Clear Sky Science
Explicações baseadas em evidências, com pouco jargão

Clear Sky Science · pt

Demonstração de substitutos preditivos eficientes para processadores quânticos em grande escala

· Voltar ao índice

Por que isso importa para a computação do futuro

Computadores quânticos prometem enfrentar problemas que sobrecarregam as máquinas atuais, desde a simulação de novos materiais até a exploração de estados exóticos da matéria. Ainda assim, os processadores quânticos de ponta são caros, delicados e escassos, o que limita quem pode usá‑los e com que frequência. Este estudo introduz uma maneira de “engarrafar” o comportamento típico de um grande processador quântico em um modelo clássico eficiente, de modo que muitas tarefas possam ser realizadas em um computador comum após acesso limitado ao dispositivo quântico real.

Figure 1. Um pequeno modelo clássico aprende a imitar um grande chip quântico ruidoso de modo que muitas previsões não exigem novas execuções quânticas.
Figure 1. Um pequeno modelo clássico aprende a imitar um grande chip quântico ruidoso de modo que muitas previsões não exigem novas execuções quânticas.

Capturando a impressão digital de um computador quântico

Os autores concentram‑se em uma quantidade-chave que aparece em muitos algoritmos quânticos: o valor médio de uma medida feita após executar um circuito quântico em um processador ruidoso. Em vez de simular cada detalhe microscópico, eles constroem o que chamam de substitutos preditivos. São modelos de aprendizado clássicos treinados com dados coletados de um chip quântico supercondutor real. Uma vez treinado, o substituto pode prever rapidamente médias de medidas para novas configurações de circuito, sem acessar novamente o hardware quântico, e reflete automaticamente o ruído e as imperfeições reais desse chip.

Dois tipos de representantes digitais

A equipe projeta e analisa dois tipos de substitutos adequados a diferentes casos de uso. O primeiro, chamado hcs, lida com circuitos cujos parâmetros de controle variam de forma independente e suporta muitas medidas locais simultaneamente. Ele se baseia na ideia de sombras clássicas, uma técnica que comprime informação de medições randomizadas em uma representação clássica compacta. O segundo, chamado hqs, mira situações em que muitos parâmetros no circuito estão ligados, como ocorre frequentemente em simulações quânticas de materiais, química ou aprendizado de máquina. Ele é concebido para trabalhar com entradas correlacionadas extraídas de distribuições arbitrárias, o que se aproxima mais das cargas de trabalho científicas realistas.

Colocando os representantes em prática

Para testar essas ideias, os pesquisadores usam um processador quântico supercondutor com até 42 qubits em operação. Primeiro mostram que hcs pode prever de forma confiável a energia de um ímã quântico modelo, o modelo de Ising de campo transversal unidimensional, para muitas escolhas dos parâmetros do modelo. Em seguida usam esse substituto para pré-treinar uma rotina amplamente usada chamada variational quantum eigensolver. A otimização é feita inteiramente em um computador clássico guiado pelo substituto, e apenas depois verificada e ligeiramente refinada no chip quântico real. Essa abordagem reduz o número de medições quânticas necessárias por ordens de grandeza, alcançando estimativas de energia inferiores às obtidas ao rodar a otimização quântica completa do zero.

Revelando fases ocultas em matéria dirigida

O segundo substituto, hqs, é aplicado a uma tarefa mais exótica: identificar fases especiais em uma cadeia de spins periodicamente dirigida no tempo, conhecidas como fases topológicas protegidas por simetria de Floquet. Tradicionalmente, mapear essas fases requer muitas medições repetitivas no dispositivo quântico à medida que as configurações de controle mudam. Em vez disso, os autores treinam uma família de substitutos que aprendem como a magnetização local ao longo da cadeia responde ao forçamento. Usando apenas cálculos clássicos com os modelos treinados, eles reconstruíram assinaturas de oscilações de borda de longa duração e localizaram a transição entre a fase protegida e uma fase térmica sem características, em concordância com experimentos diretos no hardware quântico.

Figure 2. Treinando com algumas execuções quânticas, um modelo prevê energias e comportamento de fases em muitos parâmetros de forma puramente clássica.
Figure 2. Treinando com algumas execuções quânticas, um modelo prevê energias e comportamento de fases em muitos parâmetros de forma puramente clássica.

O que isso significa para o acesso ao poder quântico

Ao demonstrar que esses substitutos podem ser treinados de forma eficiente e mostrando que eles escalam para dezenas de qubits em um dispositivo real, o trabalho sugere uma nova forma de compartilhar recursos quânticos escassos. Um conjunto limitado de medições em um processador avançado pode ser destilado em um modelo clássico reutilizável que muitos usuários podem consultar a baixo custo. Embora tais substitutos não substituam computadores quânticos, eles podem reduzir muito a frequência com que precisamos executá‑los para tarefas baseadas em valores médios de medidas, aproximando estudos práticos assistidos por quântica de materiais, química e novas fases da matéria do uso científico cotidiano.

Citação: Liao, WY., Du, Y., Wang, X. et al. Demonstration of efficient predictive surrogates for large-scale quantum processors. Nat Commun 17, 4731 (2026). https://doi.org/10.1038/s41467-026-72506-5

Palavras-chave: processadores quânticos, modelos substitutos preditivos, variational quantum eigensolver, simulação quântica digital, fases de Floquet

Veja mais no site do grupo de pesquisa: http://staff.ustc.edu.cn/~quanhhl/