⚛️ física quântica

Who can sample forever? Shot noise effects in quantum linear regression

Este artigo demonstra que o ruído de amostragem de disparos finitos limita fundamentalmente a regressão linear quântica ao tornar o problema mal condicionado, fazendo com que os erros de previsão persistam ou até aumentem com conjuntos de dados maiores quando os alvos são ruidosos devido a uma forma de sobreajuste quântico.

Autores originais: Gabriele Lo Monaco, Salvatore Lorenzo, Alessandro Ferraro, Mauro Paternostro, G. Massimo Palma, Luca Innocenti

Publicado 2026-10-09

📖 4 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Gabriele Lo Monaco, Salvatore Lorenzo, Alessandro Ferraro, Mauro Paternostro, G. Massimo Palma, Luca Innocenti

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

No campo da aprendizagem automática quântica, que evolui rapidamente, os investigadores estão a tentar ensinar os computadores a reconhecer padrões utilizando as estranhas regras da física quântica. Uma abordagem comum envolve um processo de duas etapas: primeiro, um dispositivo quântico fixo recebe uma entrada e transforma-a num conjunto de números chamados características (features), que descrevem a entrada de uma nova forma. Segundo, um programa de computador padrão aprende a combinar estas características para fazer uma previsão, como identificar uma propriedade química específica ou um tipo de material. Este método é apelativo porque a parte quântica não precisa de ser treinada, evitando alguns dos problemas mais difíceis que assolam outros algoritmos quânticos. No entanto, existe um problema fundamental: o dispositivo quântico não pode simplesmente fornecer estes números das características diretamente. Em vez disso, deve medir o estado quântico muitas vezes para estimar as probabilidades de diferentes resultados. Este processo é semelhante a tentar adivinhar a proporção exata de bolas vermelhas e azuis num frasco ao retirar um punhado; quanto mais bolas retirar, mais perto a sua estimativa estará da verdade, mas com um número limitado de retiradas, a sua estimativa conterá sempre algum erro aleatório.

Uma equipa de físicos investigou agora como este erro de medição inevitável, conhecido como ruído de disparo (shot noise), afeta a capacidade destes modelos quânticos de aprender. Eles focaram-se num cenário específico onde o dispositivo quântico gera características a partir de uma coleção de dados de treino, e um computador clássico tenta encontrar a melhor relação matemática entre essas características e a resposta desejada. Os investigadores descobriram que o próprio ato de estimar estas características com um número finito de medições cria uma armadilha oculta. Num mundo ideal com medições infinitas, as características estariam sobre uma superfície plana e de dimensão inferior dentro de um vasto espaço matemático. Mas no mundo real, onde as medições são limitadas, o ruído aleatório empurra as características estimadas para fora desta superfície e para o espaço vazio ao seu redor. Quando o computador tenta aprender com estes dados ruidosos, tenta ajustar uma linha a estes pontos dispersos, aprendendo efetivamente a prever direções que não existem realmente na física subjacente.

O estudo revela que isto cria um tipo específico de erro que se comporta de forma diferente dos erros na ciência da computação clássica. Na aprendizagem padrão, se tiver um conjunto de dados ruidoso, adicionar mais exemplos costuma ajudar a chegar mais perto da resposta correta. Aqui, os investigadores descobriram que simplesmente adicionar mais exemplos de treino não resolve o problema se o número de medições realizadas para cada exemplo permanecer baixo. Em vez disso, o erro estabiliza num patamar persistente determinado pela precisão das medições individuais. A única forma de baixar este patamar é aumentar o número de medições realizadas para cada um dos exemplos de treino. Se os investigadores tentassem aprender com poucas medições por exemplo, o modelo tornar-se-ia cada vez mais sensível ao ruído, e adicionar mais dados deixaria de melhorar os resultados.

A situação torna-se ainda mais complexa quando as respostas que o modelo está a tentar aprender são elas próprias ligeiramente erradas, talvez devido a imperfeições na forma como os estados quânticos foram preparados. Neste cenário, o modelo começa a aprender o próprio ruído. Os investigadores observaram um fenómeno que chamam de sobreajuste quântico (quantum overfitting), onde aumentar a precisão dos dados de treino torna as previsões do modelo piores. Isto acontece porque o modelo começa a agarrar-se às direções aleatórias criadas pelo ruído de medição e, à medida que os dados de treino se tornam mais precisos, ele amplifica os erros nas respostas alvo. O estudo mostra que existe um equilíbrio delicado: deve-se equilibrar o número de exemplos de treino contra o número de medições realizadas para cada um deles.

Através de uma análise matemática detalhada e simulações computacionais, a equipa mapeou exatamente como estes erros crescem e diminuem. Eles mostraram que, quando as respostas alvo são perfeitas, o erro diminui rapidamente ao início à medida que as medições aumentam, mas depois abranda, sendo dominado por um viés sistemático que não pode ser removido adicionando mais dados. Quando as respostas alvo são ruidosas, o erro pode eventualmente começar a subir novamente se as medições de treino se tornarem demasiado precisas sem um aumento correspondente na precisão das medições de teste. Este trabalho fornece um guia claro para a alocação de recursos em experiências quânticas, mostrando que um conjunto de dados maior nem sempre é melhor se a qualidade das medições individuais não for também melhorada. As descobertas sugerem que os futuros sistemas de aprendizagem quântica devem ser desenhados com uma consciência cuidadosa destes limites estatísticos, tratando o número de medições e o número de exemplos como dois lados da mesma moeda, em vez de variáveis independentes.

Resumo Técnico: Quem pode amostrar para sempre? Efeitos do ruído de disparo em regressão linear quântica

Definição do Problema
A regressão linear quântica (QLR) abrange arquiteturas de aprendizado de máquina quântico não variacionais, como Máquinas de Aprendizado Extremo Quântico (QELMs) e kernels de fidelidade quântica, onde um dispositivo quântico fixo mapeia dados de entrada em um espaço de características quânticas, e um modelo linear clássico é treinado sobre os valores de esperança resultantes. Uma distinção fundamental entre a QLR e a regressão linear clássica é que as características quânticas não são diretamente acessíveis; elas devem ser estimadas a partir de um número finito de disparos de medição ( $N$ ). Isso introduz um ruído de amostragem intrínseco (ruído de disparo ou shot noise) na matriz de características.

O artigo aborda uma lacuna crítica na compreensão de como este ruído de estatística finita afeta o desempenho do aprendizado. Embora a regressão clássica com características ruidosas (modelos de erros nas variáveis) seja conhecida por introduzir viés, as consequências estruturais específicas do ruído de disparo no posto (rank) e no condicionamento das matrizes de características quânticas não foram sistematicamente caracterizadas. Especificamente, os autores investigam como a interação entre o número de estados de treinamento ( $n_{tr}$ ) e o número de disparos por estado ( $N$ ) determina o erro quadrático médio (MSE), desafiando a intuição de que aumentar apenas o tamanho do conjunto de dados é suficiente para minimizar o erro.

Metodologia
Os autores analisam o cenário de QLR onde os alvos de treinamento são inicialmente assumidos como exatos, e o ruído surge apenas da estimativa das probabilidades de entrada. Eles modelam a matriz de características empírica $\hat{P}_N$ como uma perturbação da matriz ideal, de posto deficiente $P$ (onde $\text{posto}(P) \le d^2$ , sendo $d$ a dimensão do espaço de Hilbert).

Análise de Descontinuidade de Posto: O principal obstáculo teórico identificado é que, embora a matriz ideal $P$ seja de posto deficiente (confinada a um subespaço de dimensão $d^2$ ), a matriz empírica $\hat{P}_N$ torna-se de posto total com alta probabilidade devido ao ruído de disparo. Esse aumento de posto cria uma descontinuidade na pseudoinversa de Moore-Penrose $\hat{P}_N^+$ , levando a termos divergentes conforme $N \to \infty$ , se não forem tratados corretamente.
Expansão Perturbativa: Os autores desenvolvem uma abordagem perturbativa adaptada para a pseudoinversa no regime onde $n_{tr}, n_{out} > d^2$ . Ao decompor a matriz de ruído em blocos relativos ao suporte e ao cokernel de $P$ , eles isolam os componentes divergentes. Eles mostram que, embora a pseudoinversa em si divirja, as previsões físicas (envolvendo alvos exatos e probabilidades de teste) permanecem finitas porque os blocos divergentes são anulados pela projeção no subespaço de sinal.
Decomposição Viés-Variância: O estudo deriva uma decomposição explícita do MSE de estatísticas de teste infinitas em viés de treinamento e variância de treinamento. Eles empregam duas abordagens complementares:
- Um modelo de ruído Gaussiano homogêneo para computar analiticamente os momentos do complemento de Schur e derivar leis de escala.
- Uma análise de ruído multinomial rigorosa que evita aproximações Gaussianas, utilizando desigualdades de concentração e limites de alta probabilidade para controlar os termos de resto para $N$ finito e $n_{tr}$ grande.
Extensão para Alvos Ruidosos: O arcabouço é estendido para cenários onde os alvos de treinamento também são ruidosos (por exemplo, devido a erros de preparação de estado), analisando como isso interage com o aumento de posto causado pelo ruído de disparo.

Principais Contribuições e Resultados

Mal-condicionamento Intrínseco: O artigo estabelece que a estimativa de disparos finitos torna a regressão linear quântica inevitavelmente mal-condicionada. A matriz de características empírica adquire "direções espúrias" fora do subespaço ideal, carregando valores singulares na escala do ruído $N^{-1/2}$ .
Leis de Escala de Recursos: Os autores derivam a escala do MSE em relação a $N$ $N$ e $n_{tr}$ $n_{t r}$ , identificando dois regimes distintos:
- Baixa Estatística ( $N \lesssim n_{tr}$ ): O MSE é dominado por um viés sistemático com escala de $N^{-2}$ . Este viés surge do aumento de posto e do consequente mal-condicionamento. Crucialmente, este viés é insensível ao número de estados de treinamento $n_{tr}$ .
- Alta Estatística ( $N \gtrsim n_{tr}$ ): O MSE é dominado pela variância (flutuações) com escala de $(N n_{tr})^{-1}$ .
O Compromisso (Trade-off): Diferente da regressão clássica com características exatas, aumentar apenas o tamanho do conjunto de dados ( $n_{tr}$ ) não pode remover o erro causado pelo ruído de disparo uma vez que a variância é suprimida. O erro satura em um patamar determinado pelo orçamento de disparos por estado ( $N^{-2}$ ). Para reduzir o erro adicionalmente, deve-se aumentar $N$ juntamente com $n_{tr}$ .
Sobreajuste Quântico (Quantum Overfitting): Quando os alvos de treinamento são ruidosos, as "direções espúrias" (criadas pelo ruído de disparo), anteriormente inofensivas, acoplam-se ao ruído dos rótulos. Isso leva a um termo no MSE que escala como $N/M$ (onde $M$ é o número de disparos de teste). Consequentemente, aumentar as estatísticas de treinamento $N$ sem aumentar as estatísticas de teste $M$ pode aumentar o erro de teste. Os autores identificam isso como uma forma de sobreajuste quântico, onde o refinamento das características de treinamento amplifica o ruído nos rótulos.
Coeficientes Explícitos: O artigo fornece fórmulas explícitas para os coeficientes de viés e variância em termos do POVM, do conjunto de treinamento e do observável alvo, validadas contra simulações numéricas em vários regimes e dimensões.

Significância e Alegações
O artigo alega expor um compromisso fundamental entre o tamanho do conjunto de dados e as estatísticas de medição por estado no aprendizado quântico não variacional. Argumenta-se que as intuições familiares do aprendizado clássico devem ser revisadas para considerar a geometria do espaço de estados quânticos, especificamente a restrição de que as características quânticas ideais vivem em um subespaço de dimensão $d^2$ , enquanto suas estimativas não.

Os autores enfatizam que seus resultados fornecem uma base para estratégias de treinamento e regularização conscientes de recursos. Eles afirmam que as garantias de desempenho em Aprendizado de Máquina Quântico (QML) devem explicitamente considerar os efeitos de disparos finitos, tratando o orçamento experimental total como um problema de alocação conjunta entre o número de estados de treinamento e o número de disparos por estado, em vez de priorizar o tamanho do conjunto de dados isoladamente. O trabalho destaca que as estatísticas finitas podem alterar qualitativamente as conclusões extraídas de análises idealizadas de amostras infinitas.

Mais como este