⚛️ quantum physics

Comparing and learning figures of merit for quantum circuit compilation

Este artigo propõe um framework de aprendizado de máquina que prevê uma nova figura de mérito ponderada (wPST) para circuitos quânticos ao primeiro estimar as portas de compilação necessárias e, em seguida, considerar o ruído do hardware, superando significativamente as métricas tradicionais na seleção de circuitos de alta qualidade para dispositivos quânticos.

Autores originais: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

Publicado 2026-07-23

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando assar o bolo perfeito, mas não tem uma cozinha padrão. Em vez disso, você tem um forno caótico e barulhento onde o calor flutua loucamente, e sua tigela de mistura só se conecta a pontos específicos na bancada. Esta é a realidade atual da computação quântica. Cientistas estão construindo máquinas que usam as regras estranhas da mecânica quântica — como a superposição (estar em dois lugares ao mesmo tempo) e o emaranhamento (conexões fantasmagóricas entre partículas) — para resolver problemas que levariam milhares de anos para serem decifrados por supercomputadores. Mas essas máquinas são frágeis. Elas estão no que os especialistas chamam de era de "escala intermediária ruidosa", o que significa que são poderosas, mas propensas a erros, e suas partes (qubits) nem sempre conseguem conversar diretamente entre si.

Para fazer um algoritmo quântico funcionar nesse hardware bagunçado, você precisa "compilar" o algoritmo. Pense na compilação como traduzir uma receita escrita para uma cozinha perfeita em um conjunto de instruções que possam realmente ser seguidas em sua cozinha caótica. Você pode precisar adicionar etapas extras, como mover ingredientes (portas SWAP) para alcançar as tigelas certas, ou talvez precise trocar um batedor sofisticado por uma colher porque o batedor não cabe. A grande questão é: como você sabe qual conjunto de instruções resultará em um bom bolo? Você precisa de uma maneira de medir a qualidade da sua receita antes mesmo de ligar o forno. É aqui que entram as "figuras de mérito" — essencialmente, uma pontuação de desempenho para o quão bem um circuito quântico irá atuar.

Este artigo aborda o problema complexo de encontrar a pontuação perfeita. Os autores, Harshdeep Singh e sua equipe da Universidade Tecnológica de Chalmers e da Universidade de Gotemburgo, argumentam que as formas antigas de pontuar circuitos quânticos são ou muito simples ou difíceis de calcular. Pontuações simples, como contar o número de etapas na receita, são fáceis de verificar, mas não dizem se o bolo terá um sabor bom. No outro extremo, a pontuação "perfeita" envolve realmente assar o bolo (executar o circuito) e prová-lo, mas fazer isso para cada variação possível de receita levaria uma eternidade.

A equipe propõe uma pontuação mais inteligente chamada wPST (weighted Probability of Successful Trials - Probabilidade de Tentativas Bem-sucedidas ponderada). Imagine que você está corrigindo a prova de um aluno. O método antigo (PST) diz que você recebe uma nota perfeita de 100% apenas se acertar todas as questões. Se você errar apenas uma, recebe zero. Isso é rigoroso e não diz se o aluno sabia 99% do conteúdo ou apenas 10%. O novo método wPST é mais tolerante e informativo: ele oferece crédito parcial. Se você acertar 9 de 10 questões, recebe uma nota de 0,9. Isso captura a "qualidade" do resultado de forma muito melhor, especialmente quando a máquina é ruidosa e pequenos erros são inevitáveis.

No entanto, calcular até mesmo essa nova pontuação geralmente exige a execução do circuito, o que é lento. Para resolver isso, os autores treinaram um modelo de aprendizado de máquina — um cérebro digital — para prever a pontuação wPST apenas olhando para a receita (o circuito) e o mapa da cozinha (o hardware). Eles alimentaram esse modelo com milhares de exemplos, ensinando-o a reconhecer padrões como "etapas demais", "ingredientes emaranhados demais" ou "usar um qubit que tem um tempo de atenção curto".

Os resultados são promissores. Em simulações e testes em computadores quânticos reais da IBM, o modelo de aprendizado de máquina dos autores previu o sucesso de um circuito com uma precisão muito maior do que os métodos tradicionais. Enquanto os métodos antigos, como a contagem de portas, tinham apenas cerca de 40-50% de correlação com o sucesso real, o novo modelo deles saltou essa correlação para mais de 90%. Isso é um enorme avanço, aumentando efetivamente a precisão de suas previsões em mais de 50%.

Para tornar isso útil para compiladores quânticos do mundo real, os autores também projetaram um truque de duas etapas. Normalmente, você não consegue saber a pontuação final até que o circuito seja totalmente traduzido para a máquina específica. Mas o sistema deles pode primeiro adivinhar quantas etapas extras a máquina precisará adicionar (como prever quantos desvios um GPS adicionará) e, em seguida, usar esse palpite para prever a pontuação wPST final. Isso permite que o compilador escolha a melhor receita instantaneamente, sem ter que realizar o teste lento e caro primeiro.

Em resumo, o artigo sugere que, ao usar um sistema de pontuação de crédito parcial mais inteligente (wPST) combinado com um preditor de IA treinado e rápido, podemos construir melhores circuitos quânticos de forma mais veloz. Isso não resolve todos os problemas da computação quântica, mas oferece uma maneira muito mais confiável de navegar nas águas barulhentas e agitadas do hardware quântico atual, ajudando-nos a chegar mais perto daqueles bolos quânticos perfeitos.

Resumo Técnico: Comparação e Aprendizado de Figuras de Mérito para Compilação de Circuitos Quânticos

Definição do Problema
Na era do quantum de escala intermediária ruidosa (NISQ), a execução de algoritmos quânticos requer a compilação de algoritmos de alto nível em circuitos específicos de hardware que respeitem as restrições de conectividade e os perfis de ruído. Este processo de compilação envolve a busca em um vasto espaço de circuitos possíveis para encontrar um ótimo. Para guiar essa busca, os compiladores dependem de Figuras de Mérito (FoMs) para quantificar a qualidade do circuito. No entanto, existe um compromisso fundamental entre o custo computacional de calcular uma FoM e sua precisão em prever a qualidade de execução.

FoMs Simples: Métricas como profundidade do circuito, contagem total de portas e contagem de portas de dois qubits são computacionalmente baratas, mas falham em capturar os efeitos específicos do ruído do hardware e da estrutura do circuito, levando a uma baixa correlação com a fidelidade de execução real.
FoMs Complexas: Métcas como a fidelidade do estado de saída ou medidas baseadas em distância (ex: distância de Hellinger) fornecem alta precisão, mas são computacionalmente proibitivas (frequentemente escalando exponencialmente com o número de qubits) ou exigem a execução do circuito em hardware, o que é lento demais para uma compilação iterativa.
A Limitação do PST: A Probabilidade de Testes Bem-sucedidos (PST), que mede a probabilidade de retornar ao estado inicial após executar um circuito e seu inverso, correlaciona-se bem com a fidelidade, mas sofre de dois grandes problemas: é exponencialmente sensível ao tamanho do sistema (decaindo rapidamente conforme $n$ aumenta) e é de natureza binária (um único bit invertido reduz a pontuação a zero), falhando em distinguir entre erros menores e maiores.

Metodologia
Os autores propõem uma abordagem multifacetada para abordar essas limitações:

Introdução do wPST (PST Ponderado):
O artigo introduz o wPST, uma modificação do PST que considera o número de bits corretos no resultado da medição, em vez de exigir que todo o estado esteja correto.

Definição: O wPST atribui um peso $w_i$ a cada resultado de medição com base na fração de bits não invertidos (peso de Hamming). Ele soma as probabilidades de resultados onde o peso excede um limiar ( $w_{th} = 0,5$ ).
Propriedades: Ao contrário do PST, que decai exponencialmente com o número de qubits ( $n$ ) sob erros independentes, o wPST decai linearmente com a taxa de erro e é amplamente independente de $n$ . Isso o torna escalável e capaz de distinguir diferentes níveis de ruído (ex: distinguir 1 inversão de bit de 2 inversões de bit).

Estrutura de Predição por Aprendizado de Máquina (ML):
Como calcular o wPST (ou PST) diretamente exige a execução de circuitos em hardware ou simuladores de alta fidelidade, os autores desenvolvem modelos de aprendizado de máquina (ML) para prever esses valores.

Engenharia de Atributos (Feature Engineering): O vetor de atributos de entrada combina:
- Atributos de nível de circuito: Derivados do Grafo Acíclico Dirigido (DAG) do circuito, incluindo total de portas, profundidade, contagem de portas de dois qubits, razão de emaranhamento, paralelismo, vivacidade e comunicação de programa.
- Atributos de nível de hardware: Dados de decoerência resolvidos por qubit ( $T_1$ e $T_2$ ) mapeados para os qubits específicos usados no circuito, estimando probabilidades de falha baseadas nas durações das portas.
Seleção de Modelo: Os autores avaliaram vários modelos baseados em árvores de decisão (Random Forest, Bagging, CatBoost) e selecionaram o XGBoost por seu equilíbrio entre baixo tempo de treinamento/predição e alta precisão.
Dados de Treinamento: Os modelos foram treinados em circuitos quânticos gerados aleatoriamente e no conjunto de dados de benchmark do Munich Quantum Toolkit (MQT), com rótulos gerados via simulação (para simuladores) ou execução real (em hardware da IBM).

Predição em Duas Etapas para Circuitos Não Transpilados:
Para tornar o preditor de ML útil para compiladores que avaliam circuitos não transpilados, os autores desenvolveram um processo de duas etapas:

Etapa 1: Prever o vetor de atributos do circuito transpilado (por exemplo, prevendo o número de portas SWAP adicionais e a comunicação de programa resultante) com base no circuito de entrada e no mapa de acoplamento do hardware alvo.
Etça 2: Alimentar este vetor de atributos previsto no modelo wPST treinado para estimar a métrica de desempenho final.

Principais Resultados
Os autores validaram sua abordagem através de simulações numéricas e experimentos em quatro dispositivos quânticos da IBM (Strasbourg, Torino, Miami, Brussels).

Correlação Superior: O wPST e o PST preditos por ML superaram significativamente as métricas tradicionais baseadas em circuitos.
- No simulador de 12 qubits, a correlação entre o wPST predito e o wPST real atingiu 0,925 para circuitos aleatórios e 0,880 para benchmarks do MQT, comparado a ~0,65–0,70 para profundidade de circuito ou contagens de portas.
- Em hardware real, a correlação média para o wPST predito foi de 0,89, enquanto as métricas tradicionais tiveram média de 0,47–0,53.
- Isso representa uma melhoria de mais de 50% na correlação com a qualidade de execução real em comparação com as FoMs padrão.
Escalabilidade e Robustez:
- O Erro Quadrático Médio (RMSE) para a predição do wPST permaneceu relativamente constante conforme o número de qubits aumentava, demonstrando escalabilidade.
- O wPST mostrou-se robusto contra erros de leitura (entrando de forma aditiva em vez de multiplicativa) e proporcionou uma avaliação mais granular de ruído do que o PST, que frequentemente cai para próximo de zero para circuitos com mais de 6 qubits.
Importância dos Atributos (Feature Importance): A análise revelou que os modelos dependeram fortemente da "comunicação de programa" (densidade de interação de qubits) e do número de portas de dois qubits, confirmando que esses atributos físicos são críticos para prever a qualidade de execução.

Significância e Alegações
O artigo afirma que a integração de FoMs de alta precisão preditos por aprendizado de máquina em pipelines de compilação quântica oferece uma solução prática para o compromisso entre precisão e eficiência.

Compromisso Ótimo: O método proposto ocupa um "ponto ideal" (sweet spot) na fronteira de Pareto, oferecendo alta correlação com a qualidade de execução real (aproximando-se da precisão de uma simulação completa) enquanto mantém uma complexidade computacional polinomial.
Utilidade Prática: Ao permitir a estimação do wPST para circuitos não transpilados via um processo de duas etapas, o método permite que os compiladores tomem decisões informadas sem o custo proibitivo de executar milhões de variações de circuitos em hardware.
Compilação Melhorada: Os autores afirmam que o uso dessas FoMs preditas por ML pode levar a resultados de compilação aprimorados e maior qualidade de execução para algoritmos quânticos em diversas plataformas de hardware.

Os autores mantêm a modéstia quanto às implicações futuras, observando que, embora este seja um passo significativo, trabalhos adicionais são necessários para integrar totalmente esses modelos em compiladores em tempo real e para abordar o problema da "profundidade dupla" inerente às métricas baseadas em PST (onde o circuito de verificação é duas vezes o tamanho do original).

Mais como este