Conectando fases da matéria à planaridade da paisagem de perda em algoritmos variacionais quânticos analógicos

Por que isso importa para os computadores quânticos do futuro

À medida que os computadores quânticos deixam de ser curiosidades de laboratório e avançam para ferramentas práticas, surge um grande desafio: muitos algoritmos promissores tornam-se impossíveis de treinar conforme os dispositivos crescem. Este artigo explora uma maneira surpreendente de enfrentar esse problema emprestando ideias da física da matéria condensada. Os autores mostram como diferentes “fases” da matéria quântica — formas pelas quais um sistema de muitas partículas se organiza — podem tornar algoritmos variacionais quânticos treináveis ou efetivamente travados, e propõem uma estratégia para mantê‑los treináveis em hardware quântico analógico.

Aprendizado quântico alinhado ao hardware

Algoritmos quânticos variacionais usam um dispositivo quântico para preparar um estado quântico ajustável e um computador clássico para ajustar os controles até que uma quantidade-alvo, como energia ou custo, seja minimizada. A maioria dos projetos existentes é “digital”: constrói estados a partir de longas sequências de portas lógicas. Embora flexíveis, esses circuitos podem ser excessivamente expressivos, explorando vastas regiões do espaço de estados quânticos desnecessárias para a tarefa. Em sistemas grandes isso pode causar o chamado problema das planícies inférteis, em que a paisagem de perda se torna quase perfeitamente plana e os gradientes desaparecem exponencialmente com o tamanho do sistema. Em vez de montar longas sequências de portas, os autores estudam uma abordagem “analógica”: deixar uma cadeia de spins quânticos evoluir sob suas interações naturais em uma série de mudanças súbitas, ou quenches, que são diretamente implementáveis em plataformas como íons aprisionados, átomos de Rydberg e circuitos supercondutores. Controlando o desordem na cadeia de spins, eles podem colocar cada quench em uma de duas fases distintas da matéria, termalizada ou localizada em muitos-corpos, e investigar como essa escolha molda o comportamento do algoritmo.

Duas fases, duas paisagens de aprendizado muito diferentes

Na fase termalizada, o sistema se comporta de forma caótica: interações e desordem fraca espalham rapidamente informação e emaranhamento por todos os spins, conduzindo a cadeia a estados que se assemelham aos produzidos por um processo quântico completamente aleatório. Na fase de localização em muitos-corpos (MBL), desordem forte impede esse tipo de mistura. Padrões locais no estado inicial permanecem visíveis por tempos muito longos, e o emaranhamento cresce apenas lentamente. Os autores usam medidas quantitativas de quão amplamente o ansatz do algoritmo explora o espaço de evoluções quânticas possíveis — sua expressividade — e relacionam isso a quão plana a paisagem de perda se torna. Eles descobrem que ambas as fases tornam-se maximamente expressivas se um número suficiente de quenches for aplicado, mas a fase termalizada atinge esse regime muito mais cedo. À medida que isso ocorre, a variância da função de perda, e portanto os gradientes necessários para o aprendizado, encolhem exponencialmente com o número de qubits, sinalizando planícies inférteis. Na fase MBL, o mesmo destino ocorre eventualmente, mas somente após muitos mais quenches.

Ligando o crescimento do emaranhamento à treinabilidade

Por que a fase MBL atrasa o aparecimento de paisagens planas? Os autores rastreiam isso ao modo como o emaranhamento se constrói. No regime termalizado, cada quench produz um grande salto no emaranhamento entre partes da cadeia de spins, e o sistema rapidamente imita estados totalmente aleatórios. Esse embaralhamento rápido apaga a estrutura da paisagem de perda, tornando os gradientes extremamente pequenos. Em contraste, o regime MBL gera emaranhamento muito mais lentamente e de forma mais localizada. Numericamente, o número de quenches necessário para a variância da perda saturar acompanha de perto o número necessário para o emaranhamento saturar, e a diferença entre as duas fases cresce aproximadamente de forma linear com o tamanho do sistema. Isso significa que existe uma janela ampla onde o ansatz baseado em MBL já é bastante expressivo mas ainda não caiu numa planície infértil, enquanto o ansatz termalizado já é intrinsecamente não treinável.

Uma estratégia de inicialização que evita falhas precoces

Com base nesse insight, os autores propõem uma regra prática para configurar algoritmos variacionais analógicos. Escolha um número intermediário de quenches e inicialize o sistema na fase MBL: a mesma profundidade que já seria profunda demais e plana na fase termalizada permanece treinável na fase MBL. Durante a otimização, os parâmetros de controle ficam livres para se afastar da localização estrita se necessário, ganhando acesso a maior expressividade sem ter começado numa região plana. Testes em exemplos pequenos, porém não triviais, corroboram esse quadro. Para certos problemas cuja estrutura combina de perto com o hardware, uma configuração termalizada rasa pode ter bom desempenho. Mas para alvos mais genéricos, como encontrar o estado fundamental de uma cadeia de Heisenberg ou resolver instâncias aleatórias de Max-Cut, a inicialização baseada em MBL em profundidade intermediária oferece precisão de energia significativamente melhor e soluções de maior qualidade, com convergência mais confiável e menos instâncias presas em mínimos ruins.

O que isso significa ao escalar algoritmos quânticos

O estudo sugere que a física das fases quânticas não é apenas um obstáculo ou curiosidade, mas uma ferramenta para projetar arquiteturas de aprendizado quântico melhores. Ao sintonizar um dispositivo analógico para um regime de localização em muitos-corpos na inicialização, é possível atrasar o aparecimento de planícies inférteis mantendo flexibilidade suficiente para aproximar estados complexos mais adiante no treinamento. Os autores enfatizam que isso não é uma cura mágica: planícies inférteis e outros problemas, como mínimos locais ruins, ainda podem surgir, e o método é em grande parte agnóstico ao problema. Ainda assim, oferece diretrizes concretas e conscientes do hardware para construir algoritmos variacionais quânticos analógicos mais escaláveis e aponta para um programa mais amplo em que conceitos como localização, cristais temporais ou ordem topológica ajudam a moldar as paisagens de aprendizado dos computadores quânticos do futuro.

Citação: Srimahajariyapong, K., Thanasilp, S. & Chotibut, T. Connecting phases of matter to the flatness of the loss landscape in analog variational quantum algorithms. Commun Phys 9, 111 (2026). https://doi.org/10.1038/s42005-026-02528-4

Palavras-chave: algoritmos quânticos variacionais, simulação quântica analógica, localização em muitos-corpos, planícies inférteis, aprendizado de máquina quântico