Transferred QAOA Parameters Remember the Penalty Scale: A $\lambda$-Resonance Law for Constrained Quantum Optimization

Resumo Técnico: Parâmetros de QAOA Transferidos Lembram a Escala de Penalidade

Definição do Problema
O Algoritmo de Otimização Aproximada Quântica (QAOA) enfrenta um gargalo crítico de escalabilidade: treinar parâmetros variacionais $(\beta, \gamma)$ para cada nova instância de problema é computacionalmente proibitivo em hardware de curto prazo devido à "parede de simulação exata". A solução padrão é a transferência de parâmetros, onde ângulos treinados em instâncias pequenas são reutilizados em outras maiores. A literatura existente atribui o sucesso dessa transferência quase exclusivamente à similaridade estrutural (ex: topologia de grafo compartilhada, paridade de grau ou composição de subgrafos locais).

No entanto, um modo de falha distinto persiste em problemas de otimização com restrições codificados via métodos de penalidade. Nesses problemas, as restrições são impostas adicionando um termo de penalidade $\lambda v(x)$ à função de custo, onde $v(x)$ é uma contagem de violação inteira e $\lambda$ é um peso escalar. Profissionais observam que transferir ângulos treinados frequentemente falha de forma imprevisível quando a instância de implantação utiliza um peso de penalidade $\lambda$ diferente do peso de treinamento, mesmo que as propriedades estruturais sejam idênticas. As explicações atuais tratam isso como um problema de ajuste "energético" (equilibrando o sinal do objetivo vs. a penalidade da restrição), mas falham em explicar a sensibilidade específica e não monotônica em relação a $\lambda$.

Metodologia e Estrutura Teórica
Este artigo postula que a transferibilidade dos parâmetros de QAOA em formulações baseadas em penalidade é governada não pela estrutura ou energética, mas pela interferência quântica. Os autores derivam uma caracterização matemática rigorosa da massa de probabilidade viável $F(\lambda)$ como uma função do peso de penalidade $\lambda$, assumindo ângulos treinados fixos.

1. Expansão de Caminhos e Fatoração de Fase:
   Os autores expandem a amplitude do estado QAOA em uma soma sobre caminhos de base computacional. Eles demonstram que, para qualquer caminho com uma sequência específica de contagens de violação $v = (v_1, \dots, v_p)$, a dependência de $\lambda$ entra exclusivamente como um fator de fase global $e^{-i\lambda \sum_k \gamma_k v_k}$.
2. O Teorema da Ressonância de $\lambda$:
   Ao elevar a amplitude ao quadrado para obter a probabilidade $F(\lambda)$, os autores provam que $F(\lambda)$ é um polinômio trigonométrico real finito em $\lambda$.
   • Suporte Espectral: As frequências angulares $\omega$ deste polinômio residem em uma rede inteira gerada pelos parâmetros $\gamma$ treinados: $\Omega = \{ \sum_{k=1}^p \gamma_k m_k \mid m_k \in \mathbb{Z}, |m_k| \le v_{\max} \}$.
   • Independência: Este resultado mantém-se independentemente de como os ângulos foram obtidos (descida de gradiente, aleatórios, etc.) e é independente da função objetivo $C(x)$, baseando-se apenas na integridade da contagem de violação $v(x)$.

Principais Contribuições
O artigo estabelece três contribuições teóricas e empíricas primárias:

1. Comportamento de Ressonância: A viabilidade da transferência não é monotônica em relação a $\lambda$. Em vez disso, apresenta um pico de ressonância onde a penalidade de implantação $\lambda_{deploy}$ coincide com a penalidade de treinamento $\lambda_{train}$. Desviar desse ajuste causa interferência destrutiva entre os "canais de histórico de violação", suprimindo rapidamente a probabilidade de encontrar soluções viáveis.
2. Lei de Escalonamento de Largura: A largura do pico de ressonância é limitada inferiormente pela desigualdade de Bernstein. A largura mínima escala como $1 / (v_{\max} \sum_k |\gamma_k|)$.
   • Implicação: Conjuntos de ângulos "agudos" (grande $\sum |\gamma_k|$) produzem ressonâncias estreitas e frágeis. Conjuntos de ângulos "rombudos" (pequeno $\sum |\gamma_k|$) produzem patamares largos e robustos que toleram melhor o desvio de calibração e variações de instância.
3. Fenômenos de Revival (Ressurgimento): Como as frequências residem em uma rede discreta, o padrão de interferência é quase periódico. O artigo prevê e observa "picos de revival" em espaçamentos específicos $\Delta \lambda \approx 2\pi / \gamma_k$, onde a viabilidade se recupera mesmo se $\lambda$ estiver significativamente desalinhado do valor de treinamento.

Resultados Experimentais
Os autores validam suas previsões usando simulações de estado vetorial exatas em um QUBO de alocação de recursos multiusuário de 20 qubits (6 grupos de restrição, $v_{\max}=6$).

• Configuração: Dois conjuntos de ângulos distintos treinados na mesma instância em $\lambda_0 \approx 2.2$ foram testados: um conjunto "agudo" ($\sum |\gamma_k| \approx 4.29$) e um conjunto "rombudo" ($\sum |\gamma_k| \approx 0.61$).
• Localização do Pico: Ambos os conjuntos atingiram o pico em $\lambda \approx \lambda_0$, confirmando a hipótese de ressonância.
• Escalonamento de Largura: O conjunto "rombudo" exibiu uma largura de ressonância aproximadamente 5,4 vezes maior que a do conjunto "agudo", consistente com a razão prevista de seus orçamentos de fase.
• Revivals: O conjunto "agudo" exibiu claros picos de revival em $\lambda_0 \pm 2\pi/\gamma_1$ (aprox. 0,41 e 3,99), enquanto o conjunto "rombudo" não mostrou revivals dentro da janela testada.
• Impressão Digital Espectral: Uma análise espectral de mínimos quadrados de $F(\lambda)$ para o conjunto agudo revelou linhas de frequência que coincidem exatamente com a rede inteira gerada pelos valores de $\gamma$ treinados, fornecendo um "teste decisivo" que descarta explicações energéticas ou estruturais.

Significância e Alegações
O artigo afirma reclassificar um modo de falha amplamente relatado do QAOA baseado em penalidade de um "problema de ajuste energético" para um fenômeno de interferência de fase determinístico e previsível.

• Mudança de Paradigma: Os autores argumentam que a literatura de transferência (focada em estrutura) e a literatura de penalidade (focada em energética) perderam o eixo da "interferência". Os ângulos treinados memorizam efetivamente o padrão de fase específico do peso de penalidade de treinamento.
• Protocolo Prático: O artigo propõe dois protocolos de custo zero para profissionais:
  1. Correspondência de $\lambda$ ($\lambda$-Matching): Ao transferir parâmetros, o peso de penalidade de implantação deve ser correspondente ao peso de treinamento do doador. Aumentar $\lambda$ heuristicamente "por segurança" é contraproducente, pois desajusta a ressonância.
  2. Doadores Rombudos (Blunt Donors): Entre ótimos próximos da degenerescência, prefira soluções com pequeno $\sum |\gamma_k|$ (baixo orçamento de fase). Esses doadores "rombudos" oferecem larguras de ressonância significativamente maiores, tornando-os mais robustos a desvios de calibração e escalonamento de instância.
• Aviso de Escalabilidade: À medida que o tamanho do problema aumenta, $v_{\max}$ cresce, fazendo com que a largura da ressonância diminua ($1/v_{\max}$). Isso implica que a correspondência estrita de $\lambda$ torna-se inegociável para problemas de grande escala, pois a tolerância para o desajuste desaparece.

O artigo conclui que o colapso "imprevisível" da viabilidade durante a transferência é, na verdade, um desajuste espectral previsível, e que a "solução" não é o retreinamento ou o alinhamento estrutural, mas sim a correspondência precisa de parâmetros e a seleção de conjuntos de ângulos com baixo orçamento de fase.