⚛️ quantum physics

How Many Shots Does It Take? A Noise-Aware Quantum Resource Allocation Framework

Este artigo propõe um framework consciente de ruído que apresenta um modelo analítico de forma fechada e uma técnica de alocação ideal de disparos que reduz significativamente os disparos de execução de algoritmos quânticos, o consumo de energia e o erro total em comparação com as práticas atuais.

Autores originais: Prateek P. Kulkarni, Sumit K. Mandal

Publicado 2026-07-28

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Prateek P. Kulkarni, Sumit K. Mandal

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 enviar uma mensagem secreta através de uma sala muito barulhenta. Se você sussurrar apenas uma vez, a pessoa do outro lado pode ouvir "maçã" quando você disse "damasco". Para ter certeza de que ela entendeu a palavra certa, você pode gritar a mensagem cem vezes. Se 60 pessoas ouvirem "maçã" e 40 ouvirem "damasco", você pode adivinhar a verdade. No mundo da computação quântica, esse "gritar" é chamado de realizar um shot (disparo). Um computador quântico é uma máquina que usa as regras estranhas de partículas minúsculas para resolver problemas, mas é incrivelmente sensível ao ruído — como um sussurro em um furacão. Por causa disso, os cientistas precisam executar o mesmo cálculo repetidas vezes (realizando muitos shots) para obter uma resposta confiável. O problema é que, cada vez que você executa um cálculo em um computador quântico real, isso custa dinheiro, leva tempo e consome muita energia. Assim, a grande questão para qualquer pessoa que tenta usar essas máquinas é: "Quantas vezes eu realmente preciso gritar para ter certeza de que estou certo?" Se você gritar pouco, obtém lixo. Se gritar demais, desperdiça recursos e pode ficar sem tempo ou dinheiro antes de terminar.

Este é exatamente o enigma abordado por Prateek P. Kulkarni e Sumit K. Mandal em seu artigo, "How Many Shots Does It Take?" (Quantos disparos são necessários?). Eles perceberam que, atualmente, as pessoas estão adivinhando quantos shots realizar, muitas vezes gritando muito mais do que o necessário apenas para garantir. Os autores construíram uma nova "receita" baseada em matemática que diz a você o número exato de vezes que precisa executar um cálculo quântico para obter um resultado confiável, baseando-se em quão barulhento é o seu computador específico. Pense nisso como um aplicativo de previsão do tempo que não diz apenas que "pode chover", mas diz exatamente quantas capas de chuva você precisa comprar com base na umidade e na velocidade do vento.

Mas há uma segunda reviravolta. Às vezes, um problema quântico é tão grande que o computador não consegue resolvê-lo todo de uma vez. É como tentar carregar um piano gigante por uma escada que é estreita demais; você tem que quebrar o piano em pedaços, carregá-los um por um e depois montá-los novamente. Os autores descobriram que simplesmente dedicar a cada pedaço do piano a mesma quantidade de esforço (o mesmo número de shots) é uma má ideia. Alguns pedaços são mais pesados ou escorregadios (mais ruidosos) do que outros. O novo método deles descobre como dividir seu "orçamento de gritos" para que as partes escorregadias recebam atenção extra, enquanto as partes fáceis recebem apenas o suficiente.

Em seus experimentos, eles testaram essa ideia em computadores quânticos reais da IBM. Eles descobriram que, ao usar sua nova fórmula, poderiam reduzir o número de shots necessários em cerca de 58% em comparação com as práticas atuais. Isso não é apenas uma pequena economia; significa usar até 62% menos energia. Além disso, quando quebraram grandes problemas em partes e usaram sua estratégia inteligente de divisão, reduziram os erros totais na resposta final em até 73% em comparação com a forma antiga de fazer as coisas (com uma redução média de 63%). Eles não apenas adivinharam; eles executaram os algoritmos em hardware real e provaram que sua matemática condiz com a realidade, com suas previsões sendo cerca de 98% precisas para contar shots e 95% precisas para determinar quão profundo um cálculo pode ir antes que o computador fique confuso demais.

A História do Sussurro Ruidoso

Para entender por que isso importa, vamos ver como os computadores quânticos funcionam. Ao contrário do seu laptop, que usa bits que são 0 ou 1, os computadores quânticos usam "qubits" que podem estar em uma mistura de ambos ao mesmo tempo. Isso os torna super poderosos, mas também super frágeis. No momento em que interagem com o mundo exterior, eles ficam "ruidosos" e perdem seu estado especial. Para corrigir isso, os cientistas executam o mesmo programa repetidas vezes. Cada execução é um "shot".

Imagine que você está tentando adivinhar a altura média de um grupo de pessoas, mas só consegue vê-las através de uma janela embaçada. Se você olhar uma vez, pode pensar que todos são gigantes. Se olhar dez vezes, pode ter uma ideia melhor. Se olhar mil vezes, saberá a altura média com muita precisidade. Mas olhar mil vezes leva muito tempo e cansa seus olhos. Os autores perguntaram: "Qual é o número mínimo de vezes que preciso olhar para ter 95% de certeza de que estou certo?"

Eles descobriram que a resposta depende de duas coisas: o quão bons são seus olhos (a qualidade do computador) e quão espessa é a névoa (o ruído). Eles escreveram uma equação de forma fechada — uma única e limpa fórmula matemática — que recebe as especificações do computador (como quanto tempo um qubit dura antes de desaparecer, conhecido como $T_1$ e $T_2$ ) e diz o número exato de shots necessários. Antes disso, as pessoas frequentemente escolhiam um número alto aleatório para garantir, o que era como gritar uma mensagem 1.000 vezes quando 400 seriam suficientes.

O Enigma do Piano Quebrado

Agora, imagine que você tem um problema quântico que é grande demais para o computador suportar de uma só vez. O computador tem um "limite de profundidade", que é como um número máximo de passos que ele pode dar antes de ficar cansado demais e cometer erros. Se o seu problema tem 1.200 passos, mas o computador só consegue lidar com 285, você tem que dividir o problema em partes menores.

A forma antiga de fazer isso era fatiar o problema em pedaços e dar a cada pedaço o mesmo número de shots. Os autores argumentaram que isso é como dar a uma caixa pesada e escorregadia e a uma caixa leve e seca a mesma ajuda para carregá-las ladeira acima. A caixa pesada precisa de mais ajuda! No mundo quântico, algumas partes do circuito são "mais ruidosas" do que outras. Se você não der shots extras às partes ruidosas, a resposta final estará errada.

Os autores criaram uma nova estratégia usando uma ferramenta matemática chamada "multiplicadores de Lagrange" (pense nisso como uma calculadora super inteligente que equilibra uma balança). Eles descobriram que você deve dar mais shots para as partes do circuito que são mais ruidosas e menos shots para as partes silenciosas. Eles provaram que este método minimiza o erro total.

O Que Eles Descobriram

Quando os autores testaram suas ideias em computadores quânticos reais da IBM (especificamente os modelos Marrakesh, Torino e Fez), os resultados foram impressionantes.

A Contagem de Shots: Sua fórmula previu o número de shots necessários com cerca de 98,2% de precisão. Por exemplo, quando testaram o algoritmo de Transformada Quântica de Fourier (QFT), a previsão deles variou apenas cerca de 1,87%. Isso significa que eles podem dizer exatamente quantas vezes você deve rodar seu código sem perder tempo.
A Economia de Energia: Como reduziram o número de shots necessários em uma média de 58%, eles também reduziram o consumo de energia. Em seus testes, economizaram até 62% de energia por 1.000 shots. É como dirigir um carro que subitamente tem 60% de melhor economia de combustível.
A Redução de Erros: Quando quebraram grandes problemas em partes e usaram sua estratégia inteligente de alocação, reduziram o erro total em uma média de 63% em comparação com o método padrão de "divisão igual". Nos melhores casos, a redução de erro chegou a 73%.

Eles também verificaram quão profundo um circuito poderia ir antes de se tornar ruidoso demais para ser usado. A matemática deles previu essa "profundidade máxima" com cerca de 95% de precisão. Isso ajuda os cientistas a saberem o quão grande um problema podem resolver em uma máquina específica antes mesmo de começarem a programar.

Por Que Isso Muda as Coisas

O artigo não oferece apenas uma nova teoria; oferece uma ferramenta prática para a era atual da computação quântica, frequentemente chamada de era "NISQ" (Quantum de Escala Intermediária com Ruído). Atualmente, os computadores quânticos são caros e difíceis de acessar. Cada vez que um pesquisador executa um trabalho, ele está gastando dinheiro e tempo. Ao usar este framework "consciente do ruído", os pesquisadores podem parar de adivinhar e começar a calcular. Eles podem executar seus algoritmos com menos shots, economizar energia e obter resultados mais precisos.

Os autores mostraram que, simplesmente compreendendo o ruído e distribuindo os recursos com sabedoria, podemos tornar os computadores quânticos muito mais úteis hoje, mesmo antes de termos as máquinas perfeitas e sem erros do futuro. É um lembrete de que, às vezes, a melhor maneira de avançar não é construir uma máquina maior, mas usar a que temos de forma muito mais inteligente.

Resumo Técnico: Uma Estrutura de Alocação de Recursos Quânticos Consciente de Ruído

Declaração do Problema

A execução prática de algoritmos quânticos em computadores quânticos de curto prazo (near-term) é severamente limitada pelo ruído do hardware, fidelidades de porta limitadas e pela necessidade de execuções repetidas de circuitos (shots) para alcançar resultados estatísticos confiáveis. As abordagens atuais enfrentam duas ineficiências primárias:

Estimativa de Shots: Pesquisadores frequentemente dependem de simulações clássicas com modelos de ruído idealizados ou tentativa e erro empírica em hardware real, o que leva a previsões pouco confiáveis ou contagens excessivas de shots que desperdiçam recursos computacionais e energia.
Alocação de Recursos: Quando circuitos profundos excedem os limites de profundidade do hardware, eles devem ser particionados em subcircuitos menores. As estratégias convencionais normalmente distribuem o orçamento total de shots igualmente entre essas partições. Essa "alocação igualitária" ignora as variâncias de ruído específicas, as profundidades dos circuitos e os recursos de qubits de cada subcircuito, levando a uma acumulação de erro subótima e a erros de estimativa total mais elevados.

O desafio central é determinar o número exato de shots necessários para uma probabilidade de sucesso alvo e distribuir otimamente um orçamento fixo de shots entre as partições do circuito para minimizar o erro total, tudo isso ao mesmo tempo em que se considera os parâmetros de ruído específicos do hardware.

Metodologia

Os autores propõem uma estrutura unificada e consciente de ruído composta por três estágios analíticos, ilustrados na Figura 2 do artigo:

1. Estimativa de Shots em Forma Fechada

A estrutura deriva uma expressão analítica em forma fechada (Equação 6) para calcular o número ideal de shots ( $s$ ) necessário para atingir uma probabilidade de sucesso alvo ( $P(s)$ ).

Modelagem: O sucesso dos shots é modelado usando uma variável aleatória de Bernoulli com uma fidelidade máxima ( $F_{max}$ ). A probabilidade de sucesso total é definida via um critério de voto majoritário ( $P(S_n \geq s/2)$ ).
Integração de Ruído: O modelo incorpora parâmetros de ruído do hardware, incluindo tempos de decoerência ( $T_1, T_2$ ), probabilidades de erro de porta ( $p_g$ ) e tempo de execução do circuito ( $t_{circ}$ ). Esses fatores contribuem para um termo de variância de ruído ( $\sigma^2_{noise}$ ) derivado de modelos de coerência física (Equação 7).
Resultado: Ao resolver para $s$ usando a função inversa do erro, a estrutura fornece uma fórmula exata para determinar a contagem de shots necessária para confiabilidade, eliminando a necessidade de sobreamostragem heurística.

2. Profundidade Máxima e Particionamento

Usando a relação de ruído-shot derivada, a estrutura calcula a profundidade máxima de circuito executável ( $d_{max}$ ) que um dispositivo quântico específico pode suportar mantendo a confiabilidade alvo (Equação 9).

Lógica de Particionamento: Se a profundidade original de um algoritmo ( $d_{original}$ ) exceder $d_{max}$ , a estrutura calcula o número mínimo de partições ( $m$ ) necessárias (Equação 10). Isso garante que cada subcircuito opere dentro dos limites de fidelidade do hardware.
Restrição: A derivação assume que as partições são equilibradas o máximo possível, aderindo ao princípio do pombo (pigeonhole principle), onde a profundidade máxima da partição deve ser pelo menos $d_{original}/m$ .

3. Alocação Ideal de Shots

Dado um orçamento total de shots fixo ( $S$ ) e $m$ partições, a estrutura formula um problema de otimização para distribuir os shots ( $s_i$ ) entre as partições para minimizar o erro de estimativa quadrático total ( $E = \sum \sigma^2_i / s_i$ ).

Otimização: Usando multiplicadores de Lagrange, os autores derivam uma fórmula de alocação exata (Equação 12).
Estratégia: A estratégia ideal aloca shots proporcionalmente à variância do ruído ( $\sigma_i$ ) de cada partição. Partições com maior ruído (devido à profundidade, contagem de qubits ou imperfeições do hardware) recebem mais shots, enquanto partições de menor ruído recebem menos. Isso contrasta com a alocação igual convencional, que ignora essas variâncias.

Principais Contribuições

Expressão de Shot Analítica: Uma equação em forma fechada que relaciona o número de shots à probabilidade de sucesso, incorporando explicitamente parâmetros de ruído de hardware ( $T_1, T_2, p_g, F_{max}$ ).
Estratégia de Alocação Ideal: Uma técnica teoricamente fundamentada para distribuir um orçamento de shots entre as partições do circuito. O método minimiza o erro total ao atribuir shots proporcionais à variância do ruído de cada partição.
Estrutura Unificada: Um fluxo de trabalho sistemático que integra estimativa de shots, cálculo de profundidade, particionamento e alocação de recursos, preenchendo a lacuna entre as restrições do hardware e os requisitos algorítmicos.

Resultados Experimentais

A estrutura foi avaliada em cinco algoritmos quânticos (QFT, QST, VQE, QAOA, Shor's) em três processadores quânticos da IBM (Marrakesh, Torino, Fez).

Precisão do Modelo:
- A estimativa de shots analítica (Eq. 6) alcançou uma precisão média de 98,2% em comparação com os resultados experimentais no IBM Marrakesh.
- A estimativa de profundidade máxima (Eq. 9) alcançou uma precisão média de 95%.
Redução de Shots: Comparada às práticas atuais (sobreamostragem conservadora), a técnica proposta reduz o número total de shots necessários para execução confiável em aproximadamente 58%.
Redução de Erro: Ao distribuir um orçamento fixo de shots, a estratégia de alocação ideal reduz o erro de estimativa total em até 73% (e uma média de 63% quando combinada com o corte de circuito automatizado) em comparação com a alocação convencional de shots iguais.
Eficiência Energética: Ao reduzir o número de shots, a estrutura reduz o consumo de energia em até 62% (com média de 59%), contabilizando o consumo de energia de todo o stack, incluindo o resfriamento criogênico.

Significância e Alegações

O artigo afirma fornecer a primeira estrutura unificada que deriva expressões exatas em forma fechada para:

O número ideal de shots necessários para uma determinada confiabilidade.
A profundidade máxima de circuito que uma máquina quântica pode suportar com base em parâmetros fundamentais de hardware.
A distribuição ideal de um orçamento de shots entre as partições do circuito para minimizar o erro de execução.

Os autores enfatizam que este trabalho vai além de métodos heurísticos ou adaptativos ao fornecer um modelo analítico consciente de ruído e teoricamente fundamentado. Ao eliminar a necessidade de "sobreprovisionamento wasteful" de shots e otimizar a distribuição de recursos, a estrutura torna algoritmos quânticos complexos mais práticos e economicamente viáveis em dispositivos NISQ (Noisy Intermediate-Scale Quantum) atuais. Os resultados sugerem que melhorias significativas em confiabilidade e eficiência energética podem ser alcançadas sem a necessidade de novo hardware, simplesmente otimizando a forma como os recursos existentes são alocados.