Bridge of $Ψ$'s: Quantum Circuit Optimization with Schrödinger Bridges

Os computadores quânticos prometem resolver problemas que são impossíveis para as máquinas atuais, desde o design de novos medicamentos até a quebra de códigos complexos. Mas para executar esses programas, os cientistas devem traduzir instruções abstratas em uma sequência de operações físicas que um processador quântico possa realmente realizar. Esse processo de tradução, conhecido como compilação, é repleto de dificuldades. Cada etapa em um programa quântico introduz uma pequena chance de erro e, como essas máquinas são incrivelmente frágeis, quanto mais etapas forem necessárias, maior será a probabilidade de o resultado final estar errado. Para tornar a computação quântica útil, os pesquisadores devem encontrar maneiras de encolher esses programas, removendo etapas desnecessárias e diminuindo o tempo que levam para rodar, tudo isso garantindo que a resposta final seja exatamente igual ao plano original.

Por décadas, a abordagem padrão para encolher esses programas tem sido confiar em um conjunto fixo de regras, de forma muito semelhante a um mecânico usando uma chave específica para apertar um parafuso. Engenheiros construíram bibliotecas de atalhos conhecidos, onde um padrão específico de operações é substituído por outro mais curto e equivalente. Embora isso funcione bem para casos simples, apresenta dificuldades quando confrontado com programas complexos e emaranhados. As regras são rígidas e não conseguem facilmente ver o panorama geral ou coordenar mudanças em partes distantes de um circuito. Um novo estudo realizado por pesquisadores da ETH Zürich e da Universidade de Cambridge sugere que o futuro desta otimização não reside em regras rígidas, mas em um tipo de inteligência artificial que aprende por meio de exemplos. Eles construíram um sistema chamado Bridge of Ψ's, que trata o problema de encolher um programa quântico como uma jornada de um estado desordenado e ineficiente para um estado limpo e eficiente, guiada por padrões que aprendeu de milhões de exemplos.

Os pesquisadores começaram fazendo uma pergunta fundamental: um modelo de aprendizado de máquina pode aprender a otimizar um circuito quântico diretamente, sem ser instruído sobre as regras específicas a seguir? Para responder a isso, eles precisavam de uma maneira de ensinar ao modelo o que um "bom" circuito parece. Eles não poderiam simplesmente mostrar circuitos aleatórios, pois o modelo não saberia quais eram melhores. Em vez disso, trabalharam de trás para frente. Começaram com circuitos pequenos e eficientes e deliberadamente os tornaram maiores e mais complicados aplicando regras conhecidas de forma reversa. Isso criou uma vasta coleção de pares: um circuito desordenado e expandido e seu gêmeo perfeito e compacto. Ao alimentar o sistema com esses pares, os pesquisadores ensinaram o modelo a reconhecer a transformação do volume desordenado de volta para a versão limpa.

O sistema que construíram, chamado Bridge of Ψ's, utiliza um tipo sofisticado de modelo generativo conhecido como ponte de Schrödinger (Schrödinger bridge). Em termos simples, este modelo aprende a transportar dados de uma distribuição para outra. Imagine uma nuvem de fumaça que precisa ser remodelada em uma forma específica; o modelo aprende o caminho mais provável para ir da nuvem até a forma. Neste caso, a "fumaça" é o circuito expandido e ineficiente, e a "forma" é a versão otimizada. O modelo não constrói a solução peça por peça ou verifica uma lista de regras. Em vez disso, ele observa o circuito inteiro de uma só vez e prevê como remodelá-lo. Para fazer isso, utiliza uma arquitetura projetada sob medida que respeita a estrutura única dos circuitos quânticos, onde a ordem das operações no tempo importa, mas a ordem dos fios que carregam a informação não. Isso permite que o modelo lide com circuitos de diferentes tamanhos sem a necessidade de ser treinado do zero.

Quando os pesquisadores testaram seu sistema em um conjunto de circuitos envolvendo oito qubits e sessenta e quatro etapas, os resultados foram impressionantes. O modelo produziu consistentemente circuitos mais curtos e rápidos do que qualquer uma das nove ferramentas de otimização existentes com as quais foi comparado. Em média, ele reduziu o número de etapas de um circuito por um fator de quase dois e meio, e fez o mesmo para o tempo que o circuito levou para rodar. Mais importante ainda, obteve sucesso em encontrar essas melhorias em quase oitenta por cento dos casos, enquanto a melhor ferramenta tradicional conseguiu atingir o nível alvo de otimização em apenas cerca de vinte e seis por cento dos casos. O sistema foi tão eficaz que frequentemente encontrou soluções ainda mais curtas do que as usadas para treiná-lo, sugerindo que havia aprendido os princípios subjacentes da otimização em vez de apenas memorizar os exemplos.

O estudo também explorou se essa abordagem poderia lidar com circuitos que fossem maiores ou estruturados de forma diferente daqueles usados no treinamento. Os pesquisadores descobriram que o modelo consegue se adaptar rapidamente. Ao fazer um pequeno ajuste no sistema, foram capazes de aplicá-lo a circuitos de dezesseis qubits e com profundidade muito maior, alcançando taxas de sucesso semelhantes. Essa flexibilidade é crucial, já que os programas quânticos do mundo real variarão amplamente em tamanho e complexidade. O sistema não depende de um espaço de busca fixo ou de uma biblioteca de truques pré-escrita. Em vez disso, ele gera novas soluções sobre a marcha, baseando-se nos padrões que aprendeu durante o treinamento. Para garantir a correção dos resultados, os pesquisadores incluíram uma etapa de verificação que checa cada saída para confirmar que ela realiza exatamente o mesmo cálculo que a entrada original, descartando quaisquer que falhem nesse teste.

Embora o sistema seja poderoso, ele não é isento de compensações. O processo de gerar esses circuitos otimizados leva mais tempo do que rodar uma ferramenta tradicional baseada em regras. Uma única passagem de otimização pode levar vários segundos, enquanto uma ferramenta padrão pode terminar em uma fração de segundo. No entanto, os pesquisadores argumentam que esse tempo extra é um investimento que vale a pena. As ferramentas tradicionais frequentemente ficam presas, incapazes de encontrar a melhor solução possível, enquanto o novo sistema encontra consistentemente reduções mais profundas. Em um campo onde cada etapa conta e os erros se acumulam rapidamente, a capacidade de encurtar significativamente um programa pode ser a diferença entre um experimento fracassado e uma descoberta revolucionária.

O trabalho representa uma mudança significativa na forma como o software quântico é desenvolvido. Por anos, o campo dependeu de métodos analíticos feitos à mão e algoritmos de busca rígidos. Este estudo demonstra que uma abordagem baseada em dados, onde uma máquina aprende a arte da otimização através de exemplos, pode superar as melhores ferramentas projetadas por humanos. Isso abre as portas para um futuro onde os compiladores quânticos não sejam apenas seguidores de regras, mas sistemas inteligentes capazes de navegar pelo complexo cenário das operações quânticas para encontrar o caminho mais eficiente. Ao unir o aprendizado de máquina avançado e a física quântica, os pesquisadores mostraram que as ferramentas necessárias para tornar a computação quântica prática podem já estar ao nosso alcance, apenas esperando para serem treinadas nos dados certos.