Resumo Técnico: Evolução de Hamiltoniana Quântica para Aprendizado Quântico Coerente

Declaração do Problema

As abordagens atuais de Aprendizado de Máquina Quântica (QML) baseiam-se predominantemente em um paradigma híbrido onde modelos quânticos são treinados usando loops de otimização clássica. Neste framework padrão, circuitos quânticos parametrizados são avaliados em configurações específicas de parâmetros, gradientes são estimados via medições repetidas (por exemplo, usando a regra de deslocamento de parâmetro/parameter-shift rule), e os parâmetros são atualizados por um otimizador clássico. Este processo retém a dinâmica clássica: coerência, superposição e interferência quântica não desempenham um papel ativo no próprio mecanismo de treinamento.

Essa dependência de otimização clássica introduz diversas limitações:

1. Incerteza Estatística: A otimização híbrida herda o ruído das medições quânticas.
2. Platôs Áridos (Barren Plateaus): Circuitos parametrizados expressivos frequentemente sofrem com gradientes evanescentes que escalam exponencialmente com o tamanho do sistema, dificultando a treinabilidade.
3. Restrições Fundamentais: O backpropagation clássico não pode ser transferido diretamente para sistemas quânticos sem acesso a múltiplas cópias do estado quântico, pois o colapso da medição impede o reuso de informações intermediárias.

O artigo postula que o aprendizado deve ser formulado como um processo físico quântico nativo, em vez de um algoritmo clássico aplicado a um modelo quântico.

Metodologia: Aprendizado Quântico Coerente (CQL)

Os autores introduzem o Aprendizado Quântico Coerente (CQL), um framework onde o treinamento de um modelo quântico é realizado como uma evolução unitária coerente dos próprios parâmetros do modelo.

Conceito Central

No CQL, os parâmetros do modelo $\theta$ são promovidos a graus de liberdade quânticos. Em vez de um otimizador clássico atualizando $\theta$ com base em estimativas de gradiente, o registro de parâmetros evolui sob uma Hamiltoniana dependente do tempo $\hat{H}_{CQL}(t)$ que codifica o objetivo de aprendizado (função de perda).

A Hamiltoniana é definida como:
$$\hat{H}_{CQL}(t) = e^{\phi(t)} \left( -\frac{1}{2} \hat{P}_\theta^2 \right) + e^{\chi(t)} \hat{H}_L(x, \hat{\theta})$$
Onde:

• $\hat{P}_\theta$ é o operador de momento no espaço de parâmetros (atuando como um termo cinético para exploração).
• $\hat{H}_L(x, \hat{\theta})$ é uma Hamiltoniana diagonal que codifica a função de perda $L(x, \theta)$.
• $e^{\phi(t)}$ e $e^{\chi(t)}$ são cronogramas de amortecimento dependentes do tempo que controlam o equilíbrio entre a exploração cinética e a convergência impulsionada pelo potencial.

Implementação Técnica

Para implementar isso em um computador quântico baseado em portas, os autores empregam várias técnicas algorítmicas quânticas avançadas:

1. Discretização e Dimensão de Relógio: O espaço de parâmetros contínuo é discretizado usando $m$ qubits. Para lidar com a dependência temporal da Hamiltoniana (que não é nativa ao modelo de circuito), os autores utilizam uma técnica de "dimensão de relógio". Isso envolve ampliar o espaço de Hilbert com um registro de relógio ancila, transformando a Hamiltoniana dependente do tempo em uma Hamiltoniana independente do tempo, onde a dependência temporal é codificada como um operador de posição no registro do relógio.
2. Block Encoding e Simulação de Hamiltoniana: A Hamiltoniana de perda $\hat{H}_L$ é construída usando block encoding. Um primitivo fundamental é uma unitária de avaliação de modelo coerente $U_{x,\theta}$ que avalia o modelo quântico simultaneamente sobre todos os valores de parâmetros no grid.
   • Para uma tarefa de classificação binária, a perda está relacionada à probabilidade de classificação correta. Os autores constroem um block encoding da raiz quadrada do operador de perda usando técnicas de conversão de amplitude-para-diagonal (referenciando a Ref. [46]).
   • A Hamiltoniana de perda completa é obtida multiplicando os block encodings dos operadores de raiz quadrada.
3. Qubitization: A evolução temporal do estado inicial (tipicamente uma superposição uniforme sobre o espaço de parâmetros) é implementada usando qubitization, permitindo a simulação eficiente da dinâmica da Hamiltoniana.
4. Treinamento em Lotes (Batched Training): Para abordar a escalabilidade para grandes conjuntos de dados, os autores propõem uma estratégia de batched CQL iterativa. O conjunto de dados é particionado em mini-lotes. O sistema evolui sob a Hamiltoniana do primeiro lote, e o estado quântico resultante serve como a condição inicial para o próximo lote. Esse processo sequencial evita a necessidade de um registro ancila massivo para codificar todo o conjunto de dados simultaneamente.

Principais Contribuições

1. Definição de Framework: A proposta do CQL como um framework geral de aprendizado onde o aprendizado é um processo quântico coerente, eliminando a necessidade de estimativa de gradiente clássica e loops de feedback.
2. Construção Explícita: Uma construção algorítmica detalhada para circuitos parametrizados arbitrários usando block encodings, simulação de Hamiltoniana e o método da dimensão de relógio para lidar com a dependência temporal.
3. Versatilidade: Demonstração de que o framework se aplica não apenas a tarefas padrão de aprendizado de máquina (treinamento de circuitos quânticos variacionais), mas também a problemas de inferência física (estimativa de parâmetros desconhecidos de uma Hamiltoniana).
4. Protocolo em Lotes: Uma estratégia para treinamento em lotes sequenciais que equilibra o ajuste local com a generalização global, análogo aos métodos de mini-lote no aprendizado clássico, mas implementado via evolução de estado quântico.

Resultados Numéricos

Os autores validam o framework através de dois experimentos numéricos:

1. Classificação Binária:

   • Configuração: Um modelo de re-upload de dados de um único qubit com dois parâmetros treináveis, treinado em uma tarefa de classificação binária 1D.
   • Resultado: Partindo de uma superposição uniforme, a distribuição de probabilidade do estado do parâmetro evolui sob a Hamiltoniana CQL. A distribuição concentra-se progressivamente em torno dos mínimos do landscape de perda. O estado final exibe uma distribuição bimodal correspondente aos parâmetros ótimos, igualando o desempenho de métodos baseados em gradiente, mas sem o cálculo explícito do gradiente.

2. Estimativa de Fase Interferométrica:

   • Configuração: Aprendizado de um deslocamento de fase $\phi$ desconhecido em um interferômetro Mach–Zehnder. A fase controlável $\theta$ é o parâmetro a ser aprendido.
   • Resultado: A evolução coerente conduz a função de onda em direção ao mínimo global do landscape de perda interferométrica ($L \propto \sin^2((\theta-\phi)/2)$). A amplitude de probabilidade se localiza em torno da verdadeira fase desconhecida $\phi$, demonstrando estimativa de parâmetros bem-sucedida sem etapas de otimização clássica.

Significância e Alegações

O artigo afirma que o CQL representa uma mudança de paradigma na forma como o aprendizado quântico é formulado. Ao tratar o aprendizado como um processo físico governado pela dinâmica quântica, o framework utiliza a superposição e a interferência como recursos computacionais ativos.

• Treinamento Quântico Nativo: Diferente de abordagens híbridas que impõem estruturas clássicas em sistemas quânticos, o CQL utiliza princípios nativos da mecânica quântica.
• Potenciais Vantagens: Os autores sugerem que a otimização baseada em Hamiltoniana pode oferecer vantagens computacionais comprováveis sobre a otimização clássica em certos contextos, potencialmente mitigando problemas como platôs áridos e ruído de medição.
• Escalabilidade: A construção é compatível com arquiteturas de computação quântica tolerantes a falhas e se estende ao treinamento em lotes, tornando-a uma candidata viável para futuras aplicações de aprendizado quântico em larga escala.

O trabalho conclui que, enquanto os esforços atuais de QML frequentemente buscam reproduzir paradigmas de treinamento clássico dentro de ambientes quânticos, uma abordagem mais fundamental pode ser ver o próprio aprendizado como uma evolução quântica coerente.