Resumo Técnico: Aprendizado de Unitários Agnóstico à Estrutura a partir da Dinâmica de Observáveis Quânticos

1. Declaração do Problema

Os métodos variacionais atuais para aprendizado de Hamiltoniano frequentemente confundem duas tarefas distintas: um problema de otimização quântica (encontrar uma unitária $U$ que corresponda à dinâmica observada) e um problema de identificação clássica (decompor $U$ em termos de interação física). As abordagens existentes geralmente exigem que o praticante especifique a estrutura do Hamiltoniano (ou seja, quais termos de Pauli estão presentes) antes do início do treinamento. Essa suposição estrutural limita a aplicabilidade do método a famílias de interações conhecidas e impede a descoberta de simetrias ou termos de interação desconhecidos.

Além disso, o treinamento em todos os passos de tempo simultaneamente frequentemente leva a falhas de otimização devido à natureza não convexa do landscape de perda quântica, onde o domínio do gradiente em tempos longos impede a captura das dinâmicas de curto prazo.

2. Metodologia

O artigo propõe um framework de Aprendizado de Unitário Agnóstico à Estrutura que desacopla a fase de aprendizado quântico da fase de identificação clássica.

2.1. Arquitetura de Duas Fases

1. Aprendizado de Unitário Quântico (Livre de Estrutura):

   • Um circuito quântico parametrizado (PQC) eficiente em hardware aprende o operador de evolução $U$ diretamente de medições de séries temporais de observáveis.
   • Função de Perda: O algoritmo minimiza o erro quadrático médio (MSE) entre os valores esperados dos observáveis $\langle P \rangle$ previstos e reais através de múltiplos estados iniciais, observáveis e passos de tempo $n$.
   • Característica Chave: Nenhuma suposição é feita sobre o gerador de $U$. O circuito aprende $U$ como uma "caixa preta". Se o alvo for uma unitária gerada por um Hamiltoniano ($e^{-iH\tau}$), o método a aprende; se o alvo for uma porta não-Hamiltoniana (ex: CNOT, iSWAP), o método ainda aprende a unitária, mas a segunda fase é simplesmente ignorada.

2. Identificação de Hamiltoniano Clássico (Pós-processamento):

   • Uma vez encontrada a unitária ótima $U(\theta^*)$, o Hamiltoniano é recuperado via pós-processamento clássico.
   • Extração: O gerador é computado usando o logaritmo de matriz: $\hat{H} = \frac{i}{\tau} \log U(\theta^*)$.
   • Decomposição: O operador recuperado é projetado na base de Pauli usando produtos internos de traço: $c_\alpha = \frac{1}{2^n} \text{Tr}(\hat{H}P_\alpha)$.
   • Identificabilidade: O método baseia-se no fato matemático de que, se o conjunto de estados iniciais e observáveis abranger o espaço de operadores, a unitária é determinada de forma única (até uma fase global) e, portanto, sua decomposição é fixa sem suposições prévias.

2.2. Estratégia de Otimização

• Otimizador: O artigo introduz o SPSA-Adam, um otimizador híbrido que combina a Aproximação Estocástica de Perturbação Simultânea (SPSA) para estimativa de gradiente eficiente em hardware (2 avaliações de circuito por passo) com as atualizações de momento adaptativo do Adam.
• Currículo de Momento Aquecido (Moment-Warm Curriculum): Para lidar com o fenômeno de "barren plateaus" e armadilhas locais, o treinamento é estagiado. O conjunto ativo de passos de tempo é progressivamente estendido (ex: $\{1, 2\} \to \{1, 2, 4, 6\} \to \dots$). Crucialmente, os momentos do Adam ($m, v$) são transportados entre os estágios, preservando a informação de curvatura e evitando o overhead de "cold-start".
• Tratamento de Ramos: O método utiliza o ramo principal do logaritmo de matriz. Ele garante que o passo de tempo $\tau$ seja pequeno o suficiente para que $\|H\|\tau < \pi$ para evitar ambiguidades de enrolamento de fase.

3. Principais Contribuições

1. Enquadramento de Aprendizado de Unitário: O otimizador quântico aprende $U$, não coeficientes de Pauli; a identificação do Hamiltoniano é um pós-processamento opcional e inteiramente clássico.
2. Condições de Identificabilidade: O artigo estabelece condições precisas sob as quais $U$ é determinado de forma única pelos dados de observáveis, garantindo que sua decomposição em Pauli seja bem definida.
   de aprendizado de portas: O método aprende com sucesso unitárias não-Hamiltonianas (CNOT, iSWAP, SU(4) de Haar-random) com precisão de máquina, provando que não depende de estruturas de Trotterização ou suposições de Hamiltoniano.
3. SPSA-Adam: Um novo otimizador que requer apenas duas avaliações de circuito por passo de gradiente, independentemente do número de parâmetros, potencializado por momentos adaptativos.
4. Cronograma de Currículo: Um cronograma de quatro estágios que converte um problema global não convexo em uma sequência de problemas locais bem postos, demonstrando que o treinamento de estágio único padrão falha sob as mesmas condições.

4. Resultados Experimentais

4.1. Prova de Correção Sem Ruído (2-Qubits)

• Configuração: Otimizador L-BFGS-B com gradientes exatos em um modelo de Ising de 2 qubits ($H = ZZ + 0.5XI + 0.5IX$).
• Desempenho: Alcançou um MSE final de $1.61 \times 10^{-14}$.
• Recuperação: Todos os coeficientes do Hamiltoniano foram recuperados com seis casas decimais. O erro de ida e volta (re-simulando o Hamiltoniano) estava na precisão de máquina ($8.09 \times 10^{-16}$).

4.2. Aprendizado de Portas (Alvos Não-Hamiltonianos)

• Alvos: CNOT, iSWAP e um elemento SU(4) de Haar-random.
• Resultado: As três portas foram aprendidas com uma fidelidade de processo de 1.000000. Os erros de operador ficaram abaixo de $5 \times 10^{-7}$. Isso confirma a capacidade do algoritmo de aprender unitárias arbitrárias sem assumir um gerador Hamiltoniano.

4.3. Escalabilidade (3-Qubits)

• Configuração: Estendido para um modelo de Ising de campo transversal de 3 qubits (102 parâmetros).
• Resultado: Todos os cinco termos verdadeiros do Hamiltoniano foram recuperados corretamente com erros na ordem de $10^{-3}$ a $10^{-4}$. O método demonstrou escalonamento polinomial em parâmetros versus escalonamento exponencial no espaço de Hilbert.

4.4. Sensibilidade Estrutural

• O método foi testado contra topologias de ansatz desalinhadas (interações de longo alcance, famílias erradas de operadores como Hamiltonianos dominantes em YY, e acoplamentos antissimétricos).
• Resultado: O algoritmo recuperou com sucesso o Hamiltoniano correto em todos os casos, confirmando que não depende de suposições estruturais ocultas.

4.5. Implementação Quântica (Simulação com Ruído)

• Configuração: Qiskit Aer com ruído depolarizante ($p_1=0.001, p_2=0.01$) e $N_{shots}=1024$.
• Resultado: Todos os três termos de Ising foram recuperados com erros abaixo de 8% (ZZ e XI dentro de 1%). Um termo espúrio apareceu marginalmente acima do limiar, consistente com o erro unitário residual.
• Comparação: Uma abordagem padrão SPSA-Adam falhou completamente sob as mesmas condições, recuperando coeficientes com o sinal errado e um MSE 180 vezes maior que a variância do ruído de shots. A abordagem de currículo reduziu o MSE para 2,1 vezes a variância do ruído de shots.

5. Significância e Alegações

O artigo afirma que a separação do aprendizado de unitário da identificação de Hamiltoniano é a decisão arquitetônica crítica que permite:

1. Descoberta de Estrutura: O algoritmo determina quais termos de Pauli estão presentes e suas simetrias puramente a partir dos dados, em vez de exigi-los como entrada.
2. Generalidade: O mesmo algoritmo aplica-se tanto ao aprendizado de Hamiltoniano quanto ao aprendizado de portas quânticas gerais (ex: aprender CNOT).
3. Robustez: O currículo de momento aquecido é essencial para o aprendizado quântico tratável, evitando que o otimizador fique preso em mínimos locais causados pelo domínio do gradiente em tempos longos.

Os autores concluem que, embora o método enfrente limitações em relação à dimensionalidade do espaço de Pauli para $n > 4$ e ao limite da norma espectral de $\tau$, ele fornece um framework rigoroso e agnóstico à estrutura para aprender dinâmicas quânticas que supera os métodos de ajuste direto de coeficientes tanto em regimes sem ruído quanto com ruído.