⚛️ quantum physics

From Circuits to Hardware: Benchmarking Standard and Qubit-Efficient Quantum Optimization on Real Hardware

Este artigo apresenta um benchmark abrangente de hardware real de vários algoritmos de otimização quântica baseados em portas através de quatro problemas NP-difíceis em processadores IBM Heron, revelando que os níveis atuais de ruído tornam a maioria dos resultados viáveis indistinguíveis do acaso aleatório e que, embora métodos eficientes em qubits estendam os tamanhos das instâncias executáveis, eles permanecem limitados por um rigoroso orçamento de fidelidade empírica.

Autores originais: Monit Sharma, Hoong Chuin Lau

Publicado 2026-07-14

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Monit Sharma, Hoong Chuin Lau

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 resolver um quebra-cabeça enorme e emaranhado usando um braço robótico novinho em folha e super frágil. Você tem várias estratégias diferentes: algumas tentam agarrar o quebra-cabeça inteiro de uma vez, outras tentam encolher o quebra-cabeça para que caiba no seu bolso, e outras tentam reorganizar as peças antes mesmo de você começar. Este artigo é como um teste de estresse gigante, do mundo real, desses braços robóticos em quatro tipos de quebra-culas muito diferentes, usando computadores quânticos reais (os "braços robóticos") em vez de apenas fingir em uma tela de computador.

Aqui está a história do que aconteceu quando colocaram essas estratégias à prova em hardware real.

O Panorama Geral: A Armadilha do "Quebra-Cabeça de Bolso"

A principal descoberta é um choque de realidade. Por muito tempo, as pessoas pensaram que a melhor maneira de resolver problemas difíceis em computadores quânticos era tornar o problema menor para que ele coubesse em menos "qubits" (os dedos do robô). A ideia era: Menos dedos = mais fácil de resolver.

Mas o artigo sugere que isso nem sempre é verdade. Embora encolher o quebra-cabeça (usando métodos "eficientes em qubits") permita que você encaixe problemas maiores na máquina, isso não garante que você obterá uma boa resposta. Na verdade, às vezes, encolher o quebra-cabeça faz o braço robótico balançar tanto devido ao ruído que ele deixa as peças caírem inteiras. Os autores mediram isso em processadores IBM Heron reais e descobriram que só porque um método usa menos qubits, não significa que ele funcione melhor. É como tentar carregar uma caixa pesada em uma mochila minúscula; claro, a mochila é pequena, mas se a caixa for pesada demais para as suas costas, você ainda vai derrubá-la.

Os Quatro Quebra-Cabeças: Um Conto de Quatro Problemas

Os pesquisadores testaram quatro tipos diferentes de problemas "NP-difíceis" (o que significa apenas que são super difíceis para computadores normais também). Cada um se comportou de forma diferente:

O Problema da Mochila Multidimensional (MDKP): Imagine uma viagem de mochila às costas onde você tem que empacotar itens que são pesados, ocupam espaço e precisam caber em compartimentos específicos.
- O que aconteceu: Este foi o "meio-termo feliz". Todos os métodos, dos grandes aos comprimidos minúsculos, conseguiram encontrar algumas soluções válidas. Os métodos comprimidos (PCE e QRAO) funcionaram bem aqui, provando que encolher o problema pode ajudar, mas apenas se o braço robótico for estável o suficiente.
O Conjunto Independente Máximo (MIS): Imagine uma festa onde você quer convidar o maior número possível de convidados, mas nenhum dois convidados podem ser inimigos (eles não podem sentar perto um do outro).
- O que aconteceu: Este foi o "penhasco". Para festas pequenas, os robôs foram ótimos. Mas conforme a festa ficava maior, os robôs subitamente pararam de funcionar. O artigo mostra um "penhasco de viabilidade" acentuado onde, assim que o problema fica ligeiramente grande demais, o ruído no hardware real torna impossível encontrar qualquer lista de convidados válida. É como tentar equilibrar uma casa de cartas em um furacão; funciona para algumas cartas, mas depois, puf, tudo desmorona.
O Problema de Atribuição Quadrática (QAP): Imagine atribuir 10 ou 12 pessoas a 10 ou 12 mesas, mas o custo depende de quão longe elas sentam e com quem elas conversam.
- O que aconteceu: Este foi o "fracasso total". O artigo afirma explicitamente que nenhum método testado retornou uma única solução válida para este problema em hardware real. Por quê? Porque as regras são tão rígidas (como uma permutação específica) que as respostas válidas são incrivelmente raras — apenas cerca de 1 em $10^{23}$ a $10^{34}$ arranjos possíveis são corretos. O ruído no computador abafou o sinal de forma tão completa que os robôs estavam apenas chutando aleatoriamente. Os autores argumentam que isso não é apenas uma questão de "precisamos de computadores melhores"; a própria estrutura do problema é densa demais para a tecnologia atual.
O Problema da Participação de Mercado (MSP): Imagine tentar dividir uma pizza para que todos recebam exatamente o tamanho da fatia que pediram.
- O que aconteceu: Este foi o "paradoxo da compressão". Os métodos comprimidos (PCE e QRAO) encolheram o problema para apenas 7–11 qubits (minúsculos!), enquanto os métodos normais precisavam de até 156. Mas aqui está o detalhe: os métodos minúsculos tiveram resultados terríveis. Eles não conseguiram atingir as metas. Os métodos normais, maiores, foram melhores. Isso prova que tornar o problema menor não torna automaticamente a resposta melhor.

O Fator "Ruído": Quando o Robô Balança

O artigo introduz uma maneira legal de medir o quanto o computador está balançando. Eles chamam isso de "proxy de fidelidade" ( $F_{est}$ ). Pense nisso como um medidor de "sinal-ruído".

Se o medidor estiver alto (perto de 0,1 ou 10%), o robô está estável o suficiente para ouvir as instruções.
Se o medidor cair abaixo de 0,001 (0,1%), o robô está tão instável que está basicamente girando as rodas no lugar.

Eles descobriram que, para muitos dos métodos do estilo "QAOA" (uma família de algoritmos popular), o robô estava tão instável que os resultados eram indistinguíveis de apenas escolher uma resposta aleatória. O artigo rodou um teste de controle onde compararam a saída do robô com um palpite aleatório uniforme. Para a maioria dos circuitos grandes e complexos, o robó não foi melhor do que um palpite aleatório. Na verdade, para um caso específico, um método de "warm-start" foi ligeiramente melhor que o aleatório, mas essa foi uma exceção rara, não a regra.

O Que o Artigo Descarta

Os autores são muito cuidadosos ao dizer o que eles não encontraram:

Eles descartam a ideia de que "menos qubits = melhor desempenho". Os dados mostram que encolher o circuito frequentemente introduz outros problemas (como circuitos mais profundos após a tradução) que anulam os benefícios.
Eles descartam a ideia de que os métodos QAOA estão prontos para o uso comercial nesses problemas difíceis. Depois que o computador traduz as instruções para sua própria linguagem (transpilação), os circuitos tornam-se tão enormes e ruidosos que falham. Mesmo que tentassem otimizar o roteamento (como o robô move seus dedos), os circuitos ainda seriam instáveis demais para funcionar.
Eles descartam a ideia de que os resultados de simulação (fingir em um computador perfeito) contam a história toda. A lacuna entre a "simulação perfeita" e o "hardware real" é enorme. Um método que parece ótimo em uma simulação muitas vezes falha miseravelmente no hardware real devido às etapas extras necessárias para fazê-lo funcionar.

O Quão Certos Eles Estão?

Os autores estão muito certos sobre o que mediram. Eles não apenas adivinharam; eles rodaram 247 combinações diferentes de métodos e problemas em processadores IBM Heron reais (especificamente as versões r1 e r2). Eles registraram cada etapa, desde como o código foi traduzido até o resultado final.

Eles mediram o número exato de portas (passos) que o robô teve que dar.
Eles mediram as taxas de erro dos chips específicos que usaram.
Eles simularam algumas partes para ter uma linha de base, mas deixam claro que os resultados da simulação são apenas uma referência, não a resposta final.

Eles não estão alegando que computadores quânticos são inúteis. Eles estão dizendo que, para esses problemas específicos e essas máquinas específicas atuais, a estratégia de "encolher o problema" tem limites, e alguns problemas (como o QAP) são apenas difíceis demais para a tecnologia atual. Eles sugerem que precisamos olhar para o quadro completo — o tamanho do problema, o ruído e como o código é traduzido — em vez de apenas contar qubits.

A Conclusão para um Adolescente Curioso

Pense na otimização quântica como tentar enviar uma mensagem em uma sala barulhenta.

A maneira "Padrão" é gritar a mensagem inteira claramente. É alto, mas se a sala for muito grande, o ruído abafa tudo.
A maneira "Comprimida" é sussurrar uma mensagem codificada. É mais silencioso e cabe em um espaço menor, mas se o código for muito complexo ou a sala for muito barulhenta, ninguém consegue decodificar, e você só recebe sons sem sentido.

Este artigo diz: "Ei, sussurrar nem sempre é a resposta! Às vezes, o ruído na sala é tão ruim que até o melhor código se perde. E para alguns quebra-cabeças realmente complicados (como o QAP), a sala é apenas barulhenta demais para qualquer um de nossos robôs atuais resolver."

Os autores não estão dizendo "desista". Eles estão dizendo: "Vamos parar de fingir que, só porque tornamos o quebra-cabeça menor, nós o resolvemos. Precisamos olhar para toda a bagunça — o ruído, a tradução e o resultado real — para ver o que realmente está funcionando."

Título: Dos Circuitos ao Hardware: Avaliação de Desempenho de Otimização Quântica Padrão e de Eficiência de Qubits em Hardware Real

Autores: Monit Sharma e Hoong Chuin Lau
Publicação: IOP Publishing (Journal of Quantum Science and Technology, forthcoming)

Definição do Problema

Apesar do rápido progresso nos algoritmos de otimização quântica, a área carece de benchmarks abrangentes em hardware real que comparem múltiplas famílias algorítmicas através de diversos problemas combinatórios classicamente difíceis sob um protocolo unificado. As avaliações existentes são frequentemente limitadas a classes de problemas únicas, famílias de algoritmos únicas ou configurações baseadas em simuladores que não levam em conta restrições práticas, tais como o overhead de compilação, conectividade de qubits, ruído de porta e variabilidade de execução. Consequentemente, torna-se difícil avaliar como diferentes estratégias (métodos variacionais padrão vs. codificações eficientes de qubits) se comparam quando mapeadas para dispositivos reais, ou determinar quando formulações eficientes de qubits oferecem vantagens práticas genuínas além da redução nominal de largura.

Metodologia

Os autores apresentam um estudo de benchmarking orientado ao hardware executado em processadores IBM Heron r1 e r2 (dispositivos transmon supercondutores) sob mitigação de nível de resiliência-2. O estudo avalia métodos de otimização quântica baseados em portas através de quatro classes de problemas combinatórios NP-difíceis:

Problema da Mochila Multidimensional (MDKP): Restrições do tipo empacotamento.
Conjunto Independente Máximo (MIS): Estrutura de independência baseada em grafos.
Problema de Atribuição Quadrática (QAP): Atribuição quadrática densa e fortemente acoplada.
Problema de Market Share (MSP): Restrições de equilíbrio impulsionadas por aplicações.

Famílias Algorítmicas Testadas:

Minimização de Energia Variacional: VQE (Variational Quantum Eigensolver) e CVaR-VQE (Conditional Value-at-Risk VQE).
Estilo QAOA: QAOA padrão, Warm-Start QAOA (WS-QAOA) e Multi-Angle QAOA (MA-QAOA).
Codificações Eficientes de Qubits: Codificação de Correlação de Pauli (PCE) e Otimização de Acesso Aleatório Quântico (QRAO).

Protocolo Experimental:

Fluxo de Trabalho: Todos os problemas foram convertidos para a forma de Otimização Binária Não Restrita Quadrática (QUBO) usando penalidades quadráticas, sendo então mapeados para Hamiltonianos de Ising.
Execução: O estudo utilizou um protocolo de otimização variacional de disparos fixos (otimizador COBYLA, 200 iterações, 1.000 disparos por avaliação) em hardware real.
Métricas: O benchmark reporta qualidade da solução (gap de otimalidade ou desvio do alvo), viabilidade, largura de circuito do nível do algoritmo, profundidade de circuito transpilado, contagens de portas de dois qubits ( $N_{2Q}$ ), overhead de compilação e robustez de execução.
Modelagem de Fidelidade: Um proxy de fidelidade de contagem de portas de erro independente ( $F_{est} \approx (1 - \epsilon_{2Q})^{N_{2Q}}$ ) foi derivado dos dados de calibração do backend para distinguir regimes de execução preservadores de sinal de regimes dominados por ruído.

Principais Contribuições

Benchmark Unificado entre Famílias: O primeiro benchmark unificado avaliando métodos variacionais, do estilo QAOA e de eficiência de qubits através de quatro problemas NP-difíceis estruturalmente distintos sob um protocolo experimental comum.
Avaliação Orientada ao Hardware: Uma mudança das estimativas de recursos idealizadas para um protocolo que trata o overhead de compilação, as características do circuito transpilado e a robustez de execução como dimensões primárias de benchmark.
Limiares de Ruído Quantitativos: O estabelecimento de um limiar de fidelidade empiricamente fundamentado ( $F_{est} \approx 0,1$ , correspondendo a $\sim770$ portas de dois qubits no Heron-r2) que marca a transição para a execução dominada por ruído.
Linha de Base Reproduzível: Um baseline empírico totalmente reproduzível incluindo stacks de software, metadados de backend, políticas de transpilação e diagnósticos por instância, com todo o código e instâncias disponíveis publicamente.

Principais Resultados

MDKP (Regime Equilibrado): Todas as famílias de métodos retornaram soluções viáveis. Métodos eficientes de qubits (PCE, QRAO) reduziram significativamente os requisitos de qubits, mas não superaram uniformemente os métodos de largura total em qualidade de solução. O CVaR-VQE mostrou forte desempenho em instâncias específicas.
MIS (Abismo de Viabilidade): Observou-se uma quebra abrupta de viabilidade conforme o tamanho da instância aumentava. Enquanto instâncias pequenas foram resolvidas com zero gap, instâncias maiores (64+ qubits) viram um colapso na viabilidade para a maioria dos métodos, com apenas o Warm-Start QAOA permanecendo viável na maior instância testada.
QAP (Barreira Estrutural): Nenhum método de hardware testado retornou uma atribuição viável para qualquer instância de QAP. A combinação de interações densas, restrições estritas de "one-hot" e um manifold viável exponencialmente esparso ( $10!/2^{100} \approx 10^{-23,54}$ ) tornou todos os pipelines testados inviáveis no hardware atual, mesmo para as menores instâncias.
MSP (Compressão vs. Qualidade): Codificações eficientes de qubits alcançaram uma redução dramática de largura (7–11 qubits vs. 48–156), mas resultaram em uma qualidade de solução recuperada significativamente pior (grandes desvios do alvo) em comparação aos métodos de largura total.
Overhead de Compilação: A transpilação aumentou as contagens de portas de dois qubits por fatores de 4,5 a 6,2 através das famílias de problemas. Para circuitos da família QAOA, as contagens transpiladas de dois qubits frequentemente excederam 20.000, empurrando $F_{est}$ abaixo de $10^{-30}$ .
Domínio do Ruído: Um controle uniforme-aleatório pareado mostrou que, para execuções de baixa fidelidade da família QAOA ( $F_{est} < 10^{-3}$ ), a maioria dos resultados viáveis situava-se dentro do intervalo aleatório empírico, sugerindo que o sinal era dominado pelo ruído.
Gap Simulador-Hardware: Os rankings de simuladores não se transferiram uniformemente para o hardware. Em alguns casos de MDKP, execuções em hardware alcançaram gaps menores do que simuladores (potencialmente devido à estocasticidade de disparos finitos), enquanto em outros, o desempenho do hardware degradou significativamente.

Significância e Alegações

O artigo não alega uma vantagem quântica prática sobre solvers clássicos. Em vez disso, estabelece uma linha de base empírica sistemática para avaliar a otimização quântica sob restrições realistas.

Contagem de Qubits é Insuficiente: O estudo demonstra que uma menor contagem de qubits (via compressão) não implica consistentemente em melhor desempenho final no hardware. Os ganhos da redução de largura são frequentemente compensados pelo overhead de transpilação, aumento da profundidade efetiva do circuito ou degradação da robustez.
Viabilidade Dependente do Problema: O desempenho prático é altamente dependente da interação entre a estrutura do problema, a escolha da codificação e as restrições do hardware. Um método competitivo em uma classe de problemas (ex: MDKP) pode falhar completamente em outra (ex: QAP).
Compilação como uma Métrica de Primeira Classe: A identidade de um método de otimização quântica muda materialmente após a transpilação. Os benchmarks devem reportar as características do circuito transpilado (profundidade, $N_{2Q}$ ) em vez de apenas a largura do algoritmo para fornecer uma imagem completa de sua capacidade de implementação.
Limiares de Fidelidade: Os limiares de $F_{est}$ derivados fornecem orientação acionável, indicando que o hardware atual é provavelmente dominado por ruído para circuitos QAOA profundos e problemas de atribuição densos, limitando o regime onde métodos quânticos podem ser testados de forma confiável.

Os autores concluem que o benchmarking de curto prazo deve focar na caracterização de trade-offs (largura vs. qualidade, design algorítmico vs. custo compilado) em vez de buscar um único "melhor" algoritmo, e que alegações de vantagem prática devem ser apoiadas pela qualidade da solução realizada no hardware e diagnósticos de execução, não apenas por resultados de simuladores ou contagens nominais de qubits.