Data informed Ansatz Selection for Variational Quantum Circuits

No campo emergente do aprendizado de máquina quântico, pesquisadores estão tentando ensinar máquinas a aprender padrões usando as estranhas leis da física quântica. Em vez dos chips de silício padrão encontrados nos computadores de hoje, essas máquinas usam bits quânticos, ou qubits, que podem existir em múltiplos estados ao mesmo tempo. Para fazer essas máquinas aprenderem, cientistas projetam circuitos especiais feitos de portas quânticas que processam informações. Esses circuitos não são fixos; são modelos flexíveis chamados "ansätze", preenchidos com botões e seletores que podem ser girados para mudar como a máquina se comporta. O objetivo é encontrar a configuração perfeita para esses botões para que a máquina possa classificar dados com precisão, como distinguir entre diferentes tipos de imagens ou sinais. No entanto, encontrar o design de circuito certo tem sido um jogo de adivinhação. Tradicionalmente, os pesquisadores tiveram que construir muitas versões desses circuitos, executá-los e treiná-los repetidamente para ver qual funcionava melhor. Esse processo de tentativa e erro é incrivelmente caro e lento, consumindo vastas quantidades de poder computacional antes que um único resultado útil seja produzido.

Uma equipe de pesquisadores do Instituto Indiano de Tecnologia Madras e da Universidade de Tecnologia e Design de Singapura propôs uma maneira de acabar com esse jogo de adivinhação. Eles descobriram três regras simples que permitem aos cientistas projetar uma arquitetura de circuito quântico específica para uma tarefa específica usando apenas os próprios dados, sem a necessidade de realizar sequer uma sessão de treinamento. A abordagem deles trata o processo de design como um check-up de diagnóstico, em vez de uma busca cega. Ao olhar atentamente para a estrutura dos dados que desejam classificar, eles podem determinar exatamente quantos níveis de portas são necessários, quais qubits devem ser conectados e como ler a resposta final. Este método elimina a necessidade das buscas massivas de força bruta que atualmente dominam o campo, substituindo-as por um caminho claro e lógico para uma solução altamente eficaz.

A primeira regra aborda uma questão fundamental: o circuito precisa conectar seus qubits? Na computação quântica, o "emaranhamento" é uma conexão poderosa onde o estado de um qubit influencia instantaneamente outro. Embora o emaranhamento seja frequentemente visto como essencial para a vantagem quântica, ele também é difícil de criar e manter. Os pesquisadores descobriram que, para muitas tarefas, o emaranhamento não é de fato necessário. Eles desenvolveram um teste que observa os padrões matemáticos escondidos dentro dos dados. Se os padrões dos dados puderem ser descritos por partes simples e independentes, o teste revela que um circuito sem emaranhamento é suficiente. Se os padrões forem muito complexos e entrelaçados, o teste identifica exatamente quais qubits precisam ser conectados. Esta etapa de diagnóstico acontece antes de qualquer treinamento começar, poupando o pesquisador de construir circuitos caros demais para o trabalho ou simples demais para funcionar.

A segunda regra resolve o problema da profundidade, ou quantos níveis de portas o circuito deve ter. No passado, acreditava-se que adicionar mais camadas tornava o circuito mais inteligente, mas adicionar camadas demais pode fazer com que a máquina perca sua capacidade de aprender, um fenômeno conhecido como "platô estéril" (barren plateau). Os pesquisadores descobriram uma lei matemática precisa que dita exatamente quando um circuito para de ganhar novas direções de movimento independentes. Eles descobriram que o número de maneiras independentes de um circuito mudar cresce constantemente a cada camada adicionada, mas apenas até um limite específico determinado pelos tipos de portas usados. Uma vez que o circuito atinge esse limite, as regras preveem que adicionar mais camadas não produz novas direções; no entanto, experimentos mostraram que circuitos mais profundos ainda podem melhorar o desempenho, provavelmente porque a sobreparametrização facilita o processo de otimização. Ao calcular este limite com base nas portas escolhidas, os pesquisadores podem prescrever uma profundidade que alcance a capacidade máxima, embora tenham observado que ir além pode ainda oferecer ganhos práticos.

A terceira regra diz respeito a como a máquina lê seus próprios resultados. Depois que um circuito quântico processa os dados, ele deve ser medido para produzir uma resposta final. A maneira mais comum de fazer isso é verificar apenas uma propriedade de cada qubit, mas os pesquisadores mostraram que isso é um gargalo severo. É como tentar entender uma pintura complexa olhando apenas para alguns pixels dispersos. Eles demonstraram que, ao medir todas as combinações possíveis de uma propriedade específica entre os qubits em uma única vez, o circuito pode revelar metade da informação escondida em seu estado. Esta é a quantidade máxima de informação que qualquer configuração de medição única pode extrair. Embora este método de leitura abrangente seja teoricamente ideal para resolver direções de estado, testes de ablação no conjunto de dados específico usado mostraram que descartar essas medições extras deixou a precisão média inalterada, sugerindo que, para este alvo específico, a leitura mais simples retinha tanta informação utilizável quanto a complexa.

Para provar que suas regras funcionam, a equipe as aplicou a um conjunto de dados desafiador conhecido como Madelon, que contém milhares de pontos de dados com muitas características confusas. Usando suas três regras, eles projetaram uma arquitetura de circuito específica sem qualquer tentativa e erro. As regras ditaram um design com sete pequenos blocos de três qubits cada, rodando por três camadas, e lendo todas as combinações possíveis de resultados. Este design resultou em um classificador com 239 parâmetros ajustáveis que alcançou uma precisão de teste de 78,5 por cento. Para confirmar que suas escolhas de design estavam corretas, eles realizaram experimentos onde deliberadamente quebraram suas próprias regras. Eles testaram circuitos mais rasos, blocos menores e circuitos que não usavam o método de leitura abrangente. Nos casos de circuitos mais rasos e blocos menores, o desempenho caiu, confirmando que suas regras haviam identificado corretamente o design ideal para aquelas restrições. No entanto, contrariamente à previsão inicial de que o circuito havia atingido seu limite, eles descobriram que simplesmente adicionar mais camadas além da profundidade prescrita melhorou a precisão, validando que, embora as regras fixem a arquitetura com base em direções independentes, circuitos mais profundos ainda podem ganhar com a sobreparametrização.

Este trabalho representa uma mudança significativa na forma como o aprendizado de máquina quântico é abordado. Em vez de depender de buscas automatizadas e caras para encontrar uma agulha em um palheiro, os pesquisadores agora podem usar os próprios dados para desenhar o mapa. As descobertas sugerem que, para muitas tarefas de aprendizado, o melhor circuito não é necessariamente o mais complexo, mas sim aquele que é perfeitamente compatível com a estrutura dos dados. Ao fixar as escolhas de design antes do treinamento começar, este método torna o desenvolvimento de algoritmos quânticos mais rápido, barato e confiável. Embora as regras se apliquem atualmente a condições ideais e sem ruído, elas fornecem uma base sólida para a construção da próxima geração de ferramentas de aprendizado quântico, transformando uma busca caótica em uma ciência precisa.