentos em processadores NISQ da IBM confirmaram a viabilidade teórica, mas destacaram limitações práticas. O ansatz apresentou erros relativos de aproximadamente 50% em unidades de processamento quântico (QPUs). Os autores observam que, embora o ansatz de estado misto ofereça maior robustez teórica a erros de inversão de bit único (que poderiam deslocar um estado puro para fora do conjunto viável), o ruído cumulativo de portas de dois qubits permanece um desafio significativo.

Significância e Alegações
O artigo afirma introduzir o primeiro ansatz de estado de Dicke misto de preservação de viabilidade capaz de lidar com tanto restrições de igualdade quanto de desigualdade no VQE sem termos de penalidade. A principal significância reside em:

1. Codificação Estrutural de Restrições: Ao incorporar as restrições diretamente no ansatz via formalismo de matriz de densidade, o método elimina a necessidade de ajuste de multiplicadores de Lagrange e reduz a complexidade do panorama de otimização.
2. Escalabilidade: A abordagem é particularmente eficaz em regimes onde o subespaço viável é grande o suficiente para tornar a amostragem aleatória exaustiva impraticável, mas pequeno o suficiente para ser uma fração do espaço de Hilbert total ($O(n^k)$ vs $O(2^n)$).
3. Generalidade: Embora validada na otimização de portfólio, a estrutura é afirmada como diretamente aplicável a outros problemas combinatórios com restrições de peso de Hamming, como seleção de características (feature selection) e seleção de conjuntos (ensemble selection).

Os autores mantêm uma postura modesta quanto à implementação prática, reconhecendo que mitigação de ruído e otimizações de transpilação de circuito permanecem desafios abertos para o hardware da era NISQ. Eles enfatizam que o presente trabalho serve como uma validação teórica e experimental do potencial do ansatz, e não como uma solução comercial totalmente realizada.