How Many Shots Are Enough for a Quantum Circuit?

Este artigo apresenta o IncrementalExecution, um framework online de caixa-preta que otimiza dinamicamente o número de shots de circuitos quânticos ao identificar o ponto de retornos decrescentes para equilibrar custos de execução e fidelidade de resultados sem depender de estruturas de circuitos ou modelos de ruído específicos.

O essencial

O Grande Problema: O "Teste Cego de Sabor"

Imagine que você é um chef tentando aperfeiçoar uma nova receita de sopa. Você não pode provar a panela inteira de uma vez; você tem que pegar pequenas colheradas (amostras) para adivinhar o sabor.

• A Sopa: Um circuito de computador quântico.
• As Colheradas: "Shots" (disparos). Na computação quântica, você não pode simplesmente rodar um programa uma única vez e obter uma resposta perfeita. Devido à natureza estranha da física quântica, você precisa rodar o mesmo programa muitas vezes para obter uma imagem confiável do resultado.
• O Dilema: Se você pegar poucas colheradas, seu palpite sobre o sabor pode estar errado. Se pegar demais, você desperdiça tempo e dinheiro (já que computadores quânticos são caros para alugar).

A grande pergunta que os autores fazem é: Quantas colheradas você realmente precisa antes de poder parar de provar e ter confiança de que conhece o sabor?

O Jeito Antigo vs. O Jeito Novo

O Jeito Antigo (O Palpite):
Anteriormente, os desenvolvedores tinham que adivinhar um número fixo de shots (ex: "Vamos rodar isso 10.000 vezes") baseados em regras práticas ou fórmulas matemáticas complexas que assumiam que eles sabiam exatamente como o computador quântico se comportaria.

• A Falha: Computadores quânticos são ruidosos e imprevisíveis. Às vezes, 10.000 shots são exagero (desperdiçando dinheiro); outras vezes, não são suficientes (dando um resultado ruim). É como adivinhar que você precisa de exatamente 50 colheradas de sopa sem nunca ter provado a primeira colherada.

O Jeito Novo (A Abordagem de "Retornos Decrescentes"):
Os autores introduzem um novo framework chamado IncrementalExecution. Em vez de adivinhar um número, eles sugerem uma abordagem inteligente e passo a passo.

Pense nisso como encher um balde com uma mangueira com vazamento:

1. Você começa a despejar água (rodando shots).
2. Você verifica o nível da água (os dados) após cada poucos segundos.
3. Você continua despejando enquanto o nível da água estiver subindo significativamente.
4. O Sinal de Parada: No momento em que você percebe que adicionar mais água mal altera o nível, você para. Você atingiu o "ponto de retornos decrescentes".

Como Funciona (A Magia da "Caixa Preta")

Os autores chamam o método deles de abordagem de "caixa preta". Isso significa que eles não precisam saber:

• Como a receita da sopa é escrita (a estrutura do circuito).
• Como o fogão está quebrado (o modelo de ruído do hardware).

Eles apenas olham para os resultados que estão saindo.

1. Rode um pequeno lote: Execute o circuito 10 vezes.
2. Verifique o padrão: Olhe para os resultados.
3. Rode outro lote: Execute mais 50 vezes.
4. Compare: Os novos 50 shots mudaram muito a imagem geral?
   • Sim? Continue.
   • Não? O padrão se estabilizou. Pare agora. Você economizou dinheiro!

O Conceito de "Retornos Decrescentes"

O artigo baseia-se numa ideia econômica simples: Retornos Decrescentes.
Imagine que você está estudando para uma prova.

• Primeira hora: Você aprende 50% do material. Ganho enorme!
• Segunda hora: Você aprende outros 30%. Bom ganho.
• Terceira hora: Você aprende 10%.
• Quarta hora: Você aprende 1%.
• Quinta hora: Você aprende 0,1%.

Em algum momento, o esforço (tempo/dinheiro) não vale o minúsculo ganho de conhecimento. O software dos autores encontra automaticamente esse momento exato para circuitos quânticos e diz para você parar.

O Que Eles Descobriram (Os Resultados)

Os autores testaram essa ideia em 33.750 configurações diferentes através de 180 circuitos quânticos diferentes e computadores ruidosos simulados. Eles rodaram 7,3 milhões de experimentos no total.

Aqui está o que eles descobriram:

1. Funciona: Eles conseguem interromper precocemente de forma confiável sem perder a precisão.
2. Economiza Recursos: O método inteligente deles frequentemente usa muito menos shots do que os números fixos "seguros" ou as fórmulas matemáticas estritas usadas anteriormente.
3. É Flexível: Eles descobriram que diferentes "regras" funcionam melhor para diferentes tipos de problemas.
   • Analogia: Às vezes você precisa de uma colher muito sensível para provar uma sopa delicada (configurações estritas). Outras vezes, uma colher mais bruta serve para um ensopado robusto (configurações frouxas). O sistema deles permite que você escolha a "colher" certa para o trabalho.
4. Lida com o Ruído: Embora os computadores quânticos sejam bagunçados e ruidosos, este método é robusto o suficiente para lidar com o caos sem precisar entender a causa específica do ruído.

Por Que Isso Importa

No mundo da computação quântica, tempo é dinheiro. Cada segundo extra que um computador quântico roda custa dinheiro real ao usuário. Ao descobrir exatamente quando parar, este framework ajuda os usuários a:

• Economizar dinheiro.
• Obter resultados mais rápido.
• Evitar o desperdício de recursos em cálculos desnecessários.

Resumo

O artigo apresenta um "cronômetro" inteligente e automático para computadores quânticos. Em vez de rodar cegamente um programa um milhão de vezes apenas para garantir, esta nova ferramenta observa os resultados em tempo real. Assim que os resultados param de mudar significativamente, ela diz: "Ok, já temos dados suficientes. Vamos parar". É uma ferramenta prática de redução de custos que funciona sem precisar entender a física complexa por trás da máquina.

Resumo técnico

Resumo Técnico: Quantos Shots São Suficientes para um Circuito Quântico?

1. Definição do Problema

Algoritmos quânticos produzem inerentemente saídas probabilísticas, exigindo execuções repetidas de circuitos (shots) para aproximar a distribuição de probabilidade subjacente. Determinar o número mínimo de shots necessários para atingir uma precisão alvo é um desafio crítico de otimização de recursos, particularmente para dispositivos NISQ (Noisy Intermediate-Scale Quantum), onde os custos de execução, a latência de fila e o ruído do hardware são restrições significativas.

Abordagens existentes para a otimização de shots tipicamente dependem de suposições específicas que limitam sua aplicabilidade:

• Métodos analíticos frequentemente exigem conhecimento explícito de modelos de ruído (ex: erros de SPAM, tempos $T_1/T_2$) ou estruturas de circuito específicas.
• Estratégias adaptativas são projetadas para algoritmos variacionais (VQAs) onde os parâmetros do circuito evoluem, induzindo distribuições de saída não estacionárias.
• Métodos baseados em aprendizado frequentemente requerem treinamento em trajetórias de otimização específicas.

Este artigo aborda o problema de otimização de shots em caixa-preta para circuitos quânticos estáticos e não variacionais. Neste cenário, a estrutura e os parâmetros do circuito permanecem fixos em todos os shots, resultando em uma distribuição de saída estacionária, porém desconhecida. O objetivo é determinar o número mínimo de shots necessários para atingir uma precisão alvo sem conhecimento prévio da topologia do circuito, do modelo de ruído ou da distribuição real.

2. Metodologia: Estrutura de Execução Incremental (IncrementalExecution)

Os autores propõem o IncrementalExecution, uma estrutura iterativa e online que determina dinamicamente quando interromper a execução de shots com base no ponto de retornos decrescentes. Este é definido como o estado em que shots adicionais não induzem mudanças estatisticamente significativas na distribuição de saída empírica.

Conceitos Centrais

• Otimalidade A Posteriori: O artigo define primeiro uma linha de base teórica: o número mínimo de shots $n^*$ tal que a distribuição empírica $\hat{P}_{n^*}$ esteja dentro de um limiar $\delta$ da melhor estimativa possível obtida sob um orçamento total $B$ (denotada por $\hat{P}_B$). Isso serve como uma verdade fundamental retrospectiva para avaliação, mas não é computável online.
• Ponto de Retornos Decrescentes (Proxy Online): Para permitir a tomada de decisão online sem acesso à distribuição do orçamento total, a estrutura utiliza um proxy observável. Ela monitora a divergência entre a distribuição empírica cumulativa atual e uma distribuição passada (separada por uma janela de retrocesso $\tau$). A execução para quando essa divergência cai abaixo de uma tolerância $\epsilon$ por um número determinado de iterações consecutivas ($k$).

Arquitetura da Estrutura

A estrutura é modular, consistindo em três componentes de política plugáveis:

1. Critério de Parada: Determina se o lote recente de shots introduziu uma mudança estatisticamente significativa (ex: Delta Distance ou Delta Moving Average).
2. Critério de Estabilidade: Impõe um número mínimo de iterações estáveis consecutivas ($k$) para evitar paradas prematuras devido a flutuações transitórias.
3. Política de Alocação de Shots: Determina dinamicamente o tamanho do próximo lote de shots (ex: constante ou adaptativo com base nas tendências de convergência).

A estrutura opera sob suposições rigorosas de caixa-preta: não requer acesso aos detalhes internos do circuito, modelos de ruído ou distribuições ideais. Ela depende exclusivamente dos resultados de medição observados.

3. Avaliação Experimental

Os autores conduziram uma avaliação extensa envolvendo 33.750 configurações únicas de estrutura através de 180 combinações únicas de circuito-backend, totalizando 7,3 milhões de experimentos independentes.

Configuração Experimental

• Circuitos: 28 circuitos estáticos (incluindo QFT, QAOA, VQE, Random, QNN) com contagens de qubits variando de 4 a 14.
• Backends: Cinco backends de simulador ruidoso da IBM (fake_fez, fake_kyiv, fake_marrakesh, fake_sherbrooke, fake_torino).
• Orçamento: Um orçamento máximo de 20.000 shots foi usado para gerar as distribuições de referência.
• Métricas: Distância de Variação Total (TVD), distância de Hellinger e divergência de Jensen–Shannon (JS) foram usadas para medir a estabilidade da distribuição.

Principais Descobertas

• Validade e Parâmetros: Encontrar configurações válidas (onde a condição de parada é atendida dentro do orçamento) é altamente sensível ao limiar de parada $\epsilon$ e à tolerância alvo $\delta$. A validade é geralmente alcançável apenas quando $\epsilon < \delta$. A política de parada Delta Moving Average (DMA) mostrou maior robustez em regimes mais estritos comparada à política Delta simples.
• Impacto do Tamanho do Circuito: Circuitos pequenos (4–8 qubits) geralmente permitem altas taxas de validade (frequentemente 100%) com as melhores configurações. Circuitos grandes (10–14 qubits) apresentam um desafio maior, com as taxas de validade caindo e as configurações exigindo mais shots, muitas vezes aproximando-se do orçamento total de 20.000 shots sob tolerâncias estritas.
• Sensibilidade da Métrica:
  • TVD é a métrica mais exigente, frequentemente requerendo mais shots para satisfazer as restrições de validade.
  • Hellinger e JS são mais permissivas e frequentemente resultam em taxas de validade mais altas, particularmente para circuitos maiores e tolerâncias mais amplas.
• Comparação com o Estado da Arte:
  • vs. Limites Analíticos: O IncrementalExecution é ordens de magnitude mais eficiente em amostras do que as desigualdades de concentração de pior caso (Hoeffding e Weissman), que fornecem limites superiores independentes de distribuição que são excessivamente conservadores para cenários práticos de NISQ.
  • vs. Orçamentos Fixos: A estrutura interrompe com sucesso a execução assim que o alvo de precisão é alcançado, evitando o desperdício de bases de shots fixos que continuam executando mesmo após a convergência.
• Comportamento Algorítmico: Diferentes famílias de algoritmos exibem perfis de estabilização distintos. Circuitos simples (ex: dj) estabilizam rapidamente, enquanto circuitos complexos (ex: qft, random) exigem significativamente mais shots, às vezes atingindo o limite do orçamento, indicando que o orçamento fixo pode ser insuficiente para regimes de alta variância.

4. Principais Contribuições

1. Formulação do Problema: Uma definição formal do problema de otimização de shots em caixa-preta para circuitos estáticos e não variacionais, evitando explicitamente suposições sobre a estrutura do circuito ou modelos de ruído.
2. Otimalidade A Posteriori: A introdução de um critério de otimalidade retrospectiva para servir como uma linha de base rigorosa para avaliar estratégias online.
3. Estrutura IncrementalExecution: Uma estrutura geral, online e iterativa que aproveita o ponto de retornos decrescentes para interromper a execução de forma adaptativa.
4. Suíte de Políticas: Um conjunto abrangente de políticas de execução (parada, estabilidade e alocação) que permitem aos usuários trocar custo por precisão.
5. Conjunto de Dados de Referência: O lançamento de um novo conjunto de dados contendo traços de execução iterativos, shot a shot, de circuitos estáticos em backends ruidosos, permitindo a avaliação reprodutível de técnicas de otimização de shots.

5. Significância e Alegações

O artigo afirma ser o primeiro trabalho a abordar a otimização da contagem de shots usando uma estratégia online em um cenário de caixa-preta para circuitos estáticos, sem depender de suposições sobre a estrutura do circuito ou modelos de ruído.

• Viabilidade Prática: Os autores argumentam que a estrutura é imediatamente implantável em plataformas de computação quântica atuais. Eles destacam que a infraestrutura emergente, como sessões quânticas (IBM) e modelos baseados em reserva (IonQ, Rigetti), mitiga os atrasos de latência tipicamente associados à execução adaptativa e iterativa, tornando o paradigma "parar-e-verificar" viável.
• Redução de Custos: Ao detectar o ponto de retornos decrescentes, a estrutura evita a execução de shots desnecessários, reduzindo diretamente os custos monetários e o tempo de fila em hardware caro.
• Generalidade: Diferente de trabalhos anteriores restritos a algoritmos variacionais ou modelos de ruído específicos, esta abordagem aplica-se a uma ampla classe de cargas de trabalho estáticas, incluindo benchmarking, calibração e execução de algoritmos fixos.

Os autores mantêm uma postura modesta, reconhecendo que sua avaliação é baseada em simuladores ruidosos e que a validação em hardware real (incluindo atrasos de fila e deriva de calibração) é um passo futuro necessário. Eles também observam que, embora a estrutura seja agnóstica em relação ao número de qubits, os parâmetros de configuração ideais dependem do tamanho e da complexidade do circuito, sugerindo que mecanismos de ajuste automático são necessários para uma implantação ampla.