🔬 physics

Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy

Este artigo apresenta uma estrutura híbrida de física–aprendizado de máquina utilizando uma Rede Neural Hamiltoniana de Grafo Quântico (QGHNN) para o co-design de circuitos quânticos supercondutores, alcançando uma fidelidade de separação de leitura superior a 99,4% e aproximadamente 86% de precisão no algoritmo de Grover, comparável ao processador IBM Q5 Tenerife.

Autores originais: Mahdi Esmaeili, Katayoun Emadzadeh, M. Hossein Eskandari, Muhamad. B Barfar, Saeed Hajihosseini, Ahmad Salmanogli, Hesam Zandi, Abolfazl Eskandari

Publicado 2026-09-23

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mahdi Esmaeili, Katayoun Emadzadeh, M. Hossein Eskandari, Muhamad. B Barfar, Saeed Hajihosseini, Ahmad Salmanogli, Hesam Zandi, Abolfazl Eskandari

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

Os computadores quânticos prometem resolver problemas que levariam milhares de anos para serem concluídos por máquinas comuns, mas construí-los é como tentar equilibrar uma casa de cartas em um furacão. Essas máquinas dependem de unidades delicadas de informação chamadas qubits, que podem existir em múltiplos estados simultaneamente, permitindo que explorem muitas possibilidades ao mesmo tempo. No entanto, esse estado delicado é facilmente destruído pelo ruído, calor ou até mesmo pelo ato de observá-lo de perto demais. Para tornar um computador quântico útil, os engenheiros devem projetar circuitos que mantenham esses qubits estáveis tempo suficiente para realizar cálculos, enquanto também sejam capazes de ler os resultados claramente antes que a informação desapareça. O desafio é que as configurações que tornam um qubit fácil de ler geralmente o tornam mais difícil de realizar cálculos complexos, e as configurações que o ajudam a calcular bem podem tornar a resposta final imprecisa. Encontrar o equilíbrio certo exige navegar em uma paisagem onde a melhoria de uma parte do sistema frequentemente prejudica outra.

Em um novo estudo, pesquisadores do Centro de Pesquisa de Tecnologias Quânticas do Irã e instituições colaboradoras desenvolveram um método para resolver esse ato de equilíbrio para um tipo específico de computador quântico construído a partir de circuitos supercondutores. Eles criaram uma estrutura híbrida que combina as leis da física com um tipo especializado de inteligência artificial para projetar um sistema de dois qubits que funciona melhor do que tentativas anteriores. Em vez de tratar o design do hardware e o desempenho do algoritmo como problemas separados, a equipe utilizou uma rede neural — um programa de computador projetado para aprender com dados — para encontrar o ponto operacional perfeito onde tanto a precisão da medição quanto a taxa de sucesso do cálculo são maximizadas. O trabalho deles demonstra que, ao treinar este sistema na física subjacente do dispositivo, eles podem identificar um "ponto ideal" onde a máquina lê seu próprio estado com alta precisão enquanto executa um famoso algoritmo de busca com um sucesso notável.

Os pesquisadores focaram em uma configuração onde dois qubits supercondutores estão conectados através de um ressonador compartilhado, um componente que atua como uma ponte para suas interações. Neste ambiente, os qubits estão sujeitos a ruído constante e perda de energia, que são modelados usando equações que descrevem como sistemas abertos evoluem ao longo do tempo. A equipe precisou ajustar várias variáveis físicas, como a frequência dos qubits e a força de sua conexão com a ponte, para atingir dois objetivos simultaneamente: tornar a leitura do estado do qubit o mais clara possível e garantir que o algoritmo de busca de Grover, um método para encontrar um item específico em uma grande lista, funcione corretamente. A dificuldade reside no fato de que esses dois objetivos frequentemente puxam em direções opostas; forçar o sistema para ser mais preciso em seus cálculos pode tornar o sinal de leitura mais borrado, e vice-versa.

Para navegar nesse conflito, a equipe empregou uma ferramenta chamada Rede Neural Hamiltoniana de Grafos Quânticos (Quantum Graph Hamiltonian Neural Network). Ao contrário de programas de computador padrão que tratam os dados como uma caixa preta, esta rede é construída para entender a estrutura do sistema físico, tratando os qubits e suas conexões como um mapa de partes interagentes. Os pesquisadores geraram um grande conjunto de dados simulando o comportamento do sistema quântico sob milhares de diferentes condições físicas, registrando como cada mudança afetava tanto a qualidade da leitura quanto o sucesso do algoritmo. Eles então treinaram a rede neural para aprender a relação complexa e não linear entre as configurações físicas e os resultados finais. Uma vez que a rede aprendeu este mapa, ela podia prever o resultado de qualquer nova configuração instantaneamente, sem a necessidade de executar as simulações lentas e pesadas a cada vez. Isso permitiu que a equipe utilizasse um método de busca matemática para subir a colina das possibilidades e encontrar o pico onde ambos os índices de desempenho eram altos.

Os resultados desta abordagem de co-design foram impressionantes. Antes da otimização, o sistema mostrava uma separação clara entre os diferentes estados do qubit, mas ainda havia alguma sobreposição que poderia levar a erros. Após a orientação da rede neural para o ajuste, a separação tornou-se mais nítida, elevando a fidelidade de medição para além de 99,4 por cento. Embora isso possa parecer um salto numérico pequeno, no mundo da computação quântica, tal fração de um percentual representa uma redução massiva na chance de uma resposta errada. Mais importante ainda, o desempenho algorítmico teve um salto dramático. A probabilidade de sucesso do algoritmo de busca de Grover, que estava limitada pelas configurações iniciais de hardware, subiu para aproximadamente 86 por cento. Este nível de precisão é comparável ao que é alcançado atualmente por processadores quânticos comerciais estabelecidos, sugerindo que o novo design é viável para aplicações do mundo real.

O estudo também revelou um compromisso fundamental que os engenheiros devem gerenciar. Quando os pesquisadores otimizaram o sistema exclusivamente para o algoritmo de busca, descobriram que as interações fortes necessárias para cálculos rápidos tendiam a suprimir as delicadas conexões quânticas necessárias para o emaranhamento, um recurso onde os qubits se tornam ligados de uma forma que desafia a física clássica. A rede neural encontrou com sucesso um meio-termo, preservando o suficiente dessas conexões quânticas enquanto ainda entregava alto desempenho algorítmico. Para provar que suas descobertas não eram apenas teóricas, a equipe pegou os parâmetros otimizados e os utilizou para projetar um layout de circuito físico em um software de engenharia profissional. Eles então realizaram simulações eletromagnéticas neste design, confirmando que os números produzidos pela inteligência artificial se traduziam diretamente em uma configuração de hardware funcional e construível.

Este trabalho destaca uma mudança na forma como os computadores quânticos são construídos. Em vez de projetar o hardware primeiro e depois tentar fazer o software funcionar com ele, ou otimizar o software e esperar que o hardware acompanhe, esta abordagem projeta ambos juntos. Ao utilizar um modelo de aprendizado de máquina que respeita as leis da física, os pesquisadores mostraram que é possível encontrar pontos operacionais que satisfaçam múltiplas demandas concorrentes simultaneamente. O estudo confirma que, mesmo em um mundo ruidoso e imperfeito, o co-design cuidadoso pode extrair alto desempenho de circuitos quânticos, pavimentando o caminho para máquinas mais confiáveis e poderosas no futuro. A capacidade de traduzir essas configurações otimizadas diretamente em dimensões físicas, como o comprimento de fios ou o tamanho de capacitores, significa que o caminho do computador de simulação para um chip funcional está se tornando mais curto e direto.

Resumo Técnico: Co-Design de um Circuito Quântico usando QGHNN para Alta Fidelidade de Separação e Máxima Precisão do Algoritmo de Grover

Declaração do Problema
A otimização de circuitos quânticos supercondutores enfrenta um desafio crítico: a relação entre parâmetros físicos de baixo nível do dispositivo (ex: frequências, forças de acoplamento) e o desempenho algorítmico de alto nível é altamente não linear e frequentemente contraintuitiva. Estratégias de otimização tradicionais tipicamente tratam a calibração do hardware (como a maximização da fidelidade de leitura) e o desempenho algorítmico (como o sucesso da busca de Grover) como objetivos separados. No entanto, pontos de operação que maximizam a distinguibilidade da medição não produzem necessariamente alta precisão algorítmica, e vice-versa. Além disso, os métodos existentes frequentemente dependem de simulações de força bruta ou ajustes heurísticos, que são computacionalmente caros e falham em capturar os complexos compromissos inerentes aos sistemas quânticos abertos sujeitos à decoerência e dissipação.

Metodologia
Os autores propõem um framework de co-design orientado pela física e auxiliado por aprendizado de máquina que otimiza conjuntamente a fidelidade de separação de estado e a precisão do algoritmo de Grover ao nível do Hamiltoniano. A metodologia integra três componentes principais:

Modelagem Física: O sistema é modelado como uma arquitetura de dois qubits supercondutores (transmons) acoplados via um ressonador de barramento. Um qubit é ajustável por fluxo, enquanto o outro é fixo. A dinâmica é descrita por um Hamiltoniano total ( $H = H_{qubit} + H_{res} + H_{int}$ ) incorporando interações dispersivas qubit-ressonador e acoplamentos cross-Kerr ( $ZZ$ ) efetivos. A dinâmica realista de sistemas abertos, incluindo perda de fótons, relaxação de energia e desfasamento, é simulada usando a equação mestra de Lindblad.
Métricas de Desempenho:
- Fidelidade de Leitura: Avaliada simulando o processo de medição dispersiva para gerar distribuições I/Q. A fidelidade de separação é calculada projetando essas distribuições em um eixo de discriminação ideal para estimar a distinguibilidade do estado em medição única (single-shot).
- Precisão Algorítmica: Avaliada simulando um circuito de busca de Grover de dois qubits. O algoritmo utiliza interações $ZZ$ efetivas derivadas dos parâmetros do circuito para implementar os operadores de oráculo e difusão. A probabilidade de sucesso é medida sob a dinâmica de Lindblad.
Surrogate QGHNN e Otimização: Uma Rede Neural de Hamiltoniano de Grafos Quânticos (QGHNN) é empregada como um modelo substituto (surrogate) diferenciável. A rede mapeia parâmetros de nível de Hamiltoniano (camada de entrada: 9 neurônios correspondentes aos nove parâmetros de nível de Hamiltoniano) para os objetivos duplos de desempenho (camada de saída: fidelidade de separação e precisão de Grover).
- A arquitetura QGHNN é projetada como um modelo substituto totalmente conectado e compacto, consistindo em uma camada de entrada com nove neurônios, seguida por duas camadas ocultas com dezesseis neurônios cada. Funções de ativação tangente hiperbólica (Tanh) são usadas nas camadas ocultas, e uma função de ativação Sigmoid é usada na camada de saída para restringir as previsões no intervalo [0, 1].
- O modelo é treinado em um conjunto de dados de 1.200 amostras fisicamente restritas geradas a partir de simulações de Lindblad.
- Uma vez treinada, a QGHNN substitui as simulações quânticas computacionalmente intensivas, permitindo a otimização baseada em gradiente (usando o otimizador Adam) diretamente no espaço de parâmetros para encontrar pontos de operação que maximizem a soma de ambos os objetivos.

Principais Contribuições

Framework de Co-Design Unificado: O artigo introduz um fluxo de trabalho que otimiza simultaneamente o desempenho de leitura do hardware e o sucesso algorítmico, afastando-se de estratégias de otimização isoladas.
QGHNN para Hardware Quântico: A aplicação de QGHNNs fornece uma abordagem estruturada para modelar parâmetros do sistema e métricas de desempenho. Embora a rede seja implementada como um modelo substituto totalmente conectado, o framework é fundamentado na modelagem de nível de Hamiltoniano para refletir a dinâmica do sistema físico.
Identificação de Compromissos (Trade-offs): O framework identifica e navega explicitamente pelos compromissos entre métricas concorrentes. Por exemplo, demonstra que a maximização da precisão de Grover via interações $ZZ$ fortes pode inadvertidamente suprimir a hibridização de modos coerentes e o emaranhamento, um compromisso que a abordagem de co-design equilibra.
Parâmetros Validados pelo Hardware: Os parâmetros otimizados são validados através de simulações eletromagnéticas de Qiskit Metal e EPR. O estudo confirma que os outputs da QGHNN são quantidades fisicamente significativas; no entanto, a tradução direta desses parâmetros otimizados para parâmetros específicos de escalonamento profissional (como capacitâncias e indutâncias detalhadas para circuitos de larga escala) é identificada como uma direção para trabalhos futuros.

Resultados

Fidelidade de Leitura: A otimização guiada por QGHNN melhorou a fidelidade de separação de leitura de aproximadamente 99,38% para 99,44%. Os autores observam que, embora esse aumento absoluto seja modesto, ele é significativo porque foi alcançado sem sacrificar o desempenho algorítmico, representando um ponto de operação equilibrado em vez de um ótimo local de leitura.
Precisão do Algoritmo de Grover: A probabilidade de sucesso da busca de Grover de dois qubits aumentou significativamente, atingindo aproximadamente 86% no ponto de design otimizado. Este desempenho é comparável aos resultados obtidos no processador IBM Q5 Tenerife.
Análise de Contagem de Shots: O estudo confirma que aumentar o número de shots (de 256 para 8192) melhora a repetibilidade e a confiabilidade estatística dos resultados, mas não aumenta inerentemente a precisão máxima alcançável, que permanece limitada por erros induzidos pelo hardware (infidelidade de porta, decoerência).
Compromisso de Emaranhamento: A análise espectral revelou que a otimização para alta precisão de Grover (via acoplamento $ZZ$ forte) achata o espectro de transmissão do ressonador e reduz os cruzamentos evitados (avoided crossings), indicando uma degradação do emaranhamento em estado estacionário. Isso destaca a necessidade de acopladores ajustáveis para futuros designs escaláveis.
Validação: Os parâmetros otimizados foram implementados no Qiskit Metal, e o layout do circuito resultante foi confirmado via simulações EPR, validando a realizabilidade física dos outputs da QGHNN.

Significância
O artigo afirma que este trabalho estabelece uma estratégia escalável e consciente do hardware para processadores quânticos de curto prazo. Ao integrar a dinâmica de sistemas abertos, avaliação de nível de algoritmo e otimização auxiliada por aprendizado de máquina, o framework identifica regimes de operação globalmente favoráveis que seriam difíceis de encontrar através de abordagens heurísticas. A significância reside em demonstrar que mesmo melhorias fracionárias na fidelidade de leitura, quando alcançadas concomitantemente com ganhos substanciais no desempenho algorítmico, são praticamente significativas para reduzir a acumulação de erro lógico em sistemas com correção de erros. O trabalho conclui que os outputs da QGHNN são quantidades fisicamente significativas diretamente transponíveis para parâmetros de design de hardware, preenchendo a lacuna entre a otimização teórica e a implementação prática de circuitos.

Mais como este