🤖 aprendizado de máquina

Quantum Evolution Kernel for Node-Attributed Graphs

Este artigo propõe um novo kernel de evolução quântica para grafos com atributos de nós que utiliza codificação de estado quântico de três níveis e distância de Wasserstein para alcançar maior precisão em tarefas de reconhecimento de dígitos em comparação com métodos clássicos baseados na distância de Jensen-Shannon, tudo simulado em computadores quânticos de átomos neutros utilizando a biblioteca Pulser da Pasqal.

Autores originais: Manuel Padovani, Alessandra Di Pierro, Claudia Daffara

Publicado 2026-10-28

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Manuel Padovani, Alessandra Di Pierro, Claudia Daffara

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

Os computadores há muito são especialistas em reconhecer padrões em dados, desde a classificação de fotos de gatos até a leitura de notas manuscritas. Por décadas, as ferramentas mais bem-sucedidas para essa tarefa basearam-se na matemática clássica, tratando a informação como listas fixas de números ou conexões simples. No entanto, uma nova fronteira está se abrindo no campo do aprendizado de máquina, onde cientistas estão começando a usar as estranhas leis da mecânica quântica para processar informações de maneiras que eram anteriormente impossíveis. Neste reino, os dados não são apenas calculados; eles são evoluídos. Em vez de simplesmente processar números, os pesquisadores podem guiar um sistema através de uma série de mudanças físicas, permitindo que os dados interajam consigo mesmos de uma forma que revela relações ocultas. Essa abordagem é particularmente promissora para analisar formas e redes complexas, conhecidas como grafos, que aparecem em toda parte, desde redes sociais até moléculas químicas. O desafio tem sido encontrar uma maneira de alimentar esses grafos complexos e multifacetados em máquinas quânticas sem perder os detalhes sutis que os tornam únicos.

Uma equipe de pesquisadores da Universidade de Verona deu um passo significativo para resolver esse problema ao desenvolver um novo método para traduzir grafos para a linguagem dos computadores quânticos de átomos neutros. Essas máquinas usam átomos individuais, mantidos no lugar por lasers, para representar pontos de dados. Os pesquisadores focaram em um tipo específico de grafo onde cada ponto, ou nó, carrega seu próprio conjunto de características, como a cor de um pixel em um desenho ou as propriedades químicas de um átomo em uma molécula. O objetivo deles era criar um sistema que pudesse não apenas ver a forma do grafo, mas também entender as características únicas anexadas a cada parte dele. Para fazer isso, eles projetaram um processo que mapeia a estrutura de um grafo nas posições físicas dos átomos e, em seguida, codifica os detalhes específicos de cada nó nos estados de energia interna desses átomos.

O cerne de sua inovação reside em como eles lidam com esses estados internos. Os métodos tradicionais frequentemente tratam os átomos como interruptores simples que estão ligados ou desligados. A equipe de Verona, no entanto, utilizou um sistema de três níveis mais complexo. Eles usaram lasers para empurrar suavemente os átomos para um estado intermediário, distinto tanto de seu estado de repouso quanto de seu estado altamente excitado. Isso permitiu que codificassem duas informações diferentes para cada nó simultaneamente. Uma parte do sistema capturava a forma geral do grafo ao organizar os átomos em um padrão específico, enquanto a outra parte usava os níveis de energia interna para armazenar as características únicas de cada nó. Essa separação significou que o computador poderia processar a estrutura e os detalhes de forma independente, preservando a riqueza dos dados originais.

Para testar sua ideia, os pesquisadores recorreram a um problema clássico: o reconhecimento de dígitos manuscritos. Eles pegaram imagens de números de um conjunto de dados padrão e as converteram em grafos, onde cada pixel se tornou um nó e as conexões entre eles formaram as linhas do dígito. Eles então alimentaram esses grafos em uma simulação de um computador quântico de átomos neutros. O sistema evoluiu os átomos por um breve momento, permitindo que eles interajam e se emaranhem, antes de os pesquisadores medirem o estado final. Em vez de procurar por uma única resposta, eles analisaram os padrões estatísticos dos resultados, criando uma "impressão digital" única para cada dígito. Eles então compararam essas impressões digitais para ver o quão semelhantes ou diferentes os dígitos eram uns dos outros.

Os pesquisadores descobriram que a maneira como mediam a diferença entre essas impressões digitais importava muito. Eles testaram várias formas matemáticas de comparar os padrões, incluindo métodos que foram populares em estudos anteriores. Eles descobriram que uma abordagem específica, conhecida como distância de Wasserstein, era muito superior para seus dados. Este método é particularmente bom em medir quanto "trabalho" seria necessário para transformar um padrão em outro, capturando as mudanças geométricas sutis que outros métodos perderam. Quando usaram essa medida de distância, seu sistema quântico alcançou uma precisão média maior no reconhecimento dos dígitos do que os métodos mais antigos e comuns.

O estudo também destacou a importância da informação extra anexada aos nós. Quando os pesquisadores removeram as características específicas dos nós e confiaram apenas na forma do grafo, o desempenho do sistema caiu. Isso confirmou que seu método de codificar detalhes locais nos estados internos dos átomos era essencial para a tarefa. Embora o sistema quântico ainda não tenha superado os programas de computador clássicos mais avançados projetados para esse trabalho específico, ele teve um desempenho equivalente ao de algumas das melhores ferramentas tradicionais de correspondência de grafos. Este é um resultado notável porque o sistema quântico estava rodando em uma simulação com limites estritos no número de átomos que podia manipular, mas ainda assim conseguiu extrair padrões significativos dos dados.

Os pesquisadores foram cuidadosos ao notar que seu trabalho era um protótipo. Todo o processo foi simulado em um computador clássico para imitar o comportamento de um dispositivo quântico real, o que significa que os resultados são uma prova de conceito e não uma demonstração de um produto acabado. Eles também descobriram que o sistema era sensível ao tempo dos pulsos de laser; se os átomos fossem deixados para evoluir por muito tempo, o sinal tornava-se ruidoso e a precisão sofria. Ao encontrar o momento preciso para interromper a evolução, eles maximizaram a clareza da informação. O estudo sugere que, à medida que o hardware quântico real melhore e possa lidar com um maior número de átomos, essa abordagem pode se tornar uma ferramenta poderosa para analisar estruturas de dados complexas.

Fundamentalmente, este trabalho demonstra que é possível mapear a informação rica e de múltiplas camadas de grafos do mundo real nos estados delicados de átomos quânticos. Ao combinar o arranjo físico dos átomos com seus níveis de energia interna, e ao usar uma maneira inteligente de comparar os padrões resultantes, os pesquisadores mostraram um caminho viável para o aprendizado de grafos quânticos. As descobertas sugerem que, no futuro, essas máquinas poderão oferecer uma nova maneira de entender sistemas complexos, desde o reconhecimento de caligrafia até a previsão do comportamento de novos materiais, ao ver os dados não apenas como números, mas como formas físicas em evolução.

Resumo Técnico: Núcleo de Evolução Quântica para Grafos com Atributos de Nós

Declaração do Problema

O aprendizado de máquina em grafos é um campo crítico para representar problemas do mundo real, porém os métodos clássicos enfrentam limitações significativas. Os núcleos de grafos tradicionais (ex: Weisfeiler-Lehman) frequentemente ignoram atributos contínuos de nós, enquanto as Redes Convolucionais de Grafos (GCNs) são teoricamente limitadas pelo teste de isomorfismo 1-WL, sofrem de sobre-suavização (over-smoothing) e incorrem em altos custos computacionais à medida que o tamanho do grafo aumenta. Além disso, incorporar múltiplos atributos contínuos de nós em núcleos de grafos quânticos analógicos permanece um desafio amplamente inexplorado. Este artigo aborda a necessidade de um paradigma quântico capaz de codificar tanto a estrutura do grafo quanto atributos contínuos de nível de nó em processadores quânticos de átomos neutros, visando especificamente o regime de baixos dados, onde os núcleos quânticos têm mostrado promessa.

Metodologia

A abordagem proposta estende o framework do Núcleo de Evolução Quântica (QEK) para lidar com grafos com atributos de nós utilizando os processadores de átomos neutros da Pasqal. A metodologia envolve três estágios principais:

1. Codificação Física e Hamiltoniana

O sistema utiliza átomos neutros com três estados relevantes: dois estados fundamentais hiperfinos de baixa energia ( $|g\rangle$ e $|h\rangle$ ) e um estado de Rydberg de alta energia ( $|r\rangle$ ).

Estrutura do Grafo: Codificada através do posicionamento espacial dos átomos. Nós conectados são colocados dentro de um raio de bloqueio de Rydberg ( $R_b$ ) para permitir interações via força de van der Waals ( $1/R^6$ ), enquanto nós não conectados são colocados além desse raio.
Atributos de Nó: Diferente de trabalhos anteriores que utilizavam apenas lasers de Rydberg, este método introduz pulsos de laser Raman locais para acoplar os estados $|g\rangle$ e $|h\rangle$ . Isso cria um sistema de três níveis (qutrit) por átomo. Os vetores de atributos de nó são normalizados e mapeados para ângulos de rotação ( $\theta_1, \theta_2$ ) na esfera de Bloch, modulando efetivamente a transferência de população entre $|g\rangle$ e $|h\rangle$ .
Evolução: O sistema evolui sob uma Hamiltoniana que compreende rotações locais ( $U_{local}$ ) e interações de Rydberg globais ( $U_{int}$ ). O estado final $|\Psi(t)\rangle$ é o resultado dessas camadas sucessivas.

2. Medição e Extração de Distribuição

Como o hardware não consegue distinguir diretamente todos os três estados, as medições são realizadas na base fundamental-Rydberg (bit 0 para $|g\rangle$ ou $|h\rangle$ , bit 1 para $|r\rangle$ ).

Distribuição de Ocupação: Derivada do peso de Hamming das strings de bits (fração de átomos excitados).
Distribuição de Correlação: Derivada das correlações de dois pontos $\langle Z_i Z_j \rangle - \langle Z_i \rangle \langle Z_j \rangle$ .
Invariância de Escala: Estas distribuições são agregadas para criar representações de grafos invariantes ao tamanho.

3. Construção do Núcleo

O artigo define um núcleo quântico baseado na distância entre distribuições de probabilidade derivadas das medições.

Métrica de Distância: Os autores utilizam a distância de Wasserstein ( $W_1$ ) (Distância do Transportador da Terra) em vez da comumente usada distância de Jensen-Shannon (JS). A $W_1$ preserva informações geométricas e evita perdas de discretização associadas ao agrupamento (binning), embora possua uma complexidade de tempo maior.
Formulação do Núcleo: O núcleo é definido como $K(P, Q) = \exp(-\gamma D(P, Q))$ . Duas estratégias de agregação são testadas: uma soma ponderada de núcleos individuais e um produto de distâncias somadas.
Classificação: O núcleo resultante é alimentado em um Classificador de Vetores de Suporte (SVC) com uma estratégia um-contra-um para classificação multiclasse.

Configuração Experimental

Conjunto de Dados: Um subconjunto do conjunto de dados de dígitos manuscritos MNIST foi convertido em grafos. As imagens passaram por binarização, esqueleto (skeletonization) e refinamento de grafo (fusão de nós próximos, remoção de nós colineares).
Restrições: Devido aos limites de simulação usando a biblioteca Pulser da Pasqal, os grafos foram filtrados para terem $|V| \le 9$ nós.
Atributos: Quatro atributos de nível de nó foram codificados: coordenadas de pixels (escalonadas), ângulo de desvio de arestas consecutivas e direção da bissetriz.
Linhas de Base (Baselines): O método foi comparado contra núcleos de grafos Weisfeiler-Lehman (WL) clássicos (com várias configurações de atributos) e uma Rede Convolucional de Grafos (GCN).

Resultados Principais

Eficácia da Métrica de Distância: A distância de Wasserstein alcançou a maior precisão média em todos os tamanhos de conjunto de treinamento em comparação com as distâncias de Jensen-Shannon, Hellinger e L2. A distância JS apresentou um desempenho ligeiramente inferior, e o desempenho degradou ao aumentar as contagens de bins, sugerindo que a capacidade da $W_1$ de lidar com distribuições contínuas sem agrupamento é superior para esta tarefa.
Importância dos Atributos: O núcleo quântico com atributos de nível de nó superou a versão sem eles, confirmando que a informação local melhora a classificação.
Comparação com Linhas de Base Clássicas:
- A GCN alcançou a maior precisão geral, como esperado para modelos de aprendizado profundo.
- O Núcleo Quântico (usando Wasserstein) apresentou desempenho comparável ao núcleo WL de apenas posição e superou os núcleos WL de apenas ângulo e sem atributos.
- No entanto, o núcleo quântico não superou o núcleo WL de posição-ângulo combinado nem a GCN em precisão média.

Significância e Alegações

O artigo afirma demonstrar a viabilidade arquitetônica de codificar atributos contínuos de múltiplos atributos em hardware de átomos neutros analógicos. Suas principais contribuições são:

Codificação Inovadora: Introdução de um sistema de três níveis por átomo via lasers Raman para separar a codificação de atributos de nó da codificação topológica, enriquecendo o espaço de Hilbert local.
Seleção de Métrica: Estabelecimento de que a distância de Wasserstein é mais eficaz do que a métrica de Jensen-Shannon para núcleos de grafos baseados em distribuições de medição quântica neste contexto.
Validação de Protótipo: Demonstrar que, mesmo com um circuito simples e tempos de evolução curtos, o método consegue extrair informações baseadas em correlação úteis para tarefas de classificação.

Os autores mantêm-se modestos quanto ao desempenho atual, observando que o design de circuito simples e os tempos de evolução curtos impediram o método de superar os núcleos clássicos de estado da arte ou a GCN. Eles postulam que designs mais refinados com codificações elaboradas e tempos de evolução mais longos poderiam melhorar o desempenho. O trabalho serve como uma linha de base para futuras implementações em larga escala, destacando que, embora a codificação escale linearmente com o tamanho do grafo em hardware real, gerenciar os custos de pós-processamento clássico para matrizes de correlação continua sendo um desafio crítico para a escalabilidade.