Resumo Técnico: Seleção de Termos de Hamiltoniana por Peso de Pauli para Mitigação de Erros Quânticos Otimizada Baseada em Aprendizado de Máquina

Declaração do Problema

Na era do NISQ (Noisy Intermediate-Scale Quantum), a mitigação de erros quânticos (QEM) é essencial para suprimir vieses induzidos por ruído em algoritmos computacionais. Embora os métodos de QEM baseados em aprendizado, como o QEM baseado em Random Forest (RF-QEM), ofereçam uma alternativa escalável às técnicas tradicionais como a Extrapolação de Ruído Zero (ZNE) e o Cancelamento de Erro Probabilístico (PEC) ao evitar o overhead adicional de circuitos, eles enfrentam um gargalo crítico: a seleção de observáveis.

As abordagens atuais de aprendizado dependem tipicamente de amostragem heurística ou aleatória uniforme de strings de Pauli da Hamiltoniana para construir conjuntos de dados de treinamento. Esse processo exige dados para cada string de Pauli, o que resulta em um custo de medição que escala linearmente com o número de termos ($N$) e cresce com o tamanho do sistema. Crucialmente, nem todos os observáveis contribuem igualmente para a informação estatística necessária para o treinamento. A inclusão de observáveis pouco informativos degrada a eficiência do aprendizado, enquanto a exclusão de observáveis altamente informativos compromete o desempenho do modelo. Não existe atualmente uma estratégia sistemática para identificar o subconjunto ideal de observáveis que maximize a precisão da mitigação enquanto minimiza os requisitos de recursos.

Metodologia: Estrutura Pi-QEM

Os autores introduzem a Mitigação de Erros Quânticos por Peso de Pauli (Pi-QEM), uma estrutura sistemática projetada para selecionar observáveis de treinamento com base em seu "peso de Pauli" (o número de operadores de um único qubit não identidades em uma string de Pauli). A metodologia procede da seguinte forma:

1. Fundamentação Teórica: A estrutura aproveita a relação entre a variância do valor esperado de um observável através do espaço de parâmetros do Circuito Quântico Parametrizado (PQC) e o fenômeno dos platôs estéreis (barren plateaus).

   • A variância, $\text{Var}_\Theta[f(\hat{P}_k)]$, serve como uma métrica para a expressividade estatística dos dados de treinamento.
   • A análise teórica indica que observáveis globais (alto peso de Pauli) sofrem de uma supressão exponencial da variância devido à concentração de custo, tornando-os pouco informativos.
   • Inversamente, observáveis locais (baixo peso de Pauli) retêm variância significativa, fornecendo sinais de treinamento fortes.

2. Critério de Seleção: Em vez de calcular explicitamente a variância para cada termo (o que é computacionalmente caro), o Pi-QEM aproxima a seleção baseada em variância usando o peso de Pauli como um proxy para a localidade.

   • O subconjunto de treinamento $P_{sub}$ é definido como $\{P_k \in P \mid w(P_k) \leq w_{max}\}$, onde $w(P_k)$ é o peso de Pauli.
   • Isso reduz a complexidade do conjunto de dados de $O(MN)$ para $O(M|P_{sub}|)$, onde $|P_{sub}| \ll N$.

3. Modelo de Aprendizado de Máquina:

   • Um modelo de Regressão de Random Forest é treinado para aprender o mapeamento não linear entre valores esperados ruidosos ($f_E$) e valores ideais, livres de erro ($f_{ef}$).
   • O vetor de características de entrada inclui o resultado da medição ruidosa, os parâmetros do PQC ($\theta$) e a representação da string de Pauli.
   • O modelo é treinado em um conjunto de dados reduzido contendo apenas os observáveis de baixo peso selecionados, mas é capaz de prever valores mitigados para toda a Hamiltoniana.

4. Implementação: A estrutura foi testada na molécula de Hidrogênio ($H_2$) utilizando os mapeamentos fêrmion-qubit de Jordan-Wigner (JW) e Bravyi-Kitaev (BK). As simulações foram conduzidas em um emulador de backend quântico IBM ruidoso (ibm_fake_athens).

Principais Resultados

Simulações numéricas na molécula de $H_2$ produziram as seguintes descobertas:

• Desempenho com Dados Mínimos: Um modelo Pi-QEM treinado em um único observável local dominante (especificamente $ZIII$, um termo de peso-1) alcançou uma redução de 34,01% no erro de estimativa da energia do estado fundamental em comparação com a linha de base ruidosa.
• Comparação com Treinamento de Hamiltoniana Completa: Este desempenho foi comparável ao modelo RF-QEM padrão treinado em todas as 15 strings de Pauli da Hamiltoniana completa, que alcançou uma redução de erro de 37,13%.
• Falha de Observáveis Globais: Modelos treinados em observáveis globais de alto peso (ex: $XXXX$, peso-4) resultaram em uma degradação de 22,90% no desempenho em relação à linha de base do Pi-QEM, confirmando que termos de alto peso fornecem estrutura estatística insuficiente para o aprendizado.
• Generalização: A tendência manteve-se através de diferentes cardinalidades de características (subconjuntos duplos e triplos) e esquemas de mapeamento (JW e BK). Subconjuntos compostos por observáveis de menor peso consistentemente produziram Menor Erro Absoluto Médio (MAE) do que aqueles contendo termos de maior peso.
• Eficiência: A abordagem Pi-QEM reduziu com sucesso os recursos de treinamento necessários enquanto mantinha a precisão comparável à ZNE e ao RF-QEM de conjunto completo, sem o overhead de dobramento de circuito associado à ZNE.

Significância e Alegações

O artigo afirma que o Pi-QEM fornece um caminho sistemático, escalável e eficiente em termos de recursos para a mitigação de erros de alta precisão em dispositivos NISQ. Suas principais contribuições são:

1. Unindo Teoria e Prática: Estabelece uma ligação direta entre o fenômeno dos platôs estéreis (supressão de variância) e a seleção prática de observáveis de treinamento, justificando o uso do peso de Pauli como critério de seleção.
2. Escalabilidade: Ao demonstrar que um pequeno subconjunto de observáveis de baixo peso é suficiente para capturar a estrutura de ruído subjacente de toda a Hamiltoniana, o método aborda o gargalo de escalabilidade das atuais QEM baseadas em aprendizado.
3. Otimização de Dados de Treinamento: A estrutura prova que "mais dados" (todos os termos de Pauli) não é necessariamente melhor; em vez disso, "melhores dados" (termos de baixo peso e estatisticamente informativos) são críticos para uma mitigação baseada em aprendizado eficaz.

Os autores concluem que alinhar as estratégias de aprendizado de máquina com as propriedades geométricas dos landscapes de otimização quântica — especificamente a variância dependente da localidade dos observáveis — é essencial para avançar a mitigação de erros em algoritmos quânticos de curto prazo.