Mas as portas quânticas introduzem ruído, o que pode prejudicar o desempenho de uma máquina quântica.

Investigadores do MIT e de outras instituições estão a trabalhar para ultrapassar este problema, desenvolvendo uma técnica que torna o próprio circuito quântico resistente ao ruído. (Especificamente, trata-se de circuitos quânticos "parametrizados" que contêm portas quânticas ajustáveis.) A equipa criou uma estrutura capaz de identificar o circuito quântico mais robusto para uma determinada tarefa computacional e gerar um padrão de mapeamento que se ajusta aos qubits de um dispositivo quântico específico.

A sua estrutura, denominada QuantumNAS (busca adaptativa ao ruído), é muito menos intensiva em termos computacionais do que outros métodos de busca e pode identificar circuitos quânticos que melhoram a precisão de tarefas de aprendizagem automática e química quântica. Quando os investigadores usaram a sua técnica para identificar circuitos quânticos para dispositivos quânticos reais, os seus circuitos superaram os gerados por outros métodos.

"A ideia principal aqui é que, sem esta técnica, teríamos de amostrar cada arquitetura de circuito quântico e cada cenário de mapeamento no espaço de projeto, treiná-los, avaliá-los e, se não fossem bons, teríamos de os descartar e começar de novo. Mas com este método, podemos obter muitos circuitos e estratégias de mapeamento diferentes de uma só vez, sem ter de os treinar várias vezes", diz Song Han, professor associado do Departamento de Engenharia Elétrica e de Computação (EECS) e principal autor do artigo.

Para além de Han, os autores principais do trabalho são Hanrui Wang e Yujun Lin, ambos estudantes de pós-graduação em Engenharia Eletrotécnica e Ciência da Computação (EECS); Yongshan Ding, professor assistente de ciência da computação na Universidade de Yale; David Z. Pan, titular da cátedra de engenharia elétrica da Silicon Labs na Universidade do Texas em Austin, e Jiaqi Gu, estudante de pós-graduação na mesma universidade; Fred Chong, professor catedrático da Cátedra Seymour Goodman no Departamento de Ciência da Computação da Universidade de Chicago; e Zirui Li, estudante de licenciatura na Universidade Jiao Tong de Xangai. A investigação será apresentada no Simpósio Internacional IEEE sobre Arquitetura de Computadores de Alto Desempenho.

Muitas opções de design

A construção de um circuito quântico parametrizado implica selecionar um número de portas quânticas, que são as operações físicas que os qubits irão executar. Esta não é uma tarefa fácil, pois existem muitos tipos de portas por onde escolher. Além disso, um circuito pode ter qualquer número de portas, e as posições dessas portas — a que qubits físicos correspondem — podem variar.

"Com tantas opções diferentes, o espaço de projeto é extremamente amplo. O desafio é como projetar uma boa arquitetura de circuitos. Com o QuantumNAS, queremos projetar esta arquitetura para que seja muito robusta contra o ruído", afirma Wang.

Os investigadores focaram-se em circuitos quânticos variacionais, que utilizam portas quânticas com parâmetros treináveis ​​capazes de aprender uma tarefa de aprendizagem automática ou química quântica. Para projetar um circuito quântico variacional, um investigador tem normalmente de projetar o circuito manualmente ou utilizar métodos baseados em regras para o projetar para uma tarefa específica e, em seguida, tentar encontrar o conjunto ideal de parâmetros para cada porta quântica através de um processo de otimização.

No método de busca ingénua, em que os circuitos potenciais são avaliados individualmente, os parâmetros de cada circuito quântico candidato têm de ser treinados, o que representa uma enorme sobrecarga computacional. Além disso, o investigador deve primeiro identificar o número ideal de parâmetros e a arquitetura do circuito.

Nas redes neuronais clássicas, a inclusão de mais parâmetros aumenta frequentemente a precisão do modelo. Mas na computação quântica variacional, mais parâmetros requerem mais portas quânticas, o que introduz mais ruído.

Com o QuantumNAS, os investigadores estão a tentar reduzir o custo total de procura e treino, ao mesmo tempo que identificam o circuito quântico que contém o número ideal de parâmetros e a arquitetura apropriada para maximizar a precisão e minimizar o ruído.

Para construir um "supercircuito
", primeiro projetam um "Supercircuito", que contém todas as portas quânticas parametrizadas possíveis no espaço de projeto. Este Supercircuito será utilizado para gerar circuitos quânticos mais pequenos que podem ser testados.

O Supercircuito é treinado uma única vez e, como todos os outros circuitos candidatos no espaço de projeto são subconjuntos do Supercircuito, herdam os parâmetros correspondentes que já foram treinados. Isto reduz a carga computacional do processo.

Uma vez treinado, o SuperCircuito é utilizado para procurar arquiteturas de circuitos que sirvam um objetivo específico, neste caso, elevada robustez ao ruído. O processo envolve a pesquisa simultânea de circuitos quânticos e mapeamentos de qubits utilizando o que é conhecido como algoritmo de pesquisa evolutiva.

Este algoritmo gera diversos circuitos quânticos e mapeamentos de qubits candidatos, avaliando depois a sua precisão utilizando um modelo de ruído ou numa máquina real. Os resultados são depois realimentados para o algoritmo, que seleciona as partes com melhor desempenho e as utiliza para reiniciar o processo até que os candidatos ótimos sejam encontrados.

"Sabemos que diferentes qubits têm propriedades e taxas de erro de porta diferentes. Uma vez que vamos utilizar apenas um subconjunto de qubits, porque não utilizar os mais fiáveis? Podemos fazê-lo procurando conjuntamente a arquitetura e mapeando os qubits", explica Wang.

Após os investigadores chegarem ao melhor circuito quântico, ajustam os seus parâmetros e realizam a poda das portas quânticas, removendo as portas com valores próximos de zero, uma vez que estas não contribuem significativamente para o desempenho global. A remoção destas portas reduz as fontes de ruído e melhora ainda mais o desempenho em máquinas quânticas reais. Em seguida, refinam os restantes parâmetros para recuperar a precisão perdida.

Uma vez concluída esta etapa, podem implantar o circuito quântico numa máquina real.

Quando os investigadores testaram os seus circuitos em dispositivos quânticos reais, superaram todos os métodos de referência, incluindo os concebidos manualmente e outros criados através de diferentes métodos computacionais. Numa experiência, utilizaram o QuantumNAS para produzir um circuito quântico resistente ao ruído, que foi utilizado para estimar a energia do estado fundamental de uma molécula específica, um passo significativo na química quântica e na descoberta de fármacos. O método por eles desenvolvido forneceu uma estimativa mais precisa do que qualquer um dos métodos de referência.

Agora que demonstraram a eficácia do QuantumNAS, querem utilizar estes princípios para tornar os parâmetros de um circuito quântico robustos ao ruído. Os investigadores também querem melhorar a escalabilidade de uma rede neural quântica treinando um circuito quântico numa máquina quântica real, em vez de um computador clássico.

Para incentivar mais trabalhos nesta área, os investigadores criaram uma biblioteca de código aberto, chamada TorchQuantum, que contém informações sobre os seus projetos, tutoriais e ferramentas que podem ser utilizadas por outros grupos de investigação.

Este trabalho foi financiado pela National Science Foundation, pelo MIT-IBM Watson AI Lab, pelo Qualcomm Innovation Fellowship e pelo Departamento de Energia dos EUA.

###

Escrito por Adam Zewe, MIT News Office