Aprendendo circuitos quânticos parametricamente com gradiente quântico

Por que os circuitos quânticos precisam de melhores truques de “aprendizado”

À medida que computadores quânticos se tornam mais poderosos, cientistas esperam usá-los para resolver problemas difíceis em química, otimização e aprendizado de máquina. Uma ferramenta chave para essa visão é o circuito quântico parametrizado: uma receita quântica programável cujos botões são ajustados para alcançar uma tarefa desejada. Mas, na prática, treinar esses circuitos frequentemente falha porque a paisagem de possíveis configurações está cheia de planícies achatadas e armadilhas enganosas, onde algoritmos convencionais ficam presos. Este artigo introduz uma nova maneira de aprender tais circuitos ao permitir que o próprio computador quântico aponte o caminho de descida, ajudando a escapar dessas zonas mortas e tornando o aprendizado quântico mais confiável.

Onde o aprendizado quântico fica preso

A maioria dos métodos atuais de aprendizado quântico depende de um computador clássico para ajustar os parâmetros do circuito usando gradientes — pequenos impulsos na direção que reduz um custo escolhido, como energia ou erro. Entretanto, em sistemas quânticos grandes, esses gradientes tendem a se tornar extremamente pequenos quase em toda parte. Surgem dois problemas relacionados. Primeiro, há pontos estacionários locais desfavoráveis: lugares onde o gradiente some mesmo que a solução ainda esteja longe do ótimo, incluindo mínimos ruins e pontos de sela. Segundo, existem as planícies estéreis: regiões enormes e quase planas onde o gradiente é essencialmente zero em muitas direções. Em ambas as situações, o otimizador clássico não vê sinal útil e o treinamento fica emperrado, especialmente quando o número de parâmetros ajustáveis é muito menor que o tamanho do espaço de estados quânticos.

Deixar o dispositivo quântico indicar a direção

Os autores propõem um modelo de otimização aninhada que mistura passos quânticos e clássicos em um ciclo. Em vez de calcular gradientes apenas em relação aos parâmetros do circuito, o método usa um algoritmo de gradiente quântico para encontrar a verdadeira direção de maior declive diretamente no espaço de estados quânticos. Em cada iteração externa, o dispositivo quântico gera um novo “estado gradiente” que indica como o estado atual deve mudar para reduzir uma função de custo polinomial geral. Esse estado não está vinculado a nenhuma estrutura fixa de circuito. Uma rotina clássica então tenta aprender uma nova camada de circuito que reproduza esse estado gradiente o mais fielmente possível, direcionando efetivamente o circuito na direção que o dispositivo quântico recomenda.

Um circuito adaptativo que sabe quando está preso

Um ingrediente central do método é um indicador que verifica se o treinamento está realmente em um bom mínimo ou meramente preso com gradientes de parâmetro nulos. No início de cada iteração, o algoritmo mede o quão próximo a saída do circuito atual está do estado gradiente derivado quânticamente. Se eles já coincidirem bem, o indicador é quase zero, sinalizando que tanto os gradientes no espaço de estados quanto no espaço de parâmetros efetivamente desapareceram e é provável que um ótimo verdadeiro tenha sido alcançado. Caso contrário, o método automaticamente anexa uma nova camada rasa ao circuito e a treina para melhor aproximar o estado gradiente. Esse crescimento por camadas com inicialização aquecida faz cada nova camada explorar apenas uma região pequena e relevante em vez de vagar aleatoriamente, o que ajuda a evitar planícies estéreis causadas por circuitos muito profundos e inicializados aleatoriamente.

Testando em tarefas de otimização difíceis

Para ver o método em ação, os autores o simulam em duas famílias de problemas. Uma é o problema Max-Cut em grafos pequenos, um campo de testes padrão para otimização quântica. A outra é a minimização de funções polinomiais de ordem superior com múltiplos mínimos locais. Tanto em simulações ideais quanto em simulações mais realistas, nas quais o estado gradiente é apenas aproximadamente reproduzido usando uma ferramenta de síntese de circuitos baseada em aprendizado por reforço, o método aninhado converge consistentemente para soluções de alta qualidade. O indicador diminui de modo constante ao longo das iterações, mostrando que o algoritmo se aproxima de mínimos verdadeiros em vez de permanecer em armadilhas rasas ou planícies.

Superando estratégias existentes no próprio jogo delas

A nova abordagem também é comparada com métodos adaptativos populares que crescem circuitos porta a porta, especialmente ADAPT-VQE, e com o treinamento de profundidade fixa padrão. Em um problema de energia molecular e em vários observáveis de referência, o esquema aninhado atinge custos finais menores em cenários onde os outros métodos param. Ele parece muito menos sensível tanto a planícies estéreis quanto a pontos locais desfavoráveis, embora exija trabalho extra: cada iteração envolve um passo de gradiente quântico mais um pequeno problema de síntese de circuito. Os autores sugerem usar o método como uma ferramenta direcionada — por exemplo, para escapar de regiões problemáticas no início do treinamento e então devolver o controle a otimizações clássicas mais baratas quando o circuito estiver em uma paisagem mais favorável.

O que isso significa para o futuro do aprendizado quântico

Em termos cotidianos, este trabalho dá aos computadores quânticos um papel mais ativo em aprender a se programar. Em vez de confiar apenas em palpites clássicos sobre como ajustar os botões do circuito, o dispositivo quântico ajuda a traçar o caminho de descida em seu próprio espaço de estados de alta dimensão. Essa estratégia torna mais fácil evitar regiões planas e confusas que atormentaram abordagens anteriores, ao menos para uma ampla classe de funções de custo do tipo polinomial. Embora o método não seja gratuito — ele adiciona custo computacional —, oferece uma maneira prática de tornar circuitos quânticos parametrizados mais treináveis, um passo importante rumo a aplicações úteis de otimização quântica e aprendizado de máquina quântico tanto nas máquinas ruidosas de hoje quanto nos futuros dispositivos tolerantes a falhas.

Citação: Li, K., Wang, Y., Gao, P. et al. Learning parameterized quantum circuits with quantum gradient. npj Quantum Inf 12, 59 (2026). https://doi.org/10.1038/s41534-025-01179-7

Palavras-chave: circuitos quânticos parametricamente, otimização quântica, planícies estéreis, gradientes quânticos, algoritmos quânticos variacionais