Lie Group Diffusion Models for Hardware-Aware Quantum Circuit Synthesis

Resumo Técnico: Modelos de Difusão de Grupos de Lie para Síntese de Circuitos Quânticos Conscientes de Hardware

Definição do Problema
A síntese de circuitos quânticos visa compilar uma operação unitária alvo $U^\star$ em uma sequência de portas executáveis em um processador quântico específico. Este problema possui uma estrutura híbrida natural: o padrão de circuito de emaranhamento é discreto e ditado pelas restrições de conectividade do hardware, enquanto as portas locais de um único qubit são variáveis contínuas que residem no grupo de Lie compacto $SU(2)$. As abordagens de aprendizado de máquina existentes, incluindo modelos de difusão, tipicamente representam circuitos em espaço Euclidiano, ignorando a geometria curva intrínseca da variedade $SU(2)$ e falhando em incorporar nativamente restrições de hardware, como conectividade de qubits e taxas de erro de porta.

Metodologia
Os autores propõem um framework generativo de dois componentes que integra restrições de hardware e a estrutura geométrica das portas quânticas diretamente no processo de síntese:

1. Seletor de Esqueleto de Circuito: Um classificador supervisionado (um MLP pequeno) que seleciona um template de circuito discreto (esqueleto) de uma biblioteca de padrões de emaranhamento CZ de vizinhos próximos. Os rótulos de treinamento para este seletor são derivados de uma função de custo consciente de hardware que equilibra a fidelidade do processo com um custo de despolarização baseado em taxas de erro de porta específicas (ex: $p_{CZ}$ e $p_{1Q}$).
2. Modelo de Difusão de Grupo de Lie: Um modelo de difusão probabilística de denoising (DDPM) condicionado ao esqueleto que gera as portas contínuas de um único qubit. Diferente da difusão Euclidiana padrão, este modelo opera diretamente na variedade do produto $SU(2)^n \simeq S^{3n}$.
   • Representação: As portas são representadas como quatérnios unitários.
   • Processo Forward: O ruído é adicionado via perturbações de álgebra de Lie multiplicativas à direita (amostragem de vetores tangentes Gaussianos em $\mathfrak{su}(2) \simeq \mathbb{R}^3$ e mapeamento de volta para o grupo via aplicação exponencial).
   • Processo Reverse: O modelo prevê o ruído usando um codificador Transformer condicionado ao Hamiltoniano alvo, tempo de evolução e ao esqueleto selecionado. O alvo de denoising é derivado do kernel de calor em $SU(2)$, garantindo que o score aprendido respeite a geometria não linear da variedade.
   • Refinamento: O modelo de difusão atua como um gerador de propostas. Os circuitos resultantes passam por uma etapa final de otimização local (descida de gradiente nos parâmetros das portas) para maximizar a fidelidade.

Principais Contribuições

• Difusão Consciente de Variedade: O trabalho introduz um processo de difusão que respeita a geometria $SU(2)$ ao utilizar o kernel de calor e espaços tangentes de álgebra de Lie, em vez de tratar os parâmetros das portas como vetores Euclidianos.
• Síntese Consciente de Hardware: O framework incorpora explicitamente restrições de hardware (conectividade e taxas de erro) no objetivo de treinamento, permitindo que o modelo aprenda um compromisso entre a fidelidade do circuito e o custo de implementação.
• Arquitetura Híbrida Discreto-Contínua: Ao desacoplar a seleção de esqueleto discreto da geração de portas contínuas, o modelo aborda a natureza de estrutura mista do problema de síntese.
• Estilos de Solução Controláveis: Os autores demonstram que o prior de difusão pode ser direcionado para produzir circuitos com propriedades físicas específicas (ex: grandes vs. pequenos ângulos de rotação de porta) ao enviesar os dados de treinamento, sem alterar a unitária alvo.

Resultados
O modelo foi avaliado em alvos de simulação de Hamiltoniano de três qubits, incluindo o Modelo de Ising de Campo Transverso (TFIM), o Modelo Heisenberg-XXZ e vários alvos baseados em Pauli.

• Sucesso de Compilação: O pipeline completo (Seletor + Difusão de Grupo de Lie + Refinamento Local) alcançou uma taxa de sucesso de 75,8% (fidelidade $F \ge 0,99$) através de diversas famílias de Hamiltonianos. Isso superou tanto um baseline de busca de Haar-random (65,3%) quanto um baseline de "busca gerada" usando um prior near-Clifford aprendido (68,3%).
• Estudos de Ablação:
  • Necessidade de Refinamento: A difusão sem refinamento local apresentou uma taxa de sucesso muito baixa (8,6%), enquanto o refinamento partindo de portas Haar-random também teve desempenho inferior. A combinação de difusão e refinamento local provou ser complementar: a difusão fornece uma proposta global consciente da geometria, enquanto o refinamento realiza a otimização local de alta fidelidade.
  • Desempenho do Seletor: O seletor de esqueleto aprendido alcançou 75,6% de precisão ao corresponder ao esqueleto "oráculo" (a melhor escolha possível dado o custo de hardware). O seletor evitou com sucesso o emaranhamento desnecessário para alvos locais e selecionou templates de emaranhamento mais profundos apenas quando necessário.
  • Fronteira Fidelidade-Complexidade: A análise do landscape de fidelidade-custo mostrou que o seletor aprende a concentrar a probabilidade na "primeira classe de complexidade bem-sucedida" (ex: selecionando um esqueleto de 4-CZ em vez de um de 5-CZ se ambos atenderem ao limiar de fidelidade, mas o primeiro possuir menor custo de hardware).
  • Direcionamento (Steering): O modelo gerou com sucesso circuitos para o mesmo alvo com ângulos de rotação totais significativamente diferentes, demonstrando controle sobre o estilo da solução.

Significância e Alegações
O artigo afirma que a difusão de grupo de Lie fornece um "framework generativo natural" para a síntese de circuitos quânticos conscientes de hardware. A significância reside em tratar a síntese de circuitos como um problema de design físico restrito onde o prior generativo respeita a geometria subjacente das portas quânticas. Os autores postulam que esta abordagem vai além da geração de circuitos aleatórios para criar priors de proposta estruturados que equilibram fidelidade com overhead de hardware. Eles observam que, embora o trabalho atual foque em sistemas de três qubits como um banco de testes não trivial, a arquitetura modular (componentes de seleção e difusão separados) é projetada para ser extensível a contagens maiores de qubits e grafos de conectividade mais complexos (ex: grades 2D ou arquiteturas heavy-hex) em trabalhos futuros. O método oferece uma abordagem de aprendizado de máquina interpretável onde a seleção discreta é impulsionada por custos de hardware e a geração contínua é fundamentada na teoria de grupos de Lie.