⚛️ quantum physics

Standard estimators cannot represent fault-tolerant workloads at measured error rates: evaluated, evidence-based uncertainty for quantum resource estimation

Este artigo demonstra que os estimadores de recursos quânticos padrão, que tipicamente relatam estimativas de ponto único, falham em representar fielmente cargas de trabalho tolerantes a falhas em taxas de erro medidas experimentalmente ao revelar que as incertezas realistas do hardware expandem os intervalos de recursos em ordens de magnitude, introduzem desentendimentos estruturais entre modelos de custo e fazem com que as ferramentas existentes colapsem inteiramente para algoritmos críticos como o AES-256.

Autores originais: Furqan Nasir, Sher Jeel Ahmad

Publicado 2026-10-08

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Furqan Nasir, Sher Jeel Ahmad

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

Para compreender o que está em jogo nesta pesquisa, é preciso primeiro entender a natureza da máquina que ela busca prever. Os computadores quânticos não são simplesmente versões mais rápidas dos laptops que usamos hoje; são dispositivos que aproveitam as estranhas regras do mundo subatômico para resolver problemas que máquinas comuns levariam milhares de anos para decifrar. Entre os problemas mais famosos está a quebra da criptografia que protege o sistema bancário global, segredos governamentais e comunicações privadas. Para fazer isso, um computador quântico deve ser "tolerante a falhas", o que significa que ele pode corrigir seus próprios erros enquanto opera. Essas máquinas ainda não foram construídas, mas governos e agências de segurança já estão planejando sua chegada. Eles precisam saber quando um computador quântico será poderoso o suficiente para quebrar os códigos atuais para que possam mudar para novos, inquebráveis, a tempo. Esse planejamento depende de estimativas de quantos componentes físicos, ou qubits, tal máquina precisaria. Durante anos, essas estimativas foram reportadas como números únicos e precisos, como se o futuro fosse um destino fixo em vez de um cenário de possibilidades.

Uma equipe de pesquisadores agora desafiou essa certeza. Eles construíram uma nova forma de olhar para essas estimativas, uma que trata os desconhecidos do hardware não como valores fixos a serem ignorados, mas como uma gama de possibilidades a serem medidas. Em vez de perguntar: "Quantos qubits são necessários se tudo correr perfeitamente?", eles perguntaram: "Quantos qubits são necessários dado o que realmente medimos no laboratório até agora?". Os pesquisadores pegaram as taxas de erro reais de cinco dos maiores chips quânticos construídos por grandes empresas e inseriram esses números do mundo real em seus modelos. Eles descobriram que, quando se utiliza a realidade desordenada e imperfeita do hardware atual em vez de um palpite idealizado e otimista, o cenário muda drasticamente. O número de componentes necessários não apenas aumenta um pouco; ele explode. A gama de resultados possíveis torna-se tão ampla que um número único torna-se sem sentido. Para uma tarefa como quebrar um código de criptografia padrão de 2048 bits, o número de componentes necessários poderia ser quarenta vezes maior ou menor do que a estimativa mais comum, sendo que o resultado mais provável é quase cinco vezes maior do que o palpite padrão.

O estudo também revelou uma discordância oculta entre as ferramentas usadas para fazer essas previsões. Os pesquisadores rodaram o mesmo conjunto de dados do mundo real através de cinco métodos de cálculo diferentes, incluindo duas ferramentas de software populares usadas pela indústria. Embora essas ferramentas tenham sido construídas por grupos diferentes e utilizem lógicas internas distintas, elas concordaram entre si apenas dentro de uma margem estreita de cerca de dez por cento. No entanto, quando comparadas à amplitude total de resultados de todos os cinco métodos, elas discordaram consistentemente por um fator de dois. Isso significa que, mesmo que você escolha a ferramenta mais popular, provavelmente estará perdendo uma camada massiva de incerteza simplesmente porque a própria ferramenta é construída sobre um conjunto específico de suposições que podem não corresponder à realidade. Os pesquisadores mostraram que essa incerteza não é um detalhe menor; é uma característica estrutural do campo que os relatórios de número único ocultam completamente.

Talvez a descoberta mais impressionante seja que as ferramentas padrão usadas pela indústria frequentemente sequer conseguem lidar com os dados de hardware real. Quando os pesquisadores inseriram as taxas de erro reais medidas em laboratórios nessas ferramentas de software populares, as ferramentas falharam em produzir uma resposta para a vasta maioria dos cenários. Para a tarefa de quebra de criptografia, uma ferramenta recusou-se a calcular um resultado para mais de oitenta por cento das taxas de erro realistas, enquanto outra falhou para quase noventa e cinco por cento. Em um caso extremo, o número de operações necessárias para quebrar um tipo específico de criptografia foi tão grande que causou o estouro do contador do software, interrompendo o cálculo por completo. Isso sugere que a geração atual de ferramentas de planejamento está calibrada para um mundo perfeito que não existe. Elas são projetadas para funcionar com suposições otimistas e, quando confrontadas com o desempenho real das máquinas de hoje, simplesmente falham.

Os pesquisadores não apenas apontaram esses problemas; eles construíram uma estrutura para medi-los e testaram seus próprios métodos para garantir que fossem confiáveis. Eles utilizaram um plano pré-registrado, o que significa que decidiram exatamente como analisariam os dados antes mesmo de começarem, evitando o risco de escolher a dedo resultados que parecessem bons. Sua análise confirmou que as amplas faixas que encontraram eram reais e não apenas resultado de uma matemática ruim. Eles também verificaram suas previsões contra um histórico de medições de hardware e descobriram que seu método capturava corretamente a incerteza do fator dominante: a taxa de erro das operações básicas da máquina. O estudo conclui que, para qualquer pessoa que esteja tomando decisões críticas sobre quando mudar para novos sistemas de segurança, confiar em um número único é perigoso. A resposta honesta não é um ponto em um gráfico, mas um intervalo amplo que reconhece a lacuna entre o que esperamos e o que realmente construímos. Até que as ferramentas possam representar a gama completa do desempenho do mundo real, o cronograma para a chegada de computadores quânticos poderosos permanece muito mais incerto do que sugerem as manchetes otimistas.

Resumo Técnico: Incerteza Baseada em Evidências na Estimativa de Recursos Quânticos Tolerantes a Falhas

Declaração do Problema
As estimativas atuais de recursos quânticos tolerantes a falhas são quase universalmente reportadas como valores de ponto único (por exemplo, um número específico de qubits físicos ou horas de tempo de execução). Essas estimativas dependem de parâmetros de hardware incertos — mais criticamente, a taxa de erro da porta de dois qubits física — e de modelos de custo divergentes. A convenção de planejamento da comunidade tipicamente fixa a taxa de erro em $10^{-3}$ . No entanto, dispositivos de grandes arranjos supercondutores (ex: Google Willow, IBM Heron, USTC Zuchongzhi-3) demonstraram taxas de erro medianas próximas a $4 \times 10^{-3}$ .

O artigo argumenta que as estimativas de valor único falham em capturar duas realidades críticas:

Incerteza Paramétrica: A lacuna entre a convenção de planejamento otimista ( $10^{-3}$ ) e o desempenho medido do hardware ( $\approx 4 \times 10^{-3}$ ) não é propagada para os números finais de recursos.
Incerteza Estrutural: Diferentes modelos de custo (escalonamento analítico, cirurgia de rede, ferramentas de terceiros) produzem resultados diferentes para os mesmos inputs, uma discrepância que as estimativas de ponto ocultam.

Consequentemente, os tomadores de decisão em relação à migração para a criptografia pós-quântica e alegações de vantagem quântica estão confiando em estimativas que podem ser tanto sistematicamente enviesadas quanto desprovidas de quantificação de incerteza.

Metodologia
Os autores desenvolveram um framework aberto e agnóstico a ferramentas para propagar priors baseados em evidências através de múltiplos estimadores de recursos. A metodologia consiste em quatro componentes principais:

Biblioteca de Priors Baseada em Evidências: Em vez de assumir valores fixos, o framework constrói priors a partir de medições experimentais publicadas. Para o parâmetro dominante (taxa de erro da porta de dois qubits física), uma distribuição lognormal foi ajustada usando máxima verossimilhança ponderada de cinco dispositivos supercondutores de grande arranjo e um dispositivo de fluxônio de pequena escala. Este prior possui uma mediana de $4,0 \times 10^{-3}$ , quatro vezes o valor de planejamento convencional. Outros parâmetros (tempo de ciclo, vazão da fábrica, overhead de roteamento, tempo de reação do decodificador) são similarmente ajustados a partir dos dados disponíveis.
Propagação de Incerteza Agnóstica a Ferramentas: O framework utiliza amostragem de transformação inversa (Monte Carlo, Latin-hypercube, sequências de Sobol) para extrair vetores de parâmetros dos priors. Esses vetores são inseridos em cinco modelos distintos de custo de código de superfície:
- Três modelos analíticos/de contagem de tiles transparentes (baseados em construções de Fowler et al., Litinski, e Fowler/Gidney).
- Dois estimadores de terceiros: o Azure Quantum Resource Estimator (QRE) e o Qualtran (implementando custos de estado mágico de Gidney/Fowler).
- O framework registra extrações "censuradas" onde uma ferramenta falha ao computar uma estimativa (ex: devido a limites de distância de código ou orçamentos de erro de fábrica).
Análise de Sensibilidade: Para atribuir a variância da saída a inputs específicos, os autores empregam efeitos de Shapley (que lidam com inputs correlacionados) juntamente com índices de Sobol. Isso identifica quais parâmetros impulsionam a largura dos intervalos de recursos.
Avaliação Pré-Registrada: O estudo utiliza um protocolo de três camadas registrado antes das execuções confirmatórias:
- Camada 1: Correção numérica da propagação contra benchmarks de forma fechada.
- Camada 2: Cobertura preditiva do prior via validação leave-one-source-out.
- Camada 3: Retro-projeção exploratória (hindcasting) para testar se priors ajustados de dados anteriores teriam contido medições posteriores.

Principais Resultados
Aplicado a cargas de trabalho canônicas (RSA-2048, ECC-256, AES-256 e uma simulação do modelo de Hubbard) em uma arquitetura de código de superfície supercondutora, o framework produz três descobertas acopladas:

A Incerteza Paramétrica é Grande: Ao propagar o prior de taxa de erro baseado em evidências (mediana $\approx 4 \times 10^{-3}$ ), o intervalo de recursos de 90% para qubits físicos abrange aproximadamente 40 vezes (razão entre o percentil 95 e o 5). A mediana desta distribuição situa-se cerca de 4,6 vezes acima da estimativa de ponto convencional calculada em $10^{-3}$ . Para o RSA-2048, o intervalo varia de $2,86 \times 10^7$ a $1,18 \times 10^9$ qubits físicos.
O Desacordo Estrutural é Real: Através de cinco modelos de custo estruturalmente independentes, há uma dispersão estável de fator de dois nas estimativas medianas de recursos para inputs correspondentes. Notavelmente, duas ferramentas de terceiros (Azure QRE e Qualtran), que concordam dentro de ~10% uma da outra, ambas caem dentro da banda definida pelos modelos analíticos transparentes. Isso confirma que a incerteza de forma do modelo é uma característica estrutural, não um artefato de uma única ferramenta.
Estimadores Padrão Não Podem Representar Taxas de Erro Medidas: Uma parte significativa do espaço de parâmetros baseado em evidências está fora do "envelope representável" das ferramentas padrão.
- Para o RSA-2048, o estimador Azure censura 81% das extrações, e o Qualtran censura 95%.
- Para o ECC-256, as frações censuradas são de 87% e 99,7%, respectivamente.
- O AES-256 é 100% censurado por ambas as ferramentas; sua contagem de portas ( $6 \times 10^{43}$ ) também transborda o contador de inteiro de 64 bits do Azure.
- As ferramentas falham porque suas configurações padrão (ex: o limite de distância de código do Azure de 50, o orçamento de erro de fábrica fixo do Qualtran) são ajustadas para a convenção de $10^{-3}$ e não conseguem acomodar as taxas de erro mais altas realmente demonstradas pelo hardware.

Significância e Alegações
O artigo afirma que sua principal contribuição não é um novo método estatístico (a maquinaria de incerteza é padrão), mas a aplicação baseada em evidências desses métodos à estimativa de recursos tolerantes a falhas.

Avaliação sobre Asserção: O estudo fornece um framework avaliado e pré-registrado que produz intervalos em vez de estimativas de ponto. Os autores demonstram que o parâmetro dominante (taxa de erro) está bem calibrado dentro de seu estimando (a cobertura da Camada 2 atinge ~99% para a métrica de sensibilidade ponderada).
Colapso das Ferramentas Padrão: A descoberta mais consequente é que os estimadores padrão "quebram precisamente onde o hardware opera". Nas taxas de erro medidas, as cargas de trabalho canônicas frequentemente caem fora da região representável das ferramentas atuais, um fato completamente oculto pela convenção otimista de $10^{-3}$ .
Implicações para a Tomada de Decisão: Para partes interessadas no cronograma de migração para a criptografia pós-quântica, a "convenção otimista" é enganosa. O custo real de recursos é não apenas maior (mediana 4,6x), mas também vastamente mais incerto (intervalo de 40x). Além disso, o desacordo de fator de dois entre os modelos implica que qualquer estimativa de ferramenta única carre o peso de uma incerteza estrutural oculta.

Os autores concluem que as estimativas de recursos devem ser reportadas como intervalos acompanhados pela fração do espaço de parâmetros que a ferramenta não consegue representar, em vez de números únicos. O framework foi desenhado para ser uma "estimativa viva" que pode ser reajustada conforme a base de evidências de hardware cresce e as taxas de erro melhoram.

Mais como este