Resumo Técnico: Q-SPARSE: Projeção de Subespaço Quântico para Estimativa de Espectro Ângulo-Alcance em Campo Próximo

1. Definição do Problema

A localização de fontes em campo próximo requer o aproveitamento da curvatura da frente de onda para estimar conjuntamente o ângulo e o alcance, uma tarefa que transforma um arranjo eletricamente grande em uma abertura conjunta de ângulo e alcance. Diferente dos cenários de campo distante, onde a resposta do arranjo é planar, as respostas de campo próximo são esféricas e explicitamente dependentes do alcance.

Métodos clássicos de subespaço, como o MUSIC de Campo Próximo, alcançam super-resolução ao testar vetores de direção candidatos contra o subespaço de ruído estimado. No entanto, esta abordagem acarreta um alto custo computacional: requer o processamento espectral da matriz de covariância de amostra seguido pela avaliação de um número potencialmente massivo de hipóteses ângulo-alcance sobre uma variedade esférica bidimensional. O fardo computacional escala com a dimensão do arranjo, o tamanho do alvo e a resolução da grade de busca.

Embora o Q-MUSIC (Quantum-assisted MUSIC) tenha sido proposto para abordar esses desafios, as abordagens existentes enfrentam gargalos significativos:

1. Preparação de Autovetores: A preparação clássica de autovetores é necessária como entrada para a Estimação de Fase Quântica (QPE), o que é computacionalmente caro.
2. Complexidade de Campo Próximo: A extensão direta para o campo próximo não é trivial porque cada hipótese corresponde a um estado quântico esférico indexado conjuntamente por ângulo e alcance.
3. Efeitos de Resolução Finita: A resolução finita da QPE redistribui os componentes de autovalores através de múltiplos bins de fase, podendo alterar as alturas relativas dos picos concorrentes no espectro de localização.

2. Metodologia: Algoritmo Q-SPARSE

Os autores propõem o Q-SPARSE (Projeção de Subespaço Quântico para Estimativa de Espectro Ângulo-Alcance), um framework que realiza a estimativa de super-resolução no campo próximo sem exigir a preparação clássica completa de autovetores.

Mecanismo Central

O algoritmo reformula a localização em campo próximo como um problema de pertinência espectral quântica. Em vez de calcular explicitamente os autovetores, o Q-SPARSE:

1. Preparação de Estado: Prepara cada hipótese de direção esférica $|a(r, \theta)\rangle$ como um estado quântico.
2. Estimação de Fase Quântica (QPE): Aplica a QPE a uma evolução unitária gerada pela matriz de covariância, $U_R = \exp(i2\pi \hat{R}/\alpha)$. Isso permite que o algoritmo rotule os componentes de autovalores da covariância sem receber os autovetores como entradas clássicas.
3. Conversão de Massa Espectral: Converte a massa espectral resolvida em um espectro de localização.

Limiar Suave e Critérios de Decisão

Uma inovação fundamental é o tratamento da resolução finita da QPE. Em vez de usar uma decisão rígida (sinal vs. ruído), o algoritmo emprega um esquema de limiar suave (soft-thresholding):

• Calibração de Marchenko-Pastur: O algoritmo utiliza a borda superior assintótica da distribuição de Marchenko-Pastur, $\lambda_+$, como uma referência para o piso de ruído.
• Ponderação Logística: Uma função de peso espectral suave $h_S(\lambda)$, baseada em uma sigmoide logística, é aplicada aos bins de fase. Esta função transita de 0 para 1 em torno de $\lambda_+$ com uma largura de transição controlada por $\beta$.
• Cálculo de Score: O score final $S^{(q)}_Q(r, \theta)$ é uma soma ponderada das probabilidades dos bins de fase. Esta abordagem filtra a resposta logística em vez de apenas arredondar os autovalores, contabilizando o vazamento além do bin mais próximo.

Equivalência Teórica

Sob uma partição ideal de sinal-ruído, demonstra-se que o score do Q-SPARSE é exatamente igual à sobreposição do subespaço de sinal clássico (o numerador da função MUSIC normalizada). Assim, o método preserva o maximizador do espectro MUSIC de campo próximo normalizado.

3. Principais Contribuições

O artigo delineia três contribuições primárias:

1. Formulação de Consulta Espectral: Os autores propõem uma formulação de pertinência espectral quântica para localização em campo próximo. Eles demonstram que, sob condições ideais, o score Q-SPARSE é equivalente ao score de subespaço de sinal do MUSIC normalizado, com o potencial de redução de custo computacional sob certas suposições.
2. Caracterização de Resolução Finita: O artigo deriva o score a partir do kernel completo da QPE e propõe um esquema de seleção de bin mais próximo com limiar suave. Isso evita o gargalo da preparação completa de autovetores clássicos exigida pelas variantes anteriores de Q-MUSIC.
3. Validação Consciente de Recursos: Resultados numéricos são demonstrados utilizando a plataforma de simulador e o software IBM QISKIT. O estudo valida a performance do método sob restrições de sistemas reais, ilustrando especificamente a eficácia do mecanismo de seleção de bin proposto e comparando resultados contra baselines clássicos.

4. Resultados Numéricos

Os autores avaliaram o Q-SPARSE no simulador quântico da IBM com os seguintes parâmetros:

• Configuração: Frequência portadora de 28 GHz, arranjo linear uniforme, alcance de campo próximo $[0.15, 1]$ m, e azimute $[0^\circ, 180^\circ]$.
• Parâmetros: $q=10$ qubits de fase, $M=10^4$ shots, e $\beta=0.25$.
• Métricas: Erro Quadrático Médio Normalizado (NMSE) para alcance e ângulo, e Probabilidade de Detecção ($P_D$).

Principais Descobertas:

• Desempenho de SNR e Snapshots: O algoritmo demonstra recuperação robusta em vários níveis de SNR. As curvas de NMSE estabilizam em altos níveis de SNR, refletindo os limites de espaçamento da grade (0.025 m e 0.5°) em vez de erros de estimativa de covariância.
• Efeitos de Arranjo e Carga: A probabilidade de detecção melhora com maiores tamanhos de arranjo ($N$) devido a sobreposições de vetores de direção mais nítidas. Por outro lado, o desempenho degrada com maior carga de alvos ($K$), pois a dimensão do subespaço de ruído disponível para rejeitar picos espúrios diminui.
• Comparação com Baselines: Quando comparado ao MUSIC de Campo Próximo clássico e ao MVDR com Carga (Loaded MVDR), o Q-SPARSE apresenta precisão comparável. As ligeiras diferenças de performance são atribuídas à ponderação logística da covariância (que possui uma realização de função de matriz clássica) e não a uma vantagem quântica fundamental em precisão sob divisões rígidas de sinal-ruído.
• Complexidade: O artigo observa que, embora o limite estruturado do Q-SPARSE sugira potencial eficiência ($\tilde{O}(G\epsilon^{-3}_Q \text{poly}(\log N))$), estes são limites condicionais dependentes de preparação de estado eficiente e codificação de bloco. Eles não estabelecem um speedup quântico incondicional.

5. Significância e Alegações

O artigo posiciona o Q-SPARSE como um passo prático em direção à localização assistida por computação quântica em campo próximo. Sua significância reside em:

• Remoção de Gargalos: Ele aborda o principal gargalo da preparação clássica de autovetores do Q-MUSIC ao utilizar a QPE diretamente na evolução da covariência.
• Robustez: Fornece um método para lidar com os desafios específicos da geometria de campo próximo (variedades esféricas) e da resolução finita da QPE através de um critério de decisão suave calibrado.
• Realismo: Ao validar em um simulador quântico com modelos de ruído realistas (erros de porta, erros de leitura) e contagens finitas de shots, o trabalho demonstra que o mecanismo de seleção de bin proposto funciona efetivamente sob perturbações do sistema.

Os autores mantêm uma postura modesta, reconhecendo que o método preserva o maximizador do MUSIC clássico sob condições ideais e que os ganhos de precisão observados não são necessariamente superiores aos baselines clássicos, mas são alcançados com uma estrutura computacional diferente. O trabalho serve como uma prova de conceito para projeção de subespaço quântico em campo próximo, destacando tanto o potencial quanto as limitações atuais (como profundidade de circuito e contagem de portas) para a implementação desses algoritmos em hardware quântico de curto prazo (near-term).