⚛️ física quântica

Classical Pre-Training of Large Shallow Parametrized Quantum Circuits through Pauli Propagation and deployment on Quantum Hardware

Este artigo propõe um framework de pré-treinamento clássico para circuitos quânticos parametrizados rasos e de grande escala utilizando propagação de Pauli para otimizar eficientemente funções de perda via propagação de observáveis reversa, demonstrando o implantação bem-sucedida dos parâmetros resultantes em hardware quântico IBM de 64 qubits para tarefas como eigensolving variacional e modelagem generativa.

Autores originais: Saverio Monaco, Jamal Slim, Ran Xue, Dirk Krücker, Kerstin Borras

Publicado 2026-10-26

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Saverio Monaco, Jamal Slim, Ran Xue, Dirk Krücker, Kerstin Borras

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

O aprendizado de máquina quântico situa-se na fronteira onde as regras estranhas do mundo subatômico encontram a necessidade prática de resolver problemas complexos. Em seu cerne estão circuitos feitos de bits quânticos, ou qubits, que podem existir em múltiplos estados ao mesmo tempo, permitindo-lhes processar informações de maneiras que os computadores clássicos não conseguem. Para tornar esses circuitos úteis, os cientistas devem "treiná-los", ajustando suas configurações internas para encontrar a melhor solução para uma tarefa específica, de forma muito semelhante a sintonizar um rádio para encontrar um sinal claro. No entanto, à medida que esses circuitos crescem para enfrentar problemas mais difíceis, o processo de treiná-los torna-se um gargalo. O método padrão exige o envio do circuito de ida e volta para uma máquina quântica física milhares de vezes para medir o quão bem ele está desempenhando sua função. Isso é lento, caro e propenso a erros porque as máquinas quânticas atuais são frágeis e ruidosas. O desafio central é encontrar uma maneira de realizar o trabalho pesado do treinamento sem depender constantemente do delicado hardware.

Uma equipe de pesquisadores desenvolveu uma nova abordagem que transfere todo o fardo do treinamento para computadores clássicos, deixando a máquina quântica apenas para o teste final. O método deles, chamado propagação de Pauli, funciona revertendo o fluxo de informação. Em vez de enviar um estado quântico para frente através do circuito para ver o que sai, eles começam com a pergunta que desejam responder e trabalham de trás para frente pelas camadas do circuito. Ao rastrear como a pergunta muda conforme ela se move contra o fluxo das portas, eles podem escrever uma descrição matemática precisa do comportamento do circuito usando apenas o poder de um computador padrão. Essa descrição atua como um mapa, mostrando exatamente como alterar as configurações do circuito afetará o resultado final. Como esse mapa é construído em um computador clássico, os pesquisadores podem ajustar as configurações milhões de vezes em segundos, uma tarefa que levaria dias ou semanas se tivessem que executar o circuito em um dispositivo quântico real para cada mudança individual.

Os pesquisadores testaram essa estratégia em dois problemas muito diferentes usando um circuito com 64 qubits, um tamanho que é grande demais até para os supercomputadores clássicos mais poderosos simularem diretamente. No primeiro experimento, eles abordaram um problema da física conhecido como Solucionador de Autovalores Quânticos Variacionais, que é usado para encontrar o estado de energia mais baixa de um sistema, semelhante a encontrar a arrumação mais estável de ímãs. Eles treinaram o circuito em um computador clássico usando seu método de retropropagação e depois implementaram as configurações resultantes em um processador quântico real chamado ibm berlin. Embora o treinamento clássico tenha otimizado com sucesso os parâmetros, os pesquisadores observaram uma lacuna persistente entre os resultados produzidos pelo hardware quântico e o estado fundamental teórico. Eles atribuíram essa lacuna à precisão do hardware em estimar o observável, e não a uma falha no procedimento de treinamento em si. No segundo experimento, eles treinaram o circuito para atuar como um gerador de imagens simples em preto e branco, essencialmente ensinando-o a criar padrões que parecessem dígitos escritos à mão. Novamente, eles treinaram o modelo inteiramente em um computador clássico e depois executaram a versão final no processador quântico. A máquina produziu imagens de dígitos reconhecíveis, embora ruidosas, demonstrando que o método também funciona para tarefas generativas.

Uma descoberta fundamental do estudo é que essa abordagem permite um uso muito mais eficiente do hardware quântico. Os pesquisadores descobriram que os circuitos que projetaram exigiam muito menos portas complexas do que outros designs comuns usados para tarefas semelhantes. Essa redução é crucial porque cada porta extra adiciona uma camada de erro e leva mais tempo para ser executada em uma máquina real. Ao usar menos portas, os circuitos foram rasos o suficiente para serem executados no hardware atual sem se desintegrarem devido ao ruído. O estudo também destacou que, embora o treinamento clássico tenha sido altamente eficaz, os resultados finais no computador quântico ainda mostraram uma lacuna em comparação com a simulação clássica perfeita. Essa lacuna não se deveu a uma falha no método de treinamento, mas sim às limitações inerentes ao processador quântico físico, que tem dificuldade em medir resultados com precisão perfeita. Os pesquisadores observaram que o método não é uma solução mágica que resolve todos os problemas instantaneamente; é uma ferramenta prática que torna o treinamento viável em escalas onde anteriormente era impossível.

O trabalho sugere um novo caminho para o campo, onde o computador quântico não é mais o motor do processo de aprendizado, mas sim a etapa final de execução. Ao mover o trabalho intensivo de otimização para máquinas clássicas, os cientistas podem escalar para sistemas com centenas de qubits sem serem limitados pela velocidade e fragilidade do hardware atual. Os pesquisadores reconhecem que ainda há trabalho a ser feito, particularmente no refinamento das funções de perda usadas para modelos generativos e no ajuste de conta para os tipos específicos de ruído encontrados em dispositivos reais. No entanto, a demonstração em 64 qubits serve como uma prova de conceito robusta. Ela mostra que, ao pensar de forma diferente sobre como treinar esses circuitos, podemos construir uma ponte entre o potencial teórico do aprendizado de máquina quântico e a realidade prática da tecnologia atual.

Resumo Técnico: Pré-treinamento Clássico de Circuitos Quânticos Parametrizados Rasos de Grande Escala através de Propagação de Pauli

Definição do Problema
Escalar Circuitos Quânticos Parametrizados (PQCs) para um grande número de qubits permanece como um gargalo central no Aprendizado de Máquina Quântica (QML). Embora o hardware quântico já esteja disponível com mais de 100 qubits, o treinamento extensivo nesses dispositivos é dificultado pelo custo da estimativa de gradiente. A regra de deslocamento de parâmetro (parameter-shift rule) padrão exige duas avaliações de circuito por parâmetro, tornando-se proibitivamente caro à medida que a contagem de parâmetros cresce. Por outro lado, otimizadores livres de gradiente (ex: COBYLA, SPSA) reduzem a contagem de avaliações, mas oferecem garantias de convergência mais fracas e ainda necessitam de acesso repetido e custoso ao hardware quântico. Soluções existentes frequentemente restringem a arquitetura do ansatz para reduzir os custos de gradiente ou dependem de simulação clássica, que é limitada a aproximadamente 30 qubits.

Metodologia: Estrutura de Propagação de Pauli
Os autores propõem um paradigma de "treinar no clássico, implantar no quântico" que estende o treinamento clássico para uma classe mais ampla de PQCs, especificamente circuitos de dispersão local (locally scrambling circuits), onde a função de perda é definida pelos valores de esperança de observáveis. A metodologia central baseia-se na propagação de Pauli, que opera no quadro de Heisenberg. Em vez de evoluir o estado quântico para frente, o método evolui o observável $O$ para trás através do circuito via a transformação $O'(\theta) = U^\dagger(\theta) O U(\theta)$ .

Componentes técnicos principais incluem:

Decomposição de Observáveis: O observável é decomposto na base de Pauli de $n$ qubits. A propagação rastreia como as strings de Pauli se transformam sob a conjugação por cada porta.
Ramificação e Fatores Trigonométricos: Portas de rotação parametrizadas causam a ramificação das strings de Pauli em dois termos (ramos de cosseno e seno) quando elas anticomutam com o eixo de rotação. Isso resulta em uma expressão paramétrica explícita para o valor de esperança $\langle O \rangle(\theta)$ como uma soma de produtos de funções trigonométricas dos parâmetros do circuito.
Filtragem Exata: Um filtro natural descarta qualquer caminho de propagação onde a string de Pauli terminal contenha operadores $X$ ou $Y$ , pois $\langle 0|X|0\rangle = \langle 0|Y|0\rangle = 0$ . Apenas caminhos terminando em $I$ ou $Z$ contribuem para o valor de esperança.
Estratégias de Truncamento: Para tornar a propagação tratável para sistemas grandes (ex: 64 qubits), os autores implementam dois esquemas de aproximação complementares:
- Truncamento de Peso: Descarta caminhos onde o peso de Pauli (número de operadores de identidade) excede um limite de corte $w_{cut}$ . Isso é justificado pela observação de que, para ansätze de dispersão local, a contribuição de caminhos de alto peso decai exponencialmente.
- Truncamento de Grau Trigonométrico: Descarta caminhos onde o número de portas de ramificação (grau trigonométrico) excede um limite de corte $\delta_{cut}$ , baseado no decaimento de termos de alto grau sob parâmetros uniformemente distribuídos.
Heurísticas de Poda: Para reduzir ainda mais o custo computacional sem erro de aproximação, os autores empregam estratégias de poda exata:
- Podador de Qubit Morto (Dead-qubit Pruner): Descarta ramos onde um qubit carrega $X$ ou $Y$ e nenhuma porta restante pode alterá-lo de volta para $Z$ ou $I$ .
- Podador de Peso XY (XY-weight Pruner): Descarta ramos onde o número de qubits carregando $X$ ou $Y$ excede o número de portas restantes capazes de reduzir essa contagem.

Contribuições Principais e Aplicações
O artigo demonstra esta abordagem em dois benchmarks de 64 qubits, uma escala que vai muito além das capacidades de simulação exata de vetor de estado:

Algoritmo de Eigensolver Variacional Quântico (VQE):
- Tarefa: Encontrar a energia do estado fundamental de um modelo de Ising de campo transversal 2D.
- Resultado: O método otimizou com sucesso os parâmetros para ansätze de profundidade-1 (propagação exata) e profundidade-2 (propagação truncada). Os parâmetros otimizados classicamente foram implantados no processador quântico IBM ibm_berlin. Os resultados mostraram que o pré-treinamento clássico efetivamente reduziu o uso do hardware quântico apenas para validação, uma vez que todo o loop de otimização de 1000 passos rodou em hardware clássico.
Modelagem Generativa Quântica:
- Tarefa: Treinar um modelo generativo de tipo discreto para imagens binárias (MNIST redimensionada para baixo) usando uma função de perda baseada na Discrepância de Média Máxima (MMD) de valores de esperança de Pauli-Z.
- Resultado: Os autores treinaram um ansatz raso (256 parâmetros) usando propagação de Pauli com truncamento de peso. O modelo treinado foi implantado no ibm_berlin para gerar amostras.
- Comparação: O propagador proposto superou significativamente duas linhas de base IQP (Instantaneous Quantum Polynomial). Ele alcançou um MMD $^2$ de teste aproximadamente 12 vezes menor do que um circuito IQP de igual número de parâmetros e superou um circuito IQP com 10 $\times$ mais parâmetros (2560 portas), apesar de usar apenas um décimo dos parâmetros. Os autores atribuem isso à estrutura causal introduzida por portas não-comutativas em seu ansatz, que fornece maior expressividade por parâmetro em comparação com as portas comutativas dos circuitos IQP.

Significância e Alegações
O artigo posiciona este trabalho como uma prova de conceito, e não como uma alegação de otimalidade. Sua principal significância reside em demonstrar a viabilidade do pipeline "treinar no clássico, implantar no quântico" na escala de 64 qubits.

Escalabilidade: A abordagem oferece um caminho escalável para o QML à medida que a contagem de qubits aumenta, contornando o custo proibitivo da estimativa de gradiente em hardware quântico.
Eficiência de Hardware: Ao transferir o treinamento inteiramente para recursos clássicos, o método minimiza as execuções de circuitos quânticos apenas para o que é necessário para validação final ou amostragem.
Eficiência de Parâmetros: Na tarefa de modelagem generativa, o ansatz não-comutativo exigiu substancialmente menos portas parametrizadas do que os ansätze do tipo IQP para atingir desempenho superior, reduzindo o overhead de transpilação e tornando a implantação em hardware NISQ (Noisy Intermediate-Scale Quantum) atual mais viável.
Direções Futuras: Os autores observam que, embora o método seja promissor, identificar funções de perda que sejam tanto motivadas fisicamente quanto mais baratas de propagar do que o estimador MMD continua sendo um desafio aberto. Eles também sugerem que incorporar modelos de ruído de dispositivo diretamente na propagação poderia melhorar ainda mais a robustez dos parâmetros treinados.

Mais como este