⚛️ física quântica

PyQLAS: A Quantum-Classical Hybrid Solver Library for Linear Systems

Este artigo apresenta o PyQLAS, uma biblioteca híbrida quântico-clássica que possibilita soluções escaláveis para sistemas lineares ao ratear dinamicamente as tarefas computacionais entre componentes quânticos e clássicos, permitindo que a largura do circuito quântico permaneça fixa enquanto o hospedeiro clássico lida com o crescimento do problema, e valida esta abordagem no sistema de fluxo de potência IEEE 118-bar com alta precisão.

Autores originais: Meng-Han Dou, Teng-Yang Ma, Chuang-Chao Ye, Zhao-Yun Chen, Guo-Ping Guo

Publicado 2026-11-02

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Meng-Han Dou, Teng-Yang Ma, Chuang-Chao Ye, Zhao-Yun Chen, Guo-Ping Guo

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 vasto cenário da engenharia moderna, desde o design de asas de aeronaves até a gestão do fluxo de eletricidade através de um continente, um único tipo de problema matemático aparece repetidamente. Estes são os sistemas de equações lineares, que podem ser pensados como um enorme conjunto de regras interconectadas que devem todas ser satisfeitas ao mesmo tempo. Imagine tentar equilibrar uma balança complexa onde mover um peso desloca toda a estrutura; encontrar o ponto de equilíbrio correto é a tarefa central destes cálculos. Durante décadas, os engenheiros têm dependido de computadores clássicos poderosos para resolvê-los, mas à medida que os problemas se tornam maiores e mais intrincados, o tempo necessário para encontrar uma resposta pode estender-se por dias ou até tornar-se impossível. A computação quântica oferece uma promessa tentadora de resolver estes problemas específicos muito mais rapidamente, potencialmente reduzindo uma tarefa que leva anos para segundos. No entanto, as máquinas quânticas disponíveis hoje são pequenas, frágeis e propensas a erros, o que significa que ainda não conseguem enfrentar estes problemas massivos sozinhas. O desafio para os cientistas não é apenas construir um computador quântico mais rápido, mas sim descobrir como fazer um dispositivo quântico pequeno e ruidoso trabalhar em perfeita harmonia com um computador clássico para resolver um problema que é demasiado grande para qualquer um deles lidar sozinho.

Uma equipa de investigadores abordou este desafio criando uma nova biblioteca de software chamada PyQLAS, que atua como uma ponte entre os mundos quântico e clássico. Em vez de tratar o computador quântico como uma caixa mágica independente, este sistema trata-o como uma ferramenta especializada que lida com uma parte pequena e limitada do trabalho, enquanto o computador clássico gere o esforço pesado do processo global. Os investigadores construíram três camadas distintas de resolvedores em torno de um único motor quântico. A camada mais interna utiliza o dispositivo quântico para encontrar uma resposta aproximada para uma versão simplificada do problema. A camada intermédia pega nessa resposta aproximada e utiliza o computador clássico para corrigir os erros restantes. A camada exterior adiciona uma camada adicional de refinamento clássico, projetando a solução num espaço matemático estável. Este design permite que a parte quântica do cálculo permaneça pequena e de tamanho fixo, independentemente de quão grande se torne o problema de engenharia real. O computador clássico absorve o crescimento, lidando com a complexidade que o dispositivo quântico ainda não consegue gerir.

Para testar se esta abordagem funciona no mundo real, a equipa aplicou a sua biblioteca a um problema padrão e difícil utilizado por engenheiros eletricistas: calcular o fluxo de potência através de uma rede com 118 pontos de conexão. Este é um problema não linear, o que significa que as equações mudam à medida que a solução é encontrada, exigindo que o computador resolva um sistema linear repetidamente dentro de um ciclo maior. Os investigadores executaram esta simulação num computador clássico que imita uma máquina quântica perfeita, bem como num processador quântico supercondutor real e ruidoso, disponível através de um serviço de nuvem. Eles descobriram que o seu sistema híbrido conseguia navegar com sucesso em todo o processo. Quando o sistema encontrava uma etapa difícil onde as equações estavam mal equilibradas, o software ajustava automaticamente o problema para o tornar solucionável, um processo conhecido como pré-condicionamento. O resultado final foi uma solução que coincidiu com a referência clássica estabelecida com extrema precisão, diferindo em menos de 0,000000023 na magnitude da tensão e menos de 0,0000034 graus na fase da tensão.

O estudo revelou que a chave para o sucesso não foi apenas o algoritmo quântico em si, mas sim como o trabalho foi dividido. Os investigadores descobriram que, se tentassem deixar o computador quântico fazer demasiado, a solução falharia, especialmente quando o problema era grande ou as equações eram difíceis. No entanto, ao manter o circuito quântico pequeno e fixo, e deixar o computador clássico lidar com as iterações e correções, o sistema manteve-se estável. Também descobriram que um tipo específico de ajuste interno, chamado pré-condicionador interno, foi crucial para ajudar a parte quântica a ter sucesso em problemas difíceis, elevando a taxa de sucesso de meros 15 por cento para cerca de 80 por cento em certos testes. Por outro lado, demonstraram que um ajuste externo separado ajudou a reduzir o tempo e os recursos totais necessários, tornando o processo cerca de 650 vezes mais rápido em termos de tempo de espera pelo dispositivo quântico, sem alterar a resposta final.

Este trabalho demonstra que o caminho a seguir para a computação quântica na engenharia não é esperar por máquinas perfeitas e livres de erros, mas sim construir sistemas robustos que possam funcionar com as ferramentas imperfeitas que temos hoje. Os investigadores mostraram que, ao repartir cuidadosamente o trabalho, um pequeno dispositivo quântico pode ser inserido nos fluxos de trabalho de engenharia existentes sem os interromper. A biblioteca que criaram permite que os engenheiros substituam um simulador por um processador quântico real com uma única linha de código, mantendo o resto da sua simulação complexa inalterada. Os resultados sugerem que, embora os computadores quânticos ainda não estejam prontos para substituir os clássicos, estão prontos para se tornarem uma parte útil e integrada do kit de ferramentas da engenharia, desde que sejam guiados por um hospedeiro clássico que saiba gerir as suas limitações. A equipa concluiu que, para aplicações práticas, a estratégia mais eficaz é utilizar o resolvedor híbrido mais avançado disponível, ativar os ajustes internos para garantir a estabilidade e escolher o ambiente de computação adequado para cada fase do trabalho, utilizando simulações perfeitas para o desenvolvimento e hardware real para a validação final.

Resumo Técnico: PyQLAS – Uma Biblioteca de Solução Híbrida Quântico-Clássica para Sistemas Lineares

Declaração do Problema

Sistemas lineares formam o núcleo computacional da prática de engenharia, surgindo de discretizações de equações diferenciais parciais e exigindo soluções repetidas dentro de passos de tempo implícitos, iterações de Newton e varreduras de parâmetros. Esses sistemas são frequentemente de grande escala e mal condicionados. Embora algoritmos quânticos (ex: HHL) ofereçam vantagens assintóticas, as limitações do hardware atual — especificamente a falta de correção de erros e a longa evolução coerente — impedem sua aplicação direta. Os frameworks de software existentes (ex: Qiskit) fornecem substratos de execução, mas carecem de solvers lineares integrados, forçando os usuários a montar manualmente solvers, loops de iteração e controles de recursos. Além disso, solvers lineares variacionais são tipicamente distribuídos como protótipos de camada única que carecem de recursos essenciais de engenharia, como precondicionamento, alinhamento de dimensão e checkpointing.

O desafio central abordado é a falta de um componente de engenharia estável e reutilizável que divida efetivamente o trabalho entre um dispositivo quântico ruidoso e um host clássico. Um solver prático deve aceitar matrizes geradas pela aplicação, retornar resultados verificáveis e comportar-se de forma previsível em sistemas difíceis sem exigir que o usuário redesenhe o algoritmo para cada restrição de hardware.

Metodologia

Os autores apresentam o PyQLAS, uma biblioteca Python produtizada projetada para resolver sistemas lineares ( $Ax=b$ ) em backends quânticos e híbridos. A arquitetura da biblioteca é definida por uma divisão deliberada de tarefas: o dispositivo quântico executa uma sub-rotina variacional limitada, enquanto o host clássico gerencia a iteração, a convergência, o orçamento de recursos e o precondicionamento.

Arquitetura

O PyQLAS é organizado em duas camadas primárias:

Camada de Solver: Construído em torno de um núcleo variacional único (QOptimizer), a biblioteca expõe três solvers aninhados:
- VQSolver: Trata $Ax=b$ como um problema variacional único.
- IVQSolver: Envolve o VQSolver em uma iteração externa que corrige o resíduo.
- GVQSolver: Envolve o IVQSolver com uma projeção de subespaço de Krylov (GMRES).
- Recurso de Design Chave: À medida que se avança de VQ para GVQ, a largura do circuito quântico permanece fixa, enquanto o host clássico absorve o aumento da carga computacional (controle de iteração, contabilidade de resíduos, projeção de subespaço). Isso permite que a carga quântica seja reequilibrada elasticamente contra a carga clássica.
Camada de Execução: Fornece uma interface independente de backend via QTask (descrição de tarefa imutável) e QMachine (executor estatal). Suporta três backends:
- State: Simulador de vetor de estado exato.
- Dummy: Amostrador local (probabilístico).
- Cloud: Processador supercondutor real (OriginQ).

Estratégia de Precondicionamento

A biblioteca implementa dois níveis independentes de precondicionamento:

Precondicionador Externo: Uma função clássica (Preconditioner) aplicada antes da construção do solver. Ela realiza a fatoração LU incompleta (ILU) para reduzir o número de condição e faz o padding da dimensão do sistema para a potência de dois mais próxima (usando um bloco identidade desacoplado) para atender aos requisitos do solver.
Precondicionador Interno: Integrado dentro do solver (prec_lev argument), atuando sobre o operador minimizado pelo núcleo variacional para estender a faixa de números de condição solucionáveis.

Fluxo de Trabalho

O fluxo de trabalho aceita matrizes e arrays do lado direito, aplica opcionalmente o precondicionador externo, seleciona uma camada de solver e executa o loop iterativo. O sistema suporta checkpointing para retomar resoluções interrompidas e impõe orçamentos de dispositivo (contagens de tarefas e limites de tempo).

Principais Contribuições

Biblioteca Híbrida Produtizada: Diferente de demonstrações algorítmicas, o PyQLAS é um componente de engenharia estável com uma interface pequena e fixa que oculta a complexa maquinaria interna (solvers aninhados, precondicionamento, gerenciamento de recursos).
Alocação Elástica de Recursos: O design de solver aninhado permite que a largura do circuito quântico permaneça constante enquanto o host clássico escala para lidar com problemas maiores ou requisitos de convergência mais rigorosos.
Portabilidade de Backend: O mesmo código roda sem modificações em simuladores exatos, amostradores locais e processadores quânticos reais.
Duplo Precondicionamento: A separação do precondicionamento externo (clássico, dimensão/condicionamento) e interno (variacional, convergência) fornece um conjunto de ferramentas flexível para lidar com sistemas mal condicionados.

Resultados

A biblioteca foi validada em sistemas sintéticos e no problema de fluxo de potência do barramento IEEE 118 (IEEE 118-bus), um caso de teste de engenharia padrão envolvendo Jacobianos mal condicionados dentro de uma iteração de Newton-Raphson.

Desempenho em Sistemas Sintéticos

Escalabilidade de Qubits: Para o VQSolver base, as taxas de sucesso caem drasticamente conforme o número de qubits ( $n$ ) aumenta além de 2 devido aos limites de expressividade do ansatz. No entanto, as camadas externas (IVQSolver e GVQSolver) mantêm taxas de sucesso próximas a 100% ao transferir o fardo para as iterações clássicas. O GVQSolver, em particular, confina o trabalho quântico a um subespaço fixo (ex: 2 qubits para uma dimensão de subespaço de 4), tornando o custo quântico independente do tamanho total do sistema.
Número de Condição: O desempenho do VQSolver degrada rapidamente com o aumento do número de condição ( $\kappa$ ). O IVQSolver mitiga isso até $\kappa \approx 300$ , enquanto o GVQSolver estende a tolerância para $\kappa \approx 1000$ . Habilitar o precondicionador interno melhora significamente as taxas de sucesso (ex: de 15% para 80% em $\kappa=1000$ ) e reduz a contagem de circuitos em uma ordem de magnitude.
Parâmetros do Ansatz: O sucesso do solver base é estritamente limitado pelo número de parâmetros do ansatz em relação à dimensão do espaço de estados ( $2^n - 1$ ). As camadas externas iterativas compensam a expressividade insuficiente do ansatz, permitindo soluções precisas mesmo com parâmetros mínimos.
Execução de Backend: No backend de nuvem ("cloud"), a maior parte do tempo de máquina é consumida pelo envio, fila e recuperação de jobs, em vez do tempo de execução do QPU, especialmente em contagens baixas de shots. Aumentar a contagem de shots não reduziu monotonicamente o número total de circuitos necessários, pois o ruído de amostragem altera a trajetória de otimização em vez de apenas perturbar um caminho fixo.

Estudo de Caso de Engenharia: Sistema IEEE 118-bus

Configuração: O solver foi incorporado em uma iteração Newton clássica para resolver equações de fluxo de potência. O Jacobiano (ordem 181) era mal condicionado ( $\kappa \approx 3.1 \times 10^3$ ).
Impacto do Precondicionamento: O precondicionador externo reduziu o número de condição para $\approx 1.3 \times 10^2$ e fez o padding da dimensão para 256. Isso reduziu as rodadas de GMRES necessárias por passo de Newton de 2140 (sem precondicionamento) para 7, um fator de aceleração de ~300 em rodadas e ~650 em tempo.
Precisão: A solução híbrida convergiu para a tolerância especificada ( $10^{-6}$ p.u. de desbalanceamento de potência). A solução final reproduziu a referência clássica com um erro máximo de magnitude de tensão de $2.3 \times 10^{-8}$ p.u. e um erro de ângulo de tensão de $3.4 \times 10^{-6}$ graus.
Uso de Recursos: Toda a resolução utilizou apenas 2 qubits (devido à dimensão de subespaço fixa) e 2492 circuitos, demonstrando que o consumo de recursos quânticos é desacoplado do tamanho do problema.

Significância e Alegações

O artigo afirma que o PyQLAS representa uma mudança de "demonstração de algoritmo" para "componente de engenharia". Sua significância reside em fornecer uma divisão deliberada de tarefas onde o dispositivo quântico é tratado como um recurso limitado para sub-rotinas específicas, enquanto o host clássico impulsiona o processo de solução global.

Os autores enfatizam que a biblioteca não é uma ferramenta de tolerância a falhas, mas uma solução prática para hardware ruidoso de curto prazo (NISQ). Ao validar o sistema em um problema de engenharia real (IEEE 118-bus), onde o solver é incorporado em um fluxo de trabalho clássico maior, o artigo demonstra que solvers lineares quânticos podem ser integrados em loops de simulação existentes sem exigir que a aplicação seja reescrita como um experimento separado. Os resultados confirmam que, com organização híbrida apropriada (solvers aninhados e precondicionamento), os solvers lineares quânticos podem alcançar precisão de nível de engenharia em hardware real, mantendo os requisitos de recursos quânticos fixos e gerenciáveis.