🔬 física

Benchmarking Modular Optimization Strategies for Parameterized Quantum Circuits

Este artigo introduz uma estrutura de benchmarking modular que desacopla a estimativa da direção de busca quântica das regras de atualização de parâmetros clássicas para avaliar sistematicamente o desempenho e a eficiência de custo de vários otimizadores através de diversas cargas de trabalho quânticas, incluindo QAOA, QCNN e VQE, tanto sob simulações de disparos finitos quanto sob execução em um processador quântico de 156 qubits.

Autores originais: Carla Cotea, Stefan Balauca, Andreea Arusoaie

Publicado 2026-11-02

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Carla Cotea, Stefan Balauca, Andreea Arusoaie

Artigo original sob licença CC BY 4.0 (https://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 computadores quânticos úteis, os cientistas estão trabalhando atualmente com máquinas que são poderosas, mas frágeis. Esses dispositivos, conhecidos como processadores quânticos de curto prazo, podem realizar cálculos com os quais os computadores clássicos têm dificuldade, mas são propensos a erros e perdem seus estados quânticos delicados rapidamente. Para obter resultados úteis deste hardware imperfeito, os pesquisadores dependem de uma abordagem híbrida chamada algoritmos quânticos variacionais. Neste método, um computador quântico atua como uma calculadora especializada que testa uma configuração específica de parâmetros, enquanto um computador clássico padrão atua como um treinador, analisando os resultados e sugerindo como ajustar esses parâmetros para obter uma resposta melhor. O objetivo é encontrar a melhor configuração possível para um problema, seja resolvendo um quebra-cabeça matemático complexo, classificando uma imagem ou simulando uma molécula. No entanto, o caminho para a melhor resposta não é direto. O cenário de soluções possíveis é frequentemente acidentado e cheio de armadilhas, e as medições tiradas do computador quântico são inerentemente ruidosas, o que significa que o treinador recebe um sinal ligeiramente diferente cada vez que faz uma pergunta.

Uma equipe de pesquisadores da Universidade Alexandru Ioan Cuza e do FreeYa Mind Campus, na Romênia, partiu para entender como navegar por este terreno difícil de forma mais eficaz. Eles focaram nas duas partes distintas do processo de treinamento: o método usado para estimar em qual direção mover os parâmetros e a regra usada para atualizar esses parâmetros. Embora muitos estudos anteriores tenham tratado diferentes estratégias de otimização como pacotes completos e imutáveis, esta equipe decidiu separar os dois. Eles trataram a "direção de busca" e a "regra de atualização" como módulos independentes que poderiam ser misturados e combinados. Ao fazer isso, puderam ver exatamente como a escolha de uma parte influenciava o desempenho da outra, em vez de apenas observar qual combinação pré-fabricada funcionava melhor em um único experimento.

Os pesquisadores testaram sua estrutura modular em quatro tipos de problemas muito diferentes. Eles abordaram uma tarefa de otimização combinatória conhecida como MaxCut, que envolve dividir uma rede de conexões em dois grupos para maximizar o número de ligações entre eles. Eles também testaram tarefas de aprendizado supervisionado, usando um pequeno conjunto de dados de medições de flores para classificar espécies e um conjunto maior de dígitos escritos à mão para distinguir entre os números zero e um. Finalmente, aplicaram seus métodos a um problema de química quântica, tentando encontrar o estado de menor energia de uma molécula de hidrogênio. Para cada um desses desafios, eles executaram simulações em um modelo de computador sem ruído e selecionaram configurações em um processador quântico físico com 156 qubits. Eles compararam várias maneiras de estimar o gradiente, ou a inclinação do cenário de solução, incluindo métodos que deslocam levemente os parâmetros para medir a mudança, métodos que perturbam todos os parâmetros de uma vez e métodos que não utilizam gradientes. Estes foram então pareados com diferentes regras de atualização, como ajustes simples passo a passo ou regras adaptativas mais complexas que lembram movimentos passados.

Os resultados revelaram que não existe um único "melhor" otimizador que funcione para todas as situações. O desempenho de uma estratégia dependia fortemente do problema específico sendo resolvido e dos recursos disponíveis. Para o problema MaxCut, um método que perturba todos os parâmetros simultaneamente e usa uma regra de atualização simples teve um bom desempenho em média, embora outra combinação tenha alcançado o melhor resultado individual em uma execução de teste específica. Para a simulação da molécula de hidrogênio, um método que suaviza a direção de busca e usa uma regra de atualização simples produziu o resultado individual mais próximo da resposta correta conhecida, mas uma combinação diferente usando uma estimativa de gradiente padrão e uma regra de atualização adaptativa foi mais consistente ao longo de múltiplas execações de teste. Nas tarefas de classificação de imagens, uma estratégia que ajustava a direção de busca com base na curvatura do cenário e usava uma regra de atualização adaptativa alcançou consistentemente a maior precisão em todas as execuções de teste.

Crucialmente, o estudo destacou que alcançar um resultado melhor muitas vezes vinha com um custo elevado em termos do número de medições necessárias. Alguns métodos que alcançavam a maior precisão precisavam executar o circuito milhares de vezes mais do que outros para chegar lá. Por exemplo, na tarefa de classificação de dígitos, uma configuração alcançou precisão perfeita, mas exigiu cerca de vinte e três vezes mais execuções de circuito do que uma configuração diferente que alcançou uma precisão ligeiramente inferior. Essa troca sugere que o método mais preciso nem sempre é o mais prático, especialmente quando executado em hardware real onde o tempo e os recursos são limitados. Os pesquisadores também descobriram que a escolha da regra de atualização importava significativamente. Alterar a regra usada para ajustar os parâmetros poderia alterar drasticamente a precisão final, mesmo quando o método para estimar a direção permanecia o mesmo. Em alguns casos, uma regra de atualização simples funcionava melhor com um estimador específico, enquanto uma regra adaptativa mais complexa era necessária para que um estimador diferente performasse bem.

Quando a equipe passou das simulações para o processador quântico físico, os resultados foram mistos, mas informativos. As execuções no hardware real mostraram que os algoritmos ainda podiam melhorar as soluções, mas o progresso era frequentemente menos suave e os resultados finais não eram tão bons quanto os observados nas simulações sem ruído. Na experiência da molécula de hidrogênio, a execução no hardware mostrou uma melhoria temporária antes que os resultados começassem a se deteriorar, um comportamento que não foi visto na simulação. Isso sugere que o ruído e as imperfeições do dispositivo físico podem mudar a trajetória da otimização de maneiras imprevisíveis. Os pesquisadores foram cuidadosos ao notar que essas execuções no hardware eram estudos de caso de configurações específicas, e não um ranking definitivo de todos os métodos, pois o número limitado de execuções no dispositivo físico não era suficiente para isolar os efeitos específicos do ruído do hardware de outros fatores.

Em última análise, o estudo fornece um mapa mais claro do cenário de otimização para algoritmos quânticos. Ele demonstra que o desempenho desses algoritmos não é determinado por uma única "bala de prata", mas pela combinação cuidadosa de como o sistema procura uma solução e como ele decide se mover. A melhor escolha depende do problema específico, do orçamento de medição disponível e da necessidade de consistência versus a esperança de um desempenho de pico. Ao separar a estimativa da direção de busca da regra de atualização, os pesquisadores mostraram que os cientistas podem agora ajustar esses componentes de forma independente para encontrar o caminho mais eficiente para suas necessidades específicas. Esta abordagem modular oferece uma maneira prática de navegar no mundo ruidoso e incerto da computação quântica de curto prazo, ajudando os pesquisadores a tirar o máximo proveito das máquinas poderosas, porém imperfeitas, que possuem atualmente.

Resumo Técnico: Avaliação Comparativa de Estratégias de Otimização Modulares para Circuitos Quânticos Parametrizados

Declaração do Problema

O treinamento de Circuitos Quânticos Parametrizados (PQCs) dentro da era do NISQ (Noisy Intermediate-Scale Quantum) requer um equilíbrio entre o progresso da otimização e os rigorosos orçamentos de avaliação, além da incerteza estatística inerente às medições de disparos finitos (finite-shot measurements). Algoritmos Quânticos Variacionais (VQAs), como o QAOA, o VQE e modelos de Aprendizado de Máquina Quântico (QML), têm demonstrado potencial, mas seu desempenho prático depende fortemente do loop de otimização.

Estudos comparativos existentes frequentemente tratam os otimizadores como "caixas pretas" monolíticas, avaliando pacotes completos (por exemplo, um estimador de gradiente específico pareado com uma regra de atualização específica). Essa abordagem obscurece as contribuições específicas de cada componente individual, tornando difícil determinar se as variações de desempenho decorrem do viés ou da variância do estimador da direção de busca, da regra de atualização clássica ou de sua interação. Além disso, a literatura carece de uma distinção clara entre o custo das execuções de circuitos lógicos e o número total de avaliações do objetivo, particularmente ao lidar com amostragem de disparos finitos e métodos sem derivada.

Metodologia

Os autores propõem um framework de benchmarking modular que desacopla o loop de otimização em duas operações conceituais distintas:

Estimativa da Direção de Busca: O componente quântico que constrói uma direção de busca estimada ( $\hat{d}_k$ ) a partir de medições do circuito.
Atualização de Parâmetro Clássica: O componente clássico que transforma a direção em um passo de atualização de parâmetro ( $p_k$ ) usando uma taxa de aprendizado e o estado do otimizador.

Desenho Experimental

O estudo avalia um conjunto de estratégias através de quatro cargas de trabalho distintas:

Otimização Combinatória: Uma instância de MaxCut de 5 qubits usando QAOA ( $p=2$ ).
Aprendizado Supervisionado (Baixa Dimensão): Classificação Iris usando um Hardware-Efficient Ansatz (HEA) de 4 qubits.
Aprendizado Supervisionado (Alta Dimensão): Classificação binária de MNIST usando uma Rede Neural Convolucional Quântica (QCNN) de 8 qubits com 63 parâmetros.
Química Quântica: Estimativa do estado fundamental da molécula de Hidrogênio ( $H_2$ ) usando VQE com um ansatz UCCSD.

Componentes Comparados

Estimadores de Direção: Regra de Deslocamento de Parâmetros (Parameter-Shift Rule - PSR), Diferenças Finitas (FD), Aproximação Estocástica de Perturbação Simultânea (SPSA), Estimativa de Gradiente Baseada em População (PGPE) e Pré-condicionamento de Curvatura de Observável Diagonal (OCP).
Regras de Atualização: Gradiente Descendente Estocástico (SGD), Adam e RMSprop.
Baselines Sem Derivada: COBYLA, Nelder–Mead e Otimização Bayesiana (mantidos como otimizadores completos e nativos).

Ambientes de Execução

Os experimentos foram conduzidos sob duas condições:

Simulação de Disparos Finitos: Usando o simulador Qiskit Aer com 256 disparos por circuito e sem modelo de ruído, através de três sementes aleatórias (42, 123, 1234).
Hardware Físico: Configurações selecionadas foram executadas no processador ibm_aachen de 156 qubits.

Contabilidade de Recursos

O framework distingue explicitamente entre:

Avaliações do Objetivo: Avaliações completas da função de perda/energia.
Execuções de Circuitos Lógicos: Execuções individuais de circuitos necessárias para computar um objetivo (por exemplo, $1+2M$ para diferenças finitas de coordenadas).
Disparos (Shots): O número total de repetições de medição.

Principais Contribuições

Decomposição Modular: O estudo operacionaliza a separação da estimativa da direção de busca da atualização de parâmetros clássica. Isso permite o exame explícito de como as combinações de estimador–regra de atualização interagem, em vez de tratar os otimizadores como unidades opacas.
Benchmarking de Múltiplas Cargas de Trabalho: Em vez de derivar conclusões de uma única instância de VQA, o estudo compara essas combinações modulares através de tarefas de otimização, classificação e química quântica com contagens de parâmetros e requisitos de medição variáveis.
Diferenciação Explícita de Custo: O framework separa as avaliações do objetivo dos custos de circuitos lógicos, expondo o sobrecarga de recursos introduzida pela contagem de parâmetros, mini-batching e avaliações deslocadas.
Estudos de Caso em Hardware: Configurações selecionadas são executadas em hardware físico para fornecer estudos de caso direcionados aos achados de simulação, em vez de um teste geral de vantagem quântica ou um ranking universal de otimizadores.

Resultados

Desempenho do Simulador (Através das Sementes)

MaxCut (QAOA): O PGPE-SGD alcançou o menor custo médio entre as sementes, enquanto o SPSA-SGD e o PSR-Adam compartilharam o melhor desempenho de pico único. A escolha da regra de atualização impactou significativamente o desempenho; por exemplo, o SPSA teve melhor desempenho com SGD, enquanto o PSR teve melhor desempenho com Adam.
H2 (VQE): O FiniteDiff-RMSprop alcançou o menor erro absoluto médio (2.69 mHa), embora nenhum método tenha atingido consistentemente o limiar de precisão química de 1.6 mHa em todas as sementes. O PGPE-SGD alcançou a estimativa individual mais próxima da referência de Configuração Completa Interação (FCI) em uma semente, mas apresentou maior erro médio.
Classificação (Iris & MNIST): O OCP-RMSprop alcançou a maior acurácia média de teste (100% no Iris e 96.67% no MNIST) e demonstrou o desempenho mais consistente entre as sementes. Regras de atualização adaptativas (Adam, RMSprop) geralmente superaram o SGD nas tarefas de classificação, com melhorias variando de 10 a 35 pontos percentuais.

Desempenho em Hardware

Comportamento de Trajetória: Execuções selecionadas em hardware mostraram melhoria no objetivo em ambos os backends, mas os valores terminais diferiram dos melhores valores observados durante o treinamento. Por exemplo, a trajetória de H2 no hardware mostrou melhoria transitória seguida de deterioração.
Sem Ranking Universal: As execuções em hardware não estabeleceram um ranking definitivo de otimizadores nem isolaram um efeito causal do ruído do dispositivo. As diferenças de desempenho foram atribuídas a uma combinação de ruído, compilação, mitigação e amostragem estocástica.
Resultados Específicos:
- MaxCut: O SPSA-SGD atingiu aproximadamente 78% do corte exato no hardware.
- Iris: O COBYLA alcançou 90% de acurácia de teste no hardware (vs. 100% na simulação).
- QCNN: O OCP-RMSprop alcançou 95% de acurácia de teste no hardware.
- VQE: O PGPE-SGD mostrou um grande desvio da energia de referência no hardware, destacando a sensibilidade do VQE ao ruído do hardware.

Trocas entre Recurso vs. Desempenho

O estudo descobriu que orçamentos de medição mais altos nem sempre geram melhorias proporcionais na qualidade do objetivo. Por exemplo, o OCP-RMSprop exigiu aproximadamente 23 vezes mais avaliações de circuito do que o PGPE-Adam na tarefa QCNN para ganhar apenas uma classificação correta adicional no conjunto de teste. Inversamente, métodos sem derivada como o COBYLA alcançaram acurácia perfeita na tarefa Iris com significativamente menos avaliações de circuito do que os métodos baseados em gradiente.

Significância e Alegações

O artigo afirma modestamente que sua principal contribuição é a operacionalização da separação entre o estimador e a regra de atualização, permitindo que pesquisadores rastreiem os ganhos de desempenho até componentes específicos do loop de otimização.

Não há um Otimizador Universal: Os autores afirmam explicitamente que os resultados não fornecem um ranking universal de otimizadores. O desempenho depende fortemente da carga de trabalho, orçamento de amostragem, perfil de ruído e escolhas de hiperparâmetros.
Seleção Dependente de Contexto: A "melhor" configuração depende do métrica específica (pico vs. média), da tarefa (otimização vs. classificação) e das restrições de recursos.
Limitações de Hardware: Os experimentos de hardware servem como estudos de caso para achados selecionados de simulação. Eles não isolam mecanismos de ruído de hardware ou provam vantagem quântica. Os autores enfatizam que objetivos terminais, melhores objetivos observados e acurácias de classificadores devem ser reportados separadamente para evitar a confusão de diferentes noções de desempenho.

Em conclusão, o estudo fornece uma base de evidências descritiva de como as estratégias de otimização modulares se comportam sob simulação de disparos finitos e execução física, destacando a importância de combinar pares de estimador–atualização com cargas de trabalho específicas, em vez de confiar em um único "melhor" otimizador para todas as tarefas quânticas.