Time rescaling for second-order feedback-based quantum optimization

Na corrida para construir computadores quânticos úteis, os cientistas enfrentam um obstáculo persistente: as máquinas que temos hoje são poderosas, mas frágeis. Elas são ruidosas, propensas a erros e só conseguem manter seus delicados estados quânticos por um momento fugaz antes de colapsarem. Por causa disso, os pesquisadores têm dependido amplamente de uma abordagem híbrida, na qual um computador clássico realiza o trabalho pesado de otimização enquanto o processador quântico lida com tarefas específicas. No entanto, essa parceria frequentemente fica presa em um ciclo frustrante, onde o computador clássico tem dificuldade em encontrar as configurações corretas, um problema conhecido como "platô estéril" (barren plateau), que pode paralisar o progresso inteiramente. Para contornar isso, uma estratégia diferente surgiu, baseada inteiramente na própria máquina quântica. Em vez de pedir a um computador clássico para ajustar os botões, este método utiliza um ciclo de feedback construído diretamente no processo quântico. Ele mede o estado atual do sistema e ajusta imediatamente o próximo passo, guiando a máquina em direção à melhor solução possível sem precisar que um parceiro clássico faça as contas. Essa abordagem, conhecida como algoritmo quântico baseado em feedback, promete muito, mas possui uma falha importante: muitas vezes exige que o circuito quântico seja tão profundo, com tantos passos sequenciais, que o ruído nas máquinas atuais destrói a resposta antes que o cálculo seja concluído.

Uma equipe de pesquisadores no Brasil encontrou agora uma maneira de encurtar significativamente esses circuitos, tornando o método viável para o hardware atual. Eles combinaram duas técnicas existentes que haviam sido usadas separadamente para acelerar o processo. Uma técnica envolve mudar o ritmo do cálculo, permitindo que o sistema quântico se mova mais rápido em certos momentos e mais devagar em outros, de forma muito semelhante a um motorista trocando de marcha para navegar eficientemente por uma estrada sinuosa. A outra técnica utiliza uma forma mais sofisticada de prever como o sistema mudará no próximo passo, olhando não apenas para a direção imediata, mas também para como essa direção está curvando. Ao fundir essas duas ideias em um único framework unificado, os pesquisadores criaram uma nova versão do algoritmo que alcança a solução corre never em muito menos passos do que antes.

Os pesquisadores testaram este novo método, que chamam de TR-Hy-FALQON, em dois tipos de quebra-cabeças complexos conhecidos como problemas de grafos. Esses quebra-cabeças envolvem dividir uma rede de pontos em dois grupos de modo que as conexões entre os grupos sejam maximizadas, uma tarefa notoriamente difícil para computadores. Eles realizaram simulações em redes com doze e quatorze pontos, comparando seu novo método contra versões mais antigas do algoritmo de feedback e contra a abordagem híbrida padrão. Os resultados foram claros: o novo método alcançou soluções de alta qualidade muito mais rápido. Nas simulações, ele atingiu o mesmo nível de precisão que o método híbrido padrão, mas com menos camadas de operações, e o fez com maior estabilidade, o que significa que os resultados eram menos propensos a oscilar ou falhar conforme o cálculo progredia.

O que torna este desenvolvimento particularmente importante é que ele elimina a necessidade de o computador clássico intervir constantemente. O novo algoritmo ainda depende da máquina quântica para medir seu próprio progresso e ajustar seu caminho, mas o faz com um circuito muito mais curto. Isso é crucial porque cada passo extra em um circuito quântico aumenta a chance de o ruído corromper os dados. Ao reduzir o número de passos necessários para resolver o problema, os pesquisadores efetivamente baixaram a barreira para o uso desses algoritmos em máquinas atuais e imperfeitas. O estudo mostrou que o novo método pode resolver esses problemas de grafos específicos com um nível de precisão que rivaliza com as melhores garantias clássicas conhecidas, tudo isso mantendo um caminho constante e confiável para a solução.

Os pesquisadores também observaram que seu método oferece mais flexibilidade na forma como o cálculo é cronometrado. Em versões anteriores, os passos tinham que ser dados em um ritmo muito específico e minúsculo para garantir que a matemática funcionasse, o que forçava o circuito a ser muito longo. A nova abordagem permite passos de tempo maiores e mais flexíveis sem perder a estabilidade. Isso significa que o computador quântico pode dar passos maiores em direção à resposta sem tropeçar no ruído que costuma fazê-lo cambalear. Embora esses resultados venham de simulações computacionais e não de hardware físico, as descobertas sugerem que este algoritmo refinado é bem adequado para a era atual da computação quântica, onde minimizar a profundidade do circuito é a chave para o sucesso. Ao tornar o processo de feedback mais rápido e robusto, este trabalho fornece um caminho prático para resolver problemas de otimização nos processadores quânticos ruidosos e rasos disponíveis hoje.