⚛️ física quântica

Shot- and Noise-Aware Pauli Correlation Encoding for Max-Cut Experiments on IBM Heron Quantum Processor

Este artigo introduz um cronograma de codificação de correlação de Pauli consciente de disparos e ruído que ajusta dinamicamente a nitidez da perda com base no orçamento de medição e no ruído do dispositivo, permitindo um circuito compacto e nativo de hardware no processador IBM Heron para superar significativamente os métodos existentes na resolução de problemas de Max-Cut em grafos de 800 variáveis.

Autores originais: Achraf Boussahi

Publicado 2026-10-15

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Achraf Boussahi

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 mundo da computação moderna, alguns problemas são tão vastos que verificar todas as respostas possíveis levaria mais tempo do que a idade do universo. Estes são conhecidos como problemas de otimização combinatória, onde um computador deve encontrar a única melhor disposição entre um número vertiginoso de opções. Um exemplo clássico é o problema do "corte máximo" (maximum cut): imagine uma rede de cidades conectadas por estradas, onde cada estrada tem um peso representando sua importância. O objetivo é dividir as cidades em dois grupos de modo que o peso total das estradas que conectam os dois grupos seja o maior possível. Esta tarefa é notoriamente difícil para computadores clássicos, que muitas vezes precisam confiar em atalhos inteligentes em vez de soluções perfeitas.

Computadores quânticos foram propostos como uma nova forma de enfrentar esses desafios. Ao contrário das máquinas clássicas que processam informações como bits de zero ou um, as máquinas quânticas usam qubits que podem existir em estados complexos de zero e um simultaneamente. No entanto, os computadores quânticos atuais são imperfeitos. Eles são ruidosos, o que significa que seus cálculos são facilmente perturbados pelo ambiente, e podem rodar apenas por um curto período antes que os erros se acumulem. Devido a essas limitações, os cientistas utilizam um método chamado algoritmos quânticos variacionais. Nesta abordagem, um computador quântico executa um circuito específico, mede o resultado e um computador clássico ajusta as configurações do circuito para tentar encontrar uma resposta melhor. O processo se repete, esperando subir em direção à melhor solução possível.

Um estudo recente de Achraf Boussahi aborda uma falha crítica na forma como esses experimentos quânticos são atualmente projetados. A pesquisa foca em uma técnica específica chamada codificação de correlação de Pauli, que permite que um computador quântico resolva problemas com muitas variáveis usando muito menos qubits do que o habitual. A maneira padrão de treinar esses circuitos envolve uma configuração de "nitidez" (sharpness) matemática que controla o quão de perto o computador imita o problema real. Pesquisas anteriores sugeriram que tornar essa configuração o mais nítida possível sempre levava a melhores resultados, mas esses experimentos foram realizados em simulações perfeitas e sem ruído. O trabalho de Boussahi revela que essa suposição deixa de funcionar quando o experimento é realizado em uma máquina real e imperfeita. Ao realizar testes em um processador quântico real, o estudo demonstra que as melhores configurações para uma simulação perfeita são frequentemente as piores configurações para um dispositivo real, e fornece uma nova regra para ajustar essas máquinas para que funcionem de forma eficaz no mundo real.

O cerne do problema reside em como os computadores quânticos medem suas respostas. Para obter um resultado, a máquina deve executar seu cálculo muitas vezes, um processo conhecido como tirar "shots" (disparos). Cada shot produz um resultado ligeiramente diferente devido ao ruído estatístico, de forma muito semelhante a jogar uma moeda muitas vezes para ver se ela é justa. Quanto mais shots forem realizados, mais clara se torna a verdadeira resposta. Os pesquisadores descobriram que a configuração de "nitidez" usada para treinar o circuito quântico está secretamente ligada a esse número de shots. Se a nitidez for configurada como muito alta, o circuito tentará encontrar uma solução que exige mais shots do que a máquina pode realisticamente fornecer. Em uma simulação perfeita, onde não há limite de shots, uma configuração muito nítida funciona bem porque o computador consegue resolver detalhes minúsculos. Mas em um dispositivo real com um número limitado de shots, uma configuração excessivamente nítida força o computador a adivinhar os sinais de suas respostas com base no ruído, levando a resultados aleatórios e inúteis.

Para provar isso, a equipe treinou circuitos quânticos em cinco grafos complexos diferentes, cada um com 800 variáveis, usando um processador quântico com apenas 13 qubits. Eles compararam os antigos cronogramas de treinamento agressivos contra um novo cronograma "consciente de shots" (shot-aware), que ajustava a nitidez com base no número real de shots disponíveis. Os resultados foram impressionantes. No processador quântico real, os antigos cronogramas tiveram um desempenho ruim, muitas vezes falhando em fazer melhor do que um palpite aleatório. Em contraste, o novo cronograma, que foi ajustado aos limites específicos da máquina, superou consistentemente todos os métodos publicados. Em 150 comparações diretas através de diferentes grafos e contagens de shots, o novo método venceu todas as vezes. Ele conseguiu encontrar soluções que estavam significativamente mais próximas da melhor resposta possível, retendo até 91,9 por cento do valor do corte ideal, enquanto os métodos anteriores colapsaram no aleatório.

O estudo também descobriu como o ruído físico da máquina afeta o cálculo. Os pesquisadores descobriram que o ruído no processador atua como um interruptor de dimerização (dimmer switch), reduzindo a força dos sinais que o computador lê. Esse efeito é matematicamente equivalente a ter menos shots do que os realmente realizados. Ao medir esse efeito de redução de intensidade na máquina específica que utilizaram, eles puderam prever exatamente como ajustar a configuração de nitidez para compensar. Eles desenvolveram uma regra simples: definir a nitidez com base no número de shots e no nível de ruído medido. Quando testaram essa regra em um novo grafo antes mesmo de rodar o experimento, suas previsões do resultado final foram precisas dentro de uma fração minúscula de percentual. Essa capacidade de prever o desempenho antes de rodar o código é um grande passo à frente para o uso prático de computadores quânticos.

Outra descoberta crucial diz respeito ao design do próprio circuito quântico. Os melhores resultados na literatura anterior vieram de circuitos que conectavam cada qubit a todos os outros, um design que funciona bem em máquinas com conectividade perfeita. No entanto, o processador quântico real usado neste estudo possui um layout específico onde os qubits estão conectados apenas aos seus vizinhos imediatos. Quando os pesquisadores tentaram rodar o design "todos-para-todos" (all-to-all) nesta máquina, o computador teve que embaralhar os dados usando portas extras, o que introduziu tanto ruído que a resposta final não foi melhor do que um palpite aleatório. Ao mudar para um design de "tijolo" (brickwork) que correspondia ao layout natural da máquina, eles evitaram esses passos extras. Esse circuito nativo do hardware, combinado com o novo treinamento consciente de shots, permitiu que a máquina retivesse sua força de sinal e entregasse resultados de alta qualidade.

A pesquisa conclui que, para a otimização quântica funcionar no hardware atual, os cientistas devem parar de tratar a máquina como um simulador perfeito e começar a tratá-la como um dispositivo ruidoso e limitado por shots. A antiga estratégia de buscar a nitidez máxima é contraproducente no mundo real. Em vez disso, a chave é combinar o cronograma de treinamento com as restrições específicas do hardware: o número de shots disponíveis e o nível de ruído presente. Ao fazer isso, pesquisadores podem extrair soluções significativas das máquinas imperfeitas de hoje. O estudo utilizou apenas alguns minutos de tempo real de computação quântica para chegar a essas conclusões, sugerindo que, com o ajuste correto, esses dispositivos já são capazes de resolver problemas complexos melhor do que se pensava anteriormente, desde que paremos de pedir a eles o impossível e comecemos a perguntar o que eles realmente podem fazer.

Resumo Técnico: Codificação de Correlação de Pauli Consciente de Disparos e Ruído para Max-Cut em IBM Heron

Declaração do Problema
O artigo aborda as limitações da Codificação de Correlação de Pauli (PCE) quando aplicada à otimização combinatória em hardware de Escala Intermediária com Ruído Quântico (NISQ). Embora a PCE permita codificar $m$ variáveis binárias em $n = O(m^{1/k})$ qubits ao mapear variáveis para os sinais de correladores de Pauli de $k$ corpos, os benchmarks bem-sucedidos anteriores basearam-se em valores de expectativa exatos (simulação sem ruído). Na prática, computadores quânticos estimam esses correladores a partir de um número finito de disparos de medição ( $S$ ), introduzando ruído estatístico. Além disso, o ruído do dispositivo atenua esses correladores. O autor identifica uma desconexão crítica: os cronogramas de afunilamento (sharpening schedules) existentes para a função de perda da PCE são ajustados para orçamentos de disparos infinitos, o que faz com que falhem em orçamentos de disparos realistas e finitos, onde o erro estatístico sobrecarrega as pequenas margens dos correladores treinados.

Metodologia
O autor propõe um framework que vincula explicitamente o parâmetro de "afunilamento" ( $\alpha$ ) da função de perda da PCE ao orçamento de disparos de medição ( $S$ ) e ao ruído do dispositivo.

Identidade de Afunilamento-Disparo (Sharpness-Shot Identity): O autor deriva uma identidade aproximada mostrando que o termo de aresta da função de perda relaxada, $L_{\alpha}$ , em um afunilamento $\alpha \approx 0.851\sqrt{S}$ , é equivalente (até uma constante) a minimizar o corte esperado negativo obtido ao decodificar $S$ disparos. Especificamente, o spin suave $\tanh(\alpha c_i)$ na perda aproxima o spin decodificado esperado $\text{erf}(c_i\sqrt{S/2})$ . Isso implica que um determinado afunilamento $\alpha$ implica implicitamente um orçamento de disparos específico $S(\alpha) = (\alpha/0.851)^2$ .
Cronograma Consciente de Disparos (Shot-Aware Schedule): Com base nesta identidade, o autor introduz um cronograma "consciente de disparos". Em vez de afunilar agressivamente a perda (como nos cronogramas de múltiplos estágios anteriores), o $\alpha_{\text{máx}}$ final é definido pelo orçamento de disparos alvo $S$ . O cronograma envolve três estágios: um estágio inicial com baixo afunilamento, um estágio intermediário e um estágio final onde a regularização é desligada e o $\alpha_{\text{máx}}$ é definido como $c s \sqrt{S}$ , onde $s$ é um fator de amortecimento do dispositivo.
Ruído como Amortecimento: O artigo modela o ruído do dispositivo como um fator de amortecimento multiplicativo $s$ nos correladores ( $\hat{c}_i \approx s c_i + \epsilon$ ). Isso efetivamente reduz o orçamento de disparos para $S_{\text{eff}} = s^2 S$ . Consequentemente, o afunilamento ideal em um dispositivo ruidoso escala como $\alpha \propto s\sqrt{S}$ .
Ansatz Nativo do Hardware: Para mitigar o overhead de compilação em processadores supercondutores (especificamente o IBM Heron), o autor utiliza um ansatz "brickwork" que mapeia diretamente para a conectividade da rede heavy-hex do dispositivo, sem a necessidade de portas SWAP. Isso é contrastado com um ansatz "all-to-all" que requer roteamento extensivo de qubits.

Principais Contribuições

Derivação Teórica: Estabelecer o vínculo matemático entre o afunilamento da perda $\alpha$ e o orçamento de disparos de medição $S$ , demonstrando que $\alpha$ atua como um "orçamento de disparos oculto".
Cronograma Consciente de Disparos: Desenvolver um cronograma de treinamento onde o afunilamento final é determinado pelo orçamento de disparos disponível e pelo amortecimento do dispositivo, em vez de um ajuste arbitrário.
Caracterização de Ruído: Quantificar o ruído do dispositivo como uma redução no orçamento de disparos efetivo e fornecer um método para calibrar o fator de amortecimento $s$ em hardware real.
Comparação de Ansatz: Demonstrar que, nos processadores IBM Heron, um ansatz nativo do hardware (96 portas CZ) supera significativamente um ansatz all-to-all (835 portas CZ), que, devido ao acúmulo de ruído, decodifica para um corte aleatório.

Resultados Experimentais
O autor avaliou seu método em cinco grafos G-set (800 vértices) usando 13 qubits, comparando seu cronograma consciente de disparos contra três cronogramas publicados (Sciorilli et al.; Usuki et al. convencional; e Usuki et al. multistage).

Simulação (Gradientes Exatos): Em todos os cinco grafos, o cronograma consciente de disparos superou todos os cronogramas publicados em seu orçamento alvo ( $S=10^3$ e $S=1.6 \times 10^4$ ) em todas as 150 comparações pareadas de saída decodificada de circuito. O cronograma de múltiplos estágios publicado, embora superior em simulações sem ruído, teve um desempenho ruim em orçamentos de disparos finitos porque seu alto afunilamento levou a magnitude dos correladores abaixo do nível de ruído estatístico.
Execução em Hardware (IBM Fez):
- O ansatz all-to-all falhou completamente, decodificando para um corte aleatório devido ao alto número de portas (835 CZs) e à baixa fidelidade resultante ( $\sim 0.058$ ).
- O ansatz nativo do hardware (96 CZs) manteve um fator de amortecimento de $s \approx 0.72$ .
- O cronograma consciente de disparos, treinado em simulação e executado em hardware, superou todos os cronogramas publicados. Com $1.6 \times 10^4$ disparos, alcançou até 0.919 do melhor corte conhecido para G1.
- Um teste prospectivo em um novo circuito para o grafo G1, usando um fator de amortecimento e um offset calibrados de execuções anteriores, previu o corte decodificado com $10^3$ disparos com um erro de 0.002.

Significância e Alegações
O artigo alega que a principal barreira para uma PCE eficaz em hardware atual não é a expressividade ou a treinabilidade, mas o descompasso entre o afunilamento da perda e o orçamento de medição.

Reversão de Rankings: O autor demonstra que o ranking dos cronogramas de otimização observado em simulações sem ruído é invertido em orçamentos de disparos realistas. Cronogramas otimizados para disparos infinitos falham em hardware real.
Consciência de Hardware: O estudo estabelece que, para a PCE ser eficaz em processadores supercondutores, deve-se combinar o ansatz do circuito com a conectividade do hardware (evitando portas SWAP) e ajustar o afunilamento da perda com base no orçamento de disparos e no amortecimento medido do dispositivo.
Escopo Modesto: O autor afirma explicitamente que seus resultados dizem respeito ao custo de medição e qualidade da solução da PCE em hardware, não uma demonstração de vantagem quântica. Eles observam que, para as instâncias de 13 qubits testadas, a busca clássica de bit-swap pode melhorar os spins aleatórios para razões de aproximação elevadas, e os circuitos quânticos ainda não superam os solvers clássicos. O trabalho serve como um guia metodológico para tornar a PCE viável em dispositivos NISQ atuais, alinhando os objetivos de treinamento com as restrições físicas.

Mais como este