Resumo Técnico: Um Substitutos Variacionais Analiticamente Treinados para a Estimativa de Fase Quântica em Hardware NISQ

1. Definição do Problema

A Estimativa de Fase Quântica (QPE) é um algoritmo fundamental para determinar energias de estado fundamental molecular com precisão química, servindo como uma sub-rotina crítica para algoritos como a fatoração de Shor e simulações de química quântica. No entanto, a QPE padrão requer circuitos profundos dominados pela Transformada de Fourier Quântica inversa (QFT†) e operadores de evolução temporal controlados. Para Hamiltonianos moleculares mapeados via transformações de Jordan-Wigner, a profundidade do circuito escala como $O(2^{n_a} \cdot m \cdot n_s^4)$, onde $n_a$ é o número de qubits ancila, $m$ é o número de passos de Trotter e $n_s$ é o número de orbitais de spin. Esse escalonamento exponencial torna a execução direta da QPE impraticável em dispositivos de Escala Intermediária com Ruído Quântico (NISQ) devido a erros de porta e decoerência.

Tentativas anteriores de contornar isso usando Circuitos Quânticos Variacionais (VQCs) como substitutos (surrogates) enfrentaram um gargalo diferente: a distribuição alvo de treinamento (as probabilidades de medição da QPE) era gerada por uma simulação clássica do circuito QPE completo. Essa simulação clássica escala exponencialmente com o número de qubits ($O(2^{n_s + n_a})$), criando um custo computacional proibitivo que compromete a própria escalabilidade da abordagem do substituto.

2. Metodologia

Os autores propõem um framework que elimina a necessidade de simulação de circuito quântico durante a fase de treinamento, aproveitando a forma analítica da distribuição de medição da QPE.

2.1 Alvo de Treinamento Analítico via Núcleo de Dirichlet

Em vez de simular o circuito QPE, o alvo de treinamento $P_{gt}(k; \phi)$ é computado diretamente usando o núcleo de Dirichlet de forma fechada. Dado a energia do estado fundamental exata ($E_{true}$), o número de qubits ancila ($n_a$) e o parâmetro de evolução temporal ($\tau$), a fase reescalonada $\phi$ é calculada. A distribuição de probabilidade alvo é então:
$$P_{gt}(k; \phi) = \frac{1}{2^{2n_a}} \frac{\sin^2(\pi(\phi - k))}{\sin^2\left(\frac{\pi(\phi - k)}{2^{n_a}}\right)}$$
Isso permite que a distribuição alvo seja computada inteiramente de forma clássica em tempo $O(2^{n_a})$, independente do tamanho do sistema molecular ($n_s$), efetivamente desacoplando o pipeline de treinamento do gargalo de simulação exponencial.

2.2 Arquitetura de Circuito Quântico Variacional (VQC)

Um VQC raso é treinado para reproduzir esta distribuição analítica. O estudo investiga duas arquiteturas de ansatz em um registro de $n_a=11$ qubits:

• Ansatz RY-RZ-CZ: Camadas de rotações $RY$e$RZ$ seguidas por portas de emaranhamento $CZ$.
• Ansatz RY-CZ: Uma variante reduzida usando apenas rotações $RY$ e portas $CZ$, reduzindo pela metade a contagem de parâmetros.

Dois tópicos de emaranhamento são comparados:

• Emaranhador Linear: Conecta qubits vizinhos mais próximos ($O(p \cdot n_a)$ profundidade).
• Emaranhador Total: Conecta todos os pares de qubits ($O(p \cdot n_a^2)$ profundidade).

2.3 Otimização e Execução em Hardware

Os parâmetros do VQC são otimizados usando o algoritmo COBYLA (Constrained Optimization BY Linear Approximation) para minimizar a função de custo da norma $L_1$ entre a saída do VQC e o alvo de Dirichlet analítico. O treinamento é realizado em dois modos:

1. Simulador Ideal: Execução sem ruído.
2. Simulador Ruidoso: Execução usando um modelo de ruído calibrado a partir do dispositivo IBM ibm_boston.

Os parâmetros treinados são então transferidos para o hardware quântico supercondutor real da IBM. O estudo também avalia o impacto de sequências de Desacoplamento Dinâmico (DD) $X_pX_m$ destinadas a suprimir o ruído de desfasamento.

3. Principais Contribuições

1. Pipeline de Treinamento Analítico: A principal contribuição é a substituição da simulação de circuito QPE clássica pelo cálculo do núcleo de Dirichlet de forma fechada. Isso remove o escalonamento de memória e tempo de execução exponencial associado à geração de alvos de treinamento, tornando o framework do substituto escalável para problemas maiores.
2. Investigação Sistemática de Hardware: Um fluxo de trabalho experimental de quatro estágios em hardware real:
   • Estágio 1: Comparação de topologias de emaranhador linear vs. total.
   • Estágio 2: Análise da profundidade do circuito ($p=1$ a $5$) e o efeito do Desacoplamento Dinâmico.
   • Estágio 3: Comparação de ansatzes RY-RZ-CZ vs. RY-CZ e ambientes de treinamento (ideal vs. ruidoso).
   • Estágio 4: Análise de ruído suplementar em profundidades de circuito maiores ($p=8, 64$).
3. Descobertas Empíricas sobre Restrições NISQ: O trabalho fornece dados concretos sobre como a profundidade do circuito, a topologia do emaranhador e as estratégias de mitigação de ruído interagem em hardware supercondutor atual.

4. Resultados

Os experimentos foram conduzidos na molécula de hidrogênio ($H_2$) usando um Hamiltoniano com redução de simetria (reduzido a 2 qubits) com 11 qubits ancila.

• Topologia: O emaranhador linear superou significativamente o emaranhador total em hardware real. Embora ambos tenham performado de forma semelhante em simulação ideal, o emaranhador total acumulou erros excessivos em dispositivos reais devido à maior profundidade do circuito, reduzindo a contagem de bitstrings dominantes de ~92.000 (linear) para ~65.000 (total).
• Profundidade do Circuito: Uma configuração de camada única ($p=1$) foi a ideal. Aumentar a profundidade para $p=5$ levou a uma degradação monotônica em todas as métricas distribucionais (distância de Hellinger, erro de fidelidade, TVD, JSD) em hardware real, apesar de as simulações ideais não mostrarem tal tendência.
• Desacoplamento Dinâmico (DD): Contrariamente às expectativas, a aplicação de sequências de DD $X_pX_m$ degradou o desempenho em todas as contagens de camadas e ambientes de treinamento. Os autores atribuem isso à falta de tempo de ociosidade suficiente em circuitos rasos e potenciais erros de calibração de pulso.
• Comparação de Ansatz: O ansatz RY-CZ reduzido performou de forma comparável ao ansatz RY-RZ-CZ mais complexo em hardware real. Dada a sua menor contagem de parâmetros e profundidade de porta, ele é identificado como a escolha mais eficiente para o hardware.
• Ambiente de Treinamento: Parâmetros treinados em um simulador ideal (sem ruído) generalizaram melhor para o hardware real do que aqueles treinados em um simulador ruidoso. A configuração RY-CZ treinada no ideal alcançou uma contagem de bitstrings dominante de 91.499 (vs. 90.267 para o treinado com ruído) e menores erros de métrica.
• Recuperação de Energia: O framework recuperou com sucesso a energia do estado fundamental molecular com um erro absoluto de $|\Delta E| = 1.786 \times 10^{-4}$ Hartree. Isso está bem dentro do limiar de precisão química ($1.59 \times 10^{-3}$ Hartree).
• Fidelidade Distribucional: O VQC não apenas identificou a bitstring correta, mas também reproduziu a estrutura de lóbulos laterais decrescentes do núcleo de Dirichlet, confirmando que o substituto aprende a estrutura de fase subjacente em vez de apenas colapsar para o resultado mais provável.

5. Significância e Alegações

O artigo afirma estabelecer um paradigma escalável e eficiente em termos de hardware para a estimação de energia molecular baseada em QPE em dispositivos NISQ. Ao remover o gargalo da simulação clássica, o framework permite o treinamento de substitutos variacionais para problemas onde a simulação direta da QPE é inviável.

Os autores enfatizam que sua abordagem:

• Alcança a precisão química usando um circuito VQC de escalonamento linear em vez de um circuito QPE de escalonamento exponencial.
• Demonstra que circuitos rasos ($p=1$) com emaranhadores lineares são ideais para o hardware atual, pois circuitos mais profundos e emaranhadores complexos acumulam excesso de ruído.
• Sugere que, para tarefas variacionais rasas, o treinamento em simulador ideal pode ser mais robusto do que o treinamento consciente do ruído, desafiando a suposição de que modelos de ruído são sempre necessários para a generalização.
• Fornece uma alternativa analítica rigorosa aos métodos de substitutos dependentes de simulação, tornando a abordagem aplicável a sistemas moleculares maiores sem aumentar o custo de treinamento clássico.

O trabalho conclui que, embora as limitações do hardware NISQ (ruído, falta de tempo de ociosidade para DD) restrinjam a utilidade de circuitos profundos, o substituto variacional treinado analiticamente oferece um caminho viável para extrair informações espectrais de alta precisão a partir de circuitos quânticos rasos e resilientes ao ruído.