⚛️ quantum physics

BAHAMAS: A Control Plane for Optimization and Execution of Variational Quantum Circuits

O artigo introduz o BAHAMAS, um framework de controle online que estabiliza a otimização de algoritmos quânticos variacionais através da seleção adaptativa de mapeamentos de qubits físicos por meio de estimativa de fidelidade baseada em consenso, mitigando, assim, os efeitos do desvio de ruído temporal e das distorções de mapeamento estático sem a necessidade de simuladores ou treinamento offline.

Autores originais: Amit Samanta, Mohammad Abrarul Hasanat, Jason Ludmir, Ryan Stutsman, Tirthak Patel, Rohan Basu Roy

Publicado 2026-09-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Amit Samanta, Mohammad Abrarul Hasanat, Jason Ludmir, Ryan Stutsman, Tirthak Patel, Rohan Basu Roy

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

Os computadores quânticos prometem resolver problemas que são impossíveis para as máquinas atuais, desde o design de novos medicamentos até a otimização de logística complexa. Para fazer isso, eles dependem de uma classe especial de programas chamados algoritmos quânticos variacionais. Esses programas funcionam como uma parceria entre um processador quântico e um computador clássico. A máquina quântica executa um circuito específico, mede o resultado e envia um número de volta ao computador clássico. O computador clássico, então, ajusta as configurações do circuito quântico e pede para que ele seja executado novamente. Esse ciclo se repete milhares de vezes, com o computador clássico tentando conduzir a máquina quântica em direção a uma resposta melhor a cada turno. A esperança é que esse vai e vem acabe encontrando a solução perfeita.

No entanto, essa parceria enfrenta um obstáculo persistente: o hardware quântico é inerentemente instável. As minúsculas partículas que carregam informação, conhecidas como qubits, são sensíveis ao seu ambiente. Seu comportamento deriva ao longo do tempo, e a maneira como interagem entre si muda de um momento para o outro. Em um mundo perfeito, o computador clássico poderia assumir que o número que recebe hoje é diretamente comparável ao número que recebeu ontem. Na realidade, o ruído do hardware distorce esses números. Se o ruído alterar a classificação das respostas — fazendo com que uma solução pior pareça melhor do que uma boa — o computador clássico fica confuso. Ele segue um caminho enganoso e todo o processo falha em encontrar a verdadeira solução.

Pesquisadores da Universidade de Utah e da Universidade Rice desenvolveram um novo sistema chamado BAHAMAS para corrigir essa instabilidade. Em vez de aceitar as flutuações do hardware como um fato inevitável, o BAHAMAS atua como um plano de controle vigilante que monitora o ruído em tempo real. Ele não depende de simulações complexas ou modelos pré-treinados que possam se tornar obsoletos. Em vez disso, utiliza o próprio processador quântico para verificar sua própria confiabilidade. Antes que o sistema se comprometa com um novo passo no processo de otimização, ele executa várias versões diferentes do mesmo circuito simultaneamente no chip. Ao comparar as saídas dessas execuções paralelas, o sistema pode determinar qual versão do circuito está se comportando de forma mais consistente. Se os resultados concordarem, o sistema confia nos dados e avança. Se discordarem, ele sabe que o ruído está muito alto e faz uma pausa, evitando que o computador clássico cometa um erro baseado em dados ruins.

O insight central por trás dessa abordagem é que a estabilidade importa mais do que a perfeição. Os pesquisadores descobriram que simplesmente escolher o layout de circuito mais atraente em qualquer momento não é suficiente, porque o "melhor" layout muda conforme o hardware deriva. O que realmente preserva a qualidade da otimização é manter a exposição ao ruído constante de um passo para o outro. O BAHAMAS alcança isso ajustando constantemente quais partes físicas do chip utiliza. Ele seleciona um arranjo específico de qubits que mantém um nível constante de ruído, garantindo que a comparação entre um passo e o próximo permaneça justa. Isso permite que o otimizador clássico veja um sinal claro em vez de um sinal distorcido.

Para testar este sistema, a equipe realizou experimentos em processadores quânticos reais da IBM, abrangendo diferentes gerações e designs físicos. Eles compararam o BAHAMAS com a maneira padrão de executar esses algoritmos, onde o layout do hardware é escolhido uma única vez no início e nunca mais é alterado. Os resultados mostraram que o BAHAMAS melhorou o desempenho dos algoritmos em mais de vinte por cento, em média. Mais importante ainda, tornou os resultados muito mais confiáveis. Quando os pesquisadores executaram o mesmo experimento várias vezes ao longo de um mês, o método padrão produziu resultados amplamente diferentes dependendo de quando o teste era realizado. O BAHAMAS, no entanto, produziu resultados consistentes todas as vezes, independentemente do dia ou do estado da máquina.

O sistema também se mostrou eficaz quando o hardware mudava. Os pesquisadores testaram um cenário onde um algoritmo foi treinado em um processador quântico e depois implantado em outro, com um layout completamente diferente. Normalmente, isso exigiria recomeçar todo o processo de treinamento. O BAHAMAS, contudo, conseguiu adaptar a solução treinada para a nova máquina sem necessidade de retreinamento. Ele fez isso combinando as características de ruído do novo hardware com as condições sob as quais a solução foi originalmente encontrada. Essa capacidade sugere que o sistema pode lidar não apenas com flutuações diárias, mas também com a transição entre diferentes tipos de computadores quânticos conforme a tecnologia evolui.

Mesmo à medida que o hardware quântico melhora e as taxas de erro diminuem, os pesquisadores acreditam que este método de controle continuará sendo necessário. Embora as máquinas futuras possam ter menos erros, elas ainda sofrerão deriva e variação. O estudo mostrou que o BAHAMAS continua a fornecer benefícios significativos mesmo ao simular um futuro onde o hardware é quase perfeito. A capacidade do sistema de estabilizar o processo de otimização parece ser um requisito fundamental para que esses algoritmos funcionem de forma confiável, em vez de ser apenas um conserto temporário para as limitações atuais. Ao transformar a natureza caótica do ruído quântico em uma variável gerenciável, o BAHAMAS oferece um caminho para tornar a computação quântica uma ferramenta prática para resolver problemas do mundo real.

Resumo Técnico: BAHAMAS – Um Plano de Controle para Otimização e Execução de Circuitos Quânticos Variacionais

Definição do Problema
Os Algoritmos Quânticos Variacionais (VQAs) dependem de um loop híbrido onde um otimizador clássico atualiza parâmetros com base em avaliações de custo provenientes de um processador quântico. Este processo assume que as avaliações de custo ao longo das iterações são comparáveis. No entanto, o hardware quântico atual viola essa premissa devido a dois fatores primários:

Mapeamentos Estáticos: Os transpiladores tipicamente atribuem qubits lógicos a qubits físicos uma única vez no início da otimização. Diferentes subconjuntos físicos expõem o circuito a perfis de ruído distintos.
Deriva de Ruído Temporal: Mesmo para um mapeamento físico fixo, o ruído do hardware flutua ao longo do tempo devido à deriva de calibração e variações térmicas.

Esses fatores fazem com que a classificação relativa das configurações de parâmetros mude de forma imprevisível. Como os otimizadores baseados em gradiente dependem da comparação das classificações de custos de configurações de parâmetros (por exemplo, via regra de deslocamento de parâmetro), as inversões de classificação induzidas pelo ruído fornecem sinais de atualização enganosos. Isso leva a uma convergência instável, onde o otimizador falha em atingir o mínimo real, e a perda estagna em valores subótimos com gradientes erráticos. Soluções existentes, como mitigação de erro pós-execução ou compilação consciente do ruído, geralmente tratam o mapeamento de qubits como uma decisão de uma única vez ou carecem de controle por iteração sobre o mapeamento e a qualidade da atualização de parâmetros.

Metodologia: O Plano de Controle BAHAMAS
Os autores apresentam o BAHAMAS, um framework de controle online que opera através das camadas de transpilação, execução e atualização de parâmetros do stack de VQA. Sua percepção central é que preservar a qualidade da otimização requer uma exposição ao ruído consistente entre as iterações consecutivas, em vez de simplesmente minimizar o ruído em uma única iteração isolada.

O BAHAMAS alcança isso através de três componentes integrados:

Estimativa e Estabilização de Ruído:
- Poda de Candidatos: Um estimador clássico de TVD (Distância de Variação Total) utiliza dados de calibração do backend e resíduos por recurso para classificar centenas de mapas físicos candidatos, selecionando um pequeno conjunto de sondagem ( $K$ ).
- Execução Co-localizada: Em vez de rodar os candidatos sequencialmente (o que os exporia a instantâneos de ruído diferentes), o BAHAMAS empacota todos os $K$ mapas candidatos no processador quântico em um único job. Eles executam simultaneamente em subconjuntos de qubits não sobrepostos, garantindo que experimentem as mesmas condições de ruído temporal.
- Referência Baseada em Consenso: Sem depender de um simulador ideal (o que é inviável para circuitos maiores), o BAHAMAS constrói uma distribuição de referência a partir das saídas co-localizadas. O mapa com a menor distorção (mais próximo do consenso do grupo) serve como a referência. Isso permite que o sistema estime a TVD de cada mapa em relação ao consenso, preservando a classificação relativa dos mapas por severidade de ruído.
- Seleção Estável: O sistema seleciona o mapa cuja TVD estimada é mais próxima de uma TVD alvo ( $\tau_t$ ), que é atualizada como uma média móvel exponencial. Isso prioriza a estabilidade em vez de perseguir a menor TVD absoluta em qualquer etapa individual.
Controle de Atualização de Parâmetros Consciente de Confiança:
- Antes de efetivar uma atualização de gradiente, o BAHAMMAS avalia um "estado de confiança" baseado no erro de estabilidade (desvio da TVD alvo) e na confiança do consenso (acordo entre as saídas co-localizadas).
- Se o consenso for baixo ou o erro de estabilidade for alto, o sistema bloqueia (suprime) a atualização do gradiente ou escala seu peso ( $\rho_t$ ). Isso evita que gradientes corrompidos desestabilizem a trajetória de otimização.
Retargeting em Tempo de Inferência:
- Durante a fase de otimização, o BAHAMAS registra uma "assinatura de execução" (TVD alvo média e estrutura de acoplamento dos mapas selecionados).
- No tempo de inferência, se o hardware sofrer deriva ou o backend mudar (topologia diferente), o sistema usa essa assinatura para realizar o retargeting da seleção do mapa sem reotimizar os parâmetros. Ele combina os mapas candidatos com o nível de ruído e a estrutura de interação registrados.

Principais Contribuições

Identificação da Estabilidade de Ruído: O artigo identifica que a exposição consistente ao ruído entre as iterações é a propriedade crítica para preservar a qualidade da otimização, distinta de minimizar o ruído instantâneo.
Plano de Controle BAHAMAS: Um design de sistema inovador que gerencia a atribuição de qubits e a confiança do gradiente por iteração usando feedback online, sem exigir treinamento offline, simuladores ou modelos aprendidos.
Sinais de Qualidade Práticos: Demonstra que a co-localização de mapas candidatos no chip e a comparação de suas saídas fornece um sinal de qualidade robusto e livre de simuladores para a seleção por iteração dentro de orçamentos quânticos realistas.
Retargeting de Inferência: Estende o controle para a fase de inferência, permitindo o deployment robusto em backends com deriva ou topologicamente diferentes sem retreinamento.
Validação Empírica: Avaliação em processadores quânticos IBM reais (gerações Heron e Nighthawk) através de múltiplas famílias de VQA (VQE, QAOA, QNN).

Resultados
Avaliado em oito benchmarks em hardware real durante um período de 30 dias:

Melhoria de Desempenho: O BAHAMAS melhora o desempenho do VQA em uma média de 22,39% sobre o baseline sem controle (mapeamento padrão do transpiler).
Estabilidade: Reduz significativamente a variância das métricas de desempenho. O desvio padrão da métrica de desempenho cai de ~13–16% (baseline) para 3,7–6,1% (BAHAMAS), indicando robustez contra a deriva de ruído temporal.
Convergência: Comparado a técnicas anteriores de adaptação ao ruído como o QISMET, o BAHAMAS converge em muito menos iterações (180 vs 1250) enquanto alcança ganhos de desempenho superiores (34,6% vs 21%).
Preservação de Ranking: O BAHAMAS mantém uma correlação de ranking Kendall $\tau$ de 0,83 contra o ranking sem ruído, comparado a 0,43 para o baseline, evitando efetivamente a inversão de classificações de configuração que induzem o otimizador ao erro.
Escalabilidade e Regimes Futuros: O sistema permanece eficaz conforme o número de qubits escala para 16 e retém uma melhoria de 14% mesmo ao simular níveis de ruído tolerantes a falhas (0,1× ruído), demonstrando relevância além da era NISQ.
Componibilidade: O BAHAMAS compõe-se com técnicas complementares como NEST (agendamento de jobs) e DISQ (pulo de iteração), aumentando ainda mais o desempenho e o throughput.

Significância
O artigo afirma que o BAHAMAS aborda uma lacuna fundamental nos fluxos de trabalho atuais de VQA: a falta de coordenação entre transpilação, execução em tempo de execução e atualizações de parâmetros para garantir condições de ruído estáveis. Ao estabilizar a exposição ao ruído entre as iterações, o BAHAMAS permite que os otimizadores clássicos recebam sinais de gradiente confiáveis, permitindo a convergência para soluções melhores em hardware ruidoso. O framework foi projetado para ser robusto à deriva de backend e implantável sem pipelines de dados externos, tornando-o uma camada de software de sistema prática para controlar cargas de trabalho quânticas variacionais em processadores supercondutores, desde dispositivos NISQ atuais até sistemas iniciais tolerantes a falhas.

Mais como este