⚛️ física quântica

Engineered Learning Problems on Noisy Quantum Processors

Este artigo demonstra que problemas de classificação projetados em processadores quânticos ruidosos com até 45 qubits podem superar métodos clássicos, particularmente quando aprimorados por mitigação de erros, embora superar técnicas de simulação de última geração, como estados de produto de matriz, continue sendo um desafio significativo.

Autores originais: Esteban Payares, Nadia Milazzo, Ghada Ben Slama, Thomas Cope

Publicado 2026-11-02

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Esteban Payares, Nadia Milazzo, Ghada Ben Slama, Thomas Cope

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

Na corrida para construir máquinas que possam resolver problemas além do alcance dos computadores atuais, cientistas estão explorando um campo onde as próprias regras da física se tornam o processador. Este é o reino do aprendizado de máquina quântico, uma disciplina que tenta usar os comportos estranhos e contraintuitivos de partículas subatômicas para reconhecer padrões e fazer previsões. A ideia central baseia-se em um conceito chamado "kernel", que é essencialmente uma ferramenta matemática para medir o quão semelhantes são duas partes de dados. Em um computador clássico, essa ferramenta funciona comparando pontos de dados de uma maneira familiar. Em um computador quântico, os dados são primeiro traduzidos para a linguagem da mecânica quântica, onde existem em um espaço complexo e de alta dimensão que é difícil de navegar para máquinas clássicas. A esperança é que, ao realizar essa tradução, a máquina quântica possa encontrar conexões ocultas nos dados que os métodos clássicos simplesmente não conseguem ver. No entanto, uma questão persistente paira sobre o campo: será que esses dispositivos quânticos ruidosos e imperfeitos podem realmente superar os supercomputadores clássicos mais poderosos, ou estão apenas lutando sob o peso de sua própria fragilidade?

Uma equipe de pesquisadores partiu para responder a essa pergunta projetando um desafio artificial específico onde um computador quântico poderia, teoricamente, ter uma vantagem. Eles não tentaram resolver um problema do mundo real, como prever o tempo ou diagnosticar uma doença, porque os métodos clássicos para essas tarefas são fortes demais e bem conhecidos. Em vez disso, criaram um quebra-cabeça personalizado. Eles pegaram um conjunto padrão de imagens — fotos de roupas como camisetas e vestidos — e usaram um circuito quântico para transformar os dados em uma nova forma. Em seguida, usaram os resultados dessa transformação para atribuir rótulos às imagens, criando efetivamente um teste onde as respostas "corretas" eram definidas pela própria perspectiva única da máquina quântica. O objetivo era ver se um computador quântico conseguiria prever esses rótulos melhor do que um computador clássico tentando resolver o mesmo quebra-cabeça. Para garantir que os resultados fossem genuínos e não apenas uma peculiaridade de um computador específico, eles realizaram o experimento em dois processadores quânticos diferentes, um com 54 qubits e outro com 20, e até testaram o mesmo problema em diferentes seções do mesmo chip para ver se os resultados se mantinham através de diferentes perfis de ruído.

Os pesquisadores descobriram que, quando os circuitos quânticos eram mantidos relativamente simples, a máquina quântica de fato superava os rivais clássicos. Ela previu os rótulos com um alto grau de precisão, enquanto os melhores modelos clássicos tinham dificuldade em acompanhar. Essa lacuna de desempenho foi clara e reproduzível em todas as configurações de hardware. No entanto, à medida que os pesquisadores tornavam os circuitos quânticos mais profundos e complexos para lidar com mais dados, a vantagem começava a desaparecer. O ruído inerente ao hardware quântico atual — os erros inevitáveis que surgem conforme a máquina opera — começou a distorcer os resultados. Em um certo ponto, com uma profundidade de circuito equivalente a dez etapas de um cálculo específico, o desempenho da máquina quântica caiu tanto que ela não conseguiu mais vencer os modelos clássicos. O computador quântico não estava mais vencendo; estava tão confuso quanto o clássico.

A equipe então recorreu a um conjunto de técnicas conhecidas como mitigação de erro, que são projetadas para limpar os dados ruidosos após a execução do experimento, efetivamente subtraindo os erros conhecidos para revelar o sinal verdadeiro. Eles testaram vários métodos, incluindo um que tenta adivinhar qual teria sido o resultado se a máquina não tivesse nenhum ruído, e outro que usa uma série de pulsos rápidos para estabilizar os qubits. Eles descobriram que nem todos os métodos de correção de erro são criados iguais. Uma técnica, que simplesmente ajustava os números finais com base em como a máquina os lê, falhou em ajudar. Outro método, que tentava extrapolar o resultado livre de ruído, conseguiu restaurar a lacuna de desempenho, mas apenas ao tornar o próprio quebra-ceda mais difícil para o computador clássico resolver, em vez de tornar o computador quântico significativamente melhor. A técnica mais eficaz, no entanto, foi um método que suprimia ativamente o ruído durante o processo. Essa abordagem não apenas restaurou a vantagem da máquina quântica, mas também melhorou sua capacidade de resolver o quebra-cabeça, aproximando seu desempenho do que uma máquina perfeita e livre de ruído alcançaria.

Apesar desses sucessos, os pesquisadores foram cuidadosos ao esclarecer o que seu trabalho não provou. Eles demonstraram que o hardware quântico pode superar modelos de aprendizado de máquina clássicos em uma tarefa específica e projetada, mas também mostraram que essa vantagem não é absoluta. Quando simularam o processo quântico usando um poderoso algoritmo clássico conhecido como estado de produto de matriz, que é projetado para imitar sistemas quânticos, a simulação clássica teve um desempenho tão bom quanto o hardware quântico ruidoso. Isso sugere que a atual vantagem quântica é frágil e depende fortemente do tipo específico de problema e do nível de ruído. A simulação clássica foi capaz de acompanhar porque os circuitos quânticos usados no experimento não eram complexos o suficiente para quebrar os limites da computação clássica. Os pesquisadores concluíram que, embora tenham mostrado um caminho onde as máquinas quânticas podem vencer, o objetivo final de superar os melhores métodos de simulação clássica continua sendo um obstáculo significativo. O caminho a seguir exige o design de problemas que não sejam apenas difíceis para computadores clássicos simularem, mas impossíveis de mimetizar, mesmo com os algoritmos mais avançados disponíveis hoje.

O estudo serve como um mapa realista do cenário atual da computação quântica. Ele confirma que as máquinas quânticas podem fazer coisas que as clássicas não podem, mas apenas sob condições cuidadosamente controladas e com a ajuda da correção de erros. Também destaca que o campo ainda está em uma fase em que o "ruído" da máquina é frequentemente o fator decisivo entre a vitória e a derrota. Ao mostrar que diferentes técnicas de mitigação de erro têm efeitos vastamente distintos, o trabalho fornece um roteiro para experimentos futuros, sugerindo que simplesmente executar um algoritmo quântico não é suficiente; é preciso também escolher as ferramentas certas para limpar a bagunça que a máquina faz. Os pesquisadores não alegaram ter resolvido o problema da vantagem quântica, mas forneceram evidências fortes de que este é um objetivo alcançável, desde que os problemas sejam escolhidos com cuidado suficiente para superar as simulações clássicas que são atualmente o maior obstáculo.

Resumo Técnico: Problemas de Aprendizado Projetados em Processadores Quânticos Ruidosos

Definição do Problema
Apesar das expectativas teóricas de vantagem quântica, demonstrar que o hardware quântico supera os métodos clássicos em aprendizado de máquina permanece uma tarefa elusiva. Velocidades de processamento rigorosas exigem dispositivos tolerantes a falhas, enquanto as abordagens atuais de NISQ (Noisy Intermediate-Scale Quantum), como circuitos quânticos variacionais, enfrentam ceticismo quanto ao seu desempenho empírico. Além disso, estudos de larga escala sugerem que os kernels quânticos frequentemente falham em superar abordagens clássicas de "tamanho único" em dados do mundo real. Este trabalho aborda o desafio de estabelecer uma lacuna de desempenho mensurável entre modelos quânticos e clássicos no hardware atual. Em vez de aplicar kernels quânticos a problemas industriais, os autores adotam uma abordagem de "problema de aprendizado projetado": construir uma tarefa de classificação especificamente desenhada para maximizar a diferença preditiva entre um kernel quântico e um kernel clássico específico.

Metodologia
O estudo implementa um protocolo introduzido por Huang et al. [23] em processadores quânticos supercondutores da IQM (Emerald com 54 qubits e Garnet com 20 qubits).

Construção do Kernel Quântico: Os autores utilizam Kernels Quânticos Projetados (PQK). Os dados são codificados em um circuito quântico via evolução temporal Trotterizada de um Hamiltoniano XXX de Heisenberg 1D inhomogêneo. Em vez de usar a fidelidade total (que sofre de concentração exponencial), o kernel é construído a partir de observáveis locais (expectativas de Pauli de um único qubit), criando efetivamente um kernel de Função de Base Radial (RBF) em um espaço de características de $3n$ dimensões.
Engenharia de Rótulos (Labels): Para criar uma tarefa onde o modelo quântico seja teoricamente superior, os rótulos do "juiz" (referee) são gerados maximizando a complexidade de um modelo clássico (definido por um kernel RBF) enquanto se restringe a complexidade do modelo quântico ao mínimo. Isso é formulado como um problema de autovalor generalizado para maximizar a "diferença geométrica" ( $g$ ) entre os kernels quântico e clássico.
Configuração Experimental: Experimentos foram conduzidos com $n = 15, 30$ e $45$ qubits com diferentes passos de Trotter ( $T = 3$ a $10$). Para garantir que os resultados não fossem artefatos de ajuste ao ruído específico do dispositivo, os autores testaram a reprodutibilidade executando o "desafiante" (predição) em uma Unidade de Processamento Quântico (QPU) diferente ou em uma cadeia de qubits diferente no mesmo chip com um perfil de ruído distinto.
Mitigação de Erros: Diversas técnicas de mitigação foram avaliadas para recuperar o desempenho perdido devido ao ruído:
- Extrapolação de Zero Ruído (ZNE): Usando dobramento unitário global e extrapolação de Richardson.
- Mitigação de Erro de Leitura (REM): Invertendo uma matriz de confusão para erros de leitura de qubit único.
- Twirling de Pauli Adaptativo (APT): Uma nova técnica que explora informações descartadas pelo twirling padrão.
Benchmarks Clássicos: O desempenho foi comparado contra um conjunto de modelos clássicos agnósticos a circuitos (ex: RBF, Linear, Polinomial, MLP, Random Forest) e, crucialmente, contra um kernel quântico simulado classicamente usando Estados de Produto de Matriz (MPS).

Resultos Principais

Lacuna de Desempenho e Ruído: Em $n=15$ qubits, o desafiante quântico inicialmente superou os baselines clássicos por uma margem significativa (ex: lacuna de precisão de +0,30 em $T=3$ ). No entanto, conforme a profundidade do circuito aumentou (para $T=10$ ), o ruído acumulado degradou a fidelidade do kernel quântico em relação ao ideal, fazendo com que a lacuna de desempenho diminuísse e eventualmente desaparecesse (sem lacuna significativa em $T=10$ ). Para sistemas maiores ( $n=30, 45$ ), a lacuna persistiu em todas as profundidades, mas estreitou-se menos dramaticamente do que em $n=15$ .
Eficácia da Mitigação de Erros:
- ZNE: Restaurou com sucesso uma lacuna de desempenho em rótulos gerados por hardware. No entanto, a análise revelou que isso se deveu principalmente ao "efeito do rótulo" — o ZNE alterou os rótulos projetados pelo juiz, tornando a tarefa mais difícil para os modelos clássicos, em vez de melhorar significativamente a fidelidade do próprio kernel do desafiante quântico.
- REM: Provou-se amplamente ineficaz, falhando em alterar a lacuna de desempenho ou melhorar a precisão em rótulos ideais.
- APT: A técnica mais eficaz. Ela suprimiu o erro de característica residual diretamente, aproximando o kernel de hardware significativamente do kernel ideal (aumentando o Alinhamento de Kernel Centrado). O APT restaurou a lacuna de desempenho ao melhorar genuinamente a capacidade preditiva do desafiante quântico, e não apenas ao alterar a dificuldade da tarefa.
Limites de Simulação Clássica: Um desafiante clássico usando uma aproximação MPS (com dimensão de ligação $\chi=128$ ) alcançou uma precisão de predição comparável ao desafiante de hardware quântico ruidoso no experimento $n=45, T=10$ . Isso demonstra que, para o embedding específico utilizado, o problema permanece ao alcance de simulações clássicas de última geração.
Generalização e Escalonamento de Dados: Os autores estenderam a construção de rótulos para permitir novos pontos de teste não incluídos no conjunto de treinamento inicial. Embora isso tenha reduzido a magnitude da lacuna de desempenho, a vantagem quântica persistiu. Além disso, aumentar o tamanho do conjunto de dados ( $N$ ) continuou a melhorar a lacuna de desempenho, sem observar um pico ótimo dentro do intervalo testado ( $N \le 600$ ).

Significância e Alegações
O artigo afirma fornecer evidências fortes de que o desempenho empírico superior de hardware quântico sobre todas as técnicas clássicas é um objetivo alcançável em aprendizado de máquina quântico, desde que o problema seja cuidadosamente projetado. O trabalho demonstra que:

Uma lacuna de desempenho pode ser estabelecida e reproduzida através de diferentes unidades de hardware quântico.
A mitigação de erro, especificamente o Twirling de Pauli Adaptativo, pode reviver essa lacuna ao corrigir o viés nas características, em vez de apenas reescalar magnitudes.
O principal obstáculo para reivindicar "vantagem quântica" neste domínio não é o ruído do hardware em si, mas a capacidade de simuladores clássicos (como MPS) de aproximar o kernel quântico.

Os autores declaram explicitamente que não alegam ter demonstrado vantagem quântica no sentido estrito, pois seu embedding específico pode ser simulado eficientemente de forma clássica. Eles concluem que futuras demonstrações de vantagem devem depender de embeddings que sejam classicamente difíceis de simular, indo além dos atuais modelos de evolução temporal 1D para dinâmicas mais complexas que desafiem os métodos de redes de tensores clássicos. O trabalho destaca que, para problemas projetados, o "melhor" adversário clássico é frequentemente um simulador de circuito, não um modelo padrão de aprendizado de máquina.

Mais como este