When Close Enough Is Not Enough: Autoregressive Drift in Quantum Circuit Synthesis

Problema

O artigo aborda o desafio de otimizar circuitos quânticos para computação tolerante a falhas, focando especificamente na minimização da contagem de T (o número total de portas não-Clifford T e T†). Em arquiteturas tolerantes a falhas, as portas T exigem destilação de estados mágicos dispendiosa, tornando sua minimização uma etapa de compilação crítica.

Os autores investigam se uma rede neural aprendida pode realizar essa tarefa de otimização, substituindo ou complementando bibliotecas de regras criadas manualmente (como as baseadas em cálculo ZX ou partição de matroidos). Eles formulam o problema como uma tarefa de tradução sequência-para-sequência: dado um circuito de entrada, o modelo deve gerar um circuito de saída equivalente com uma contagem de T menor. O estudo contrasta dois cenários distintos:

1. Circuitos Parametrizados: Circuitos contendo ângulos de rotação contínuos.
2. Circuitos Clifford+T: Circuitos compostos inteiramente por portas discretas (H, S, T, CNOT, etc.) sem parâmetros contínuos, exigindo equivalência funcional exata.

Metodologia

Os autores utilizam um transformer codificador-decodificador compacto (44,8 milhões de parâmetros) treinado em 200.000 pares de circuitos.

• Tokenização Estruturada: Diferente das abordagens baseadas em texto que analisam strings QASM brutas, o modelo utiliza um esquema de tokenização estruturada onde cada token carrega informações semânticas do circuito (tipo de porta, índice do qubit). O vocabulário é pequeno (~102 tokens), com apenas 25 tokens ativos para circuitos Clifford+T.
• Arquitetura: O modelo utiliza normalização de pré-camada (pre-layer normalization) e mascaramento causal. Para circuitos parametrizados, uma cabeça de regressão separada prevê pares $(\sin \theta, \cos \theta)$ para os ângulos de rotação. Para Clifford+T, essa cabeça é desativada, pois todas as portas são discretas.
• Dados de Treinamento:
  • Parametrizados: Gerados usando a otimização O3 do Qiskit.
  • Clifford+T: Gerados criando circuitos aleatórios, injetando redundância (ex: $HH=I$), e otimizando-os usando PyZX (um otimizador baseado em cálculo ZX) para criar os alvos de verdade fundamental (ground-truth).
• Estratégias de Decodificação: O estudo avalia cinco estratégias, todas utilizando uma política de reclassificação baseada em verificador primeiro (verifier-first reranking). Candidatos são gerados (via busca gananciosa/greedy, beam search ou amostragem de temperatura), verificados para equivalência unitária ($F > 0,999$), e o candidato válido com a menor contagem de T é selecionado.

Principais Descobertas e Resultados

1. A Dicotomia entre Sucesso e Falha

O artigo identifica um contraste nítido entre os dois cenários de circuitos:

• Circuitos Parametrizados: O modelo atinge uma mediana de fidelidade de 1,000 em circuitos de 3 a 6 qubits. O transformer aprende a estrutura do circuito com validade quase perfeita (100%). Embora as previsões de ângulos sejam imprecisas, o pós-processamento clássico (otimização Nelder-Mead) consegue refinar os ângulos, salvando o resultado.
• Circuitos Clifford+T: O modelo aprende a sintaxe válida e estatísticas precisas de contagem de T (prevendo a distribuição correta de contagem de portas). No entanto, a equivalência funcional exata degrada drasticamente à medida que o comprimento do circuito alvo aumenta.
  • Em circuitos curtos ($\le$ 9 portas), as taxas de correspondência exata são altas (88% com beam search).
  • Em circuitos mais longos ($\ge$ 26 portas), as taxas de correspondência exata caem para próximo de zero.

2. Deriva Autoregressiva (Autoregressive Drift)

O principal modo de falha identificado é a deriva autoregressiva.

• Mecanismo: O modelo frequentemente diverge do resultado correto logo nos primeiros tokens (mediana do primeiro erro em ~3% do comprimento da sequência). Como a decodificação é feita da esquerda para a direita, um erro precoce em um token discreto (ex: trocar uma porta S por uma porta T) corrompe o contexto para todos os tokens subsequentes.
• Irrecuperabilidade: Ao contrário dos circuitos parametrizados, onde os ângulos podem ser reotimizados, uma única porta discreta errada em um circuito Clifford+T altera irreversivelmente a unitária. A distribuição de fidelidade é bimodal ($F \approx 1$ ou $F \approx 0$), sem um meio-termo de "quase lá".
• Preditor Dominante: A falha é impulsionada pelo comprimento do circuito alvo, não pelo número de qubits. O desempenho colapsa conforme as contagens de portas passam de dígitos únicos para dezenas.

3. Avaliação de Intervenções

Os autores testaram várias estratégias para mitigar a deriva:

• Computação em Tempo de Inferência: Escalar o número de candidatos ($N$) melhora os resultados. A amostragem por temperatura com $N=200$ eleva as taxas de correspondência exata de 7% (greedy) para 22,5%. No entanto, isso segue uma curva de saturação com retornos decrescentes.
• Escalonamento de Dados: Aumentar o conjunto de dados de treinamento em 2,5× (de 200K para 500K pares) quase dobra a taxa de correspondência exata para 39,5%. Esta é a alavanca mais eficaz.
• Ajuste Fino e Diversificação: O ajuste fino direcionado para circuitos longos, amostragem ponderada, busca híbrida e ensembling de modelos renderam apenas ganhos marginais (ex: de 21,0% para 24,5%) e não alteraram o padrão fundamental de degradação.
• Persistência da Deriva: Mesmo com 2,5× mais dados, a degradação dependente do comprimento persiste. A equivalência exata cai de 94% em circuitos curtos para menos de 4% em circuitos com 26+ portas.

Significância e Alegações

A contribuição central do artigo é o diagnóstico da deriva autoregressiva como o gargalo fundamental para a compilação de circuitos quânticos aprendidos quando a correção discreta exata é necessária.

• O Limite do "Quase Suficiente": Os autores demonstram que, embora os transformers possam aprender padrões de otimização e validade estrutural, eles não conseguem recuperar-se confiavelmente de erros precoces de tokens em domínios discretos. O pós-processamento não pode salvar erros discretos, ao contrário da otimização de parâmetros contínuos.
• Implicações Práticas: O modelo é mais viável como uma passagem de otimização de "peephole" para subcircuitos curtos (ex: $\le$ 14 portas) dentro de compiladores de produção, onde pode alcançar altas taxas de correspondência exata. Para circuitos mais longos, a abordagem autoregressiva atual é pouco confiável.
• Leis de Escala: O estudo destaca que, para tarefas com verificadores eficientes (como comparação de unitárias), escalar os dados de treinamento é mais eficaz do que escalar os parâmetros do modelo ou estratégias complexas de busca em tempo de inferência.
• Direção Futura: Os autores sugerem que superar este gargalo provavelmente exige o afastamento da decodificação puramente autoregressiva em direção a métodos não-autoregressivos (ex: difusão discreta, refinamento iterativo) ou estratégias de decomposição de subcircuitos que operem dentro do regime de alta precisão do modelo.

O artigo conclui que, embora os modelos aprendidos mostrem promessa na compreensão da estrutura do circuito, o mecanismo de deriva autoregressiva limita atualmente sua confiabilidade para a síntese exata de circuitos quânticos discretos complexos.