⚛️ quantum physics

Quantum Architecture Search with Unsupervised Representation Learning

Este artículo propone un marco de Búsqueda de Arquitectura Cuántica libre de predictor que aprovecha el aprendizaje de representaciones no supervisado y una codificación de grafos mejorada para descubrir eficientemente circuitos cuánticos de alto rendimiento para dispositivos NISQ, validado por la ejecución exitosa en hardware real.

Autores originales: Yize Sun, Zixin Wu, Volker Tresp, Yunpu Ma

Publicado 2026-02-04

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yize Sun, Zixin Wu, Volker Tresp, Yunpu Ma

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando crear la receta perfecta para un pastel, pero no tienes un libro de cocina y no puedes probar el pastel hasta que lo hornees. En el mundo de la computación cuántica, "hornear el pastel" es increíblemente costoso y lento porque requiere usar máquinas cuánticas reales y frágiles que son propensas a errores (como una cocina que está constantemente sacudiéndose).

Este artículo presenta una nueva forma de encontrar las mejores "recetas cuánticas" (llamadas Circuitos Cuánticos) sin necesidad de probar cada uno de ellos. Así es como lo hicieron, explicado de forma sencilla:

1. El Probleem: El cuello de botella de la "prueba de sabor"

Tradicionalmente, para encontrar el mejor circuito cuántico, los investigadores probaban miles de diseños diferentes. Para cada diseño, tenían que ejecutarlo en una computadora cuántica para ver qué tan bien funcionaba. Esto es como intentar encontrar la mejor receta de pastel horneando y probando 10,000 pasteles. Toma una eternidad y cuesta una fortuna.

Algunos métodos anteriores intentaron usar un "predictor" (un adivinador) para decir: "Este diseño parece bueno, así que saltémonos el horneado". Pero para entrenar a este adivinador, todavía tenías que hornear y probar miles de pasteles primero para enseñarle qué es lo que se considera "bueno". Era un círculo vicioso.

2. La Solución: Aprender la "forma" de la bondad

Los autores se inspiraron en cómo los humanos aprenden a reconocer patrones. Se preguntaron: ¿Podemos enseñar a una computadora a entender la "forma" o la "estructura" de un circuito cuántico sin haber probado nunca el pastel?

Utilizaron una técnica llamada Aprendizaje de Representación No Supervisado. Piensa en esto como un maestro chef que ha observado millones de diferentes diseños de pasteles (algunos buenos, otros malos) pero que nunca los ha probado. Con el tiempo, el chef aprende que ciertas características estructurales —como cómo se apilan las capas o dónde se aplica el glaseado— tienden a ir juntas.

El "Arquitecto" (El Codificador): Construyeron un sistema que observa el plano de un circuito cuántico y lo convierte en una "tarjeta de identidad" simple (un vector matemático).
El "Mapa Mágico" (Espacio Latente): Organizaron todas estas tarjetas de identidad en un mapa. El descubrimiento asombroso fue que los circuitos que son estructuralmente similares terminaban situados cerca unos de otros en este mapa. Mejor aún, los circuitos que realmente funcionan bien (alto rendimiento) tendían a agruparse en vecindarios específicos en este mapa, a pesar de que el sistema nunca se les dijo cuáles eran "buenos".

3. La Búsqueda: Explorar el mapa en lugar de la cocina

Una vez que tuvieron este "Mapa Mágico", dejaron de mirar los planos brutos. En su lugar, enviaron a dos exploradores diferentes (algoritmos) a deambular por el mapa:

REINFORCE: Un explorador inteligente que aprende de sus errores, moviéndose hacia áreas del mapa que parecen prometedoras.
Optimización Bayesiana: Un explorador estratégico que utiliza la probabilidad para adivinar dónde están escondidos los mejores puntos.

Debido a que estaban buscando en un mapa suave y organizado en lugar de en una cocina caótica y desordenada, encontraron circuitos de alto rendimiento mucho más rápido. No necesitaron un "predictor" ni una gran lista de ejemplos etiquetados para decirles dónde buscar; el mapa mismo los guio.

4. El "Plano Mejorado"

El artículo también menciona una mejora específica en la forma en que dibujaban los planos. Los métodos anteriores trataban todas las partes del circuito de la misma manera, como un mapa genérico. Los autores añadieron detalles específicos, como marcar exactamente qué "qubit" (el equivalente cuántico de un bit) era el "jefe" (control) y cuál era el "trabajador" (objetivo) en una interacción de dos qubits. Esto hizo que el mapa fuera mucho más claro y preciso, ayudando a los exploradores a encontrar mejores circuitos.

5. La Prueba del Mundo Real

Para demostrar que esto no era solo una simulación por computadora, tomaron los mejores circuitos que encontraron y los ejecutaron en una computadora cuántica real (la ibm_sherbrooke de IBM).

El Resultado: Incluso aunque la máquina real era ruidosa e imperfecta (como una cocina con una mesa que se sacude), los circuitos que encontraron aún funcionaban perfectamente. Obtuvieron la respuesta correcta el 100% de las veces, tal como lo hicieron en la simulación.

Resumen

En resumen, los autores construyeron un mapa inteligente de diseños de circuitos cuánticos utilizando un método que aprende de la estructura por sí sola, sin necesidad de probar cada uno de ellos. Luego, utilizaron este mapa para encontrar rápidamente los mejores diseños. Esto ahorra tiempo, ahorra dinero y funciona incluso en las computadoras cuánticas ruidosas e imperfectas que tenemos hoy en día. Demostraron con éxito que no necesitas probar cada pastel para encontrar la mejor receta; solo necesitas entender la geometría de la cocina.

Resumen Técnico: Búsqueda de Arquitectura Cuántica con Aprendizaje de Representación No Supervisado

Planteamiento del Problema

La Búscción de Arquitectura Cuántica (QAS, por sus siglas en inglés) tiene como objetivo diseñar automáticamente circuitos cuánticos parametrizados (PQCs) óptimos para Algoritmos Cuánticos Variacionales (VQAs) en dispositivos de Escala Intermedia con Ruido (NISQ). Los enfoques actuales de QAS enfrentan desafíos significativos de escalabilidad:

Acoplamiento Estrecho: La mayoría de los algoritmos acoplan estrechamente la definición del espacio de búsqueda con el algoritmo de búsqueda, lo que requiere la evaluación de una vasta cantidad de circuitos cuánticos. Esto conduce a costos computacionales prohibitivos y limita la escalabilidad.
Limitaciones del Predictor: Aunque los métodos de QAS basados en predictores intentan mitigar los costos de evaluación estimando el rendimiento del circuito, dependen fuertemente de grandes conjuntos de datos etiquetados. El entrenamiento de predictores precisos requiere un etiquetado de tiempo intensivo de numerosos circuitos, lo que introduce incertidumbre y requiere la reevaluación de los candidatos.
Deficiencias de Representación: Los esquemas de codificación existentes para circuitos cuánticos a menudo no logran distinguir entre los roles de control y objetivo en las puertas de dos cúbits o asignan pesos de arista uniformes, lo que provoca pérdida de representación y una reconstrucción subóptima.

Metodología

Los autores proponen un marco que desacopla el aprendizaje de representación de arquitectura no supervisado del proceso de búsqueda, inspirado en el algoritmo de búsqueda de arquitectura neuronal clásica Arch2vec. El marco consta de dos etapas independientes:

1. Codificación de Circuitos Mejorada

Los autores introducen un esquema de codificación mejorado para representar circuitos cuánticos como Grafos Acíclicos Dirigidos (DAGs).

Estructura del Grafo: Cada puerta es un nodo. Las aristas dirigidas representan las dependencias de ejecución en el mismo cúbit. Los nodos de inicio y fin globales aseguran un ordenamiento topológico consistente.
Representación Matricial:
- Matriz de Adyacencia ( $A$ ): Captura la topología estructural. A diferencia de trabajos previos, los pesos de las aristas se asignan proporcionalmente al número de cúbits involucrados en una operación (por ejemplo, peso 2 para puertas de dos cúbits).
- Matriz de Puertas ( $X$ ): Codifica las características de los nodos. Crucialmente, para las puertas de dos cúbits, la matriz distingue explícitamente los roles asignando $-1$ al cúbit de control y $+1$ al cúbit de objetivo, resolviendo las ambigüedades presentes en codificaciones anteriores.

2. Aprendizaje de Representación No Supervisado

Se entrena un Autoencoder de Grafos Variacional (VGAE) basado en una Red de Isomorfismo de Grafos (GIN) para aprender un espacio latente continuo de baja dimensión ( $Z$ ) a partir de las estructuras de los circuitos ( $A, X$ ) sin etiquetas de rendimiento.

Codificador: Utiliza $L=5$ capas GIN con paso de mensajes para agregar patrones de conectividad y patrones locales de puertas. Una capa de fusión agrega información de todas las capas para mejorar la robustez.
Decodificador: Reconstruye la matriz de adyacencia y la matriz de puertas (tipos de puertas y posiciones de cúbits) a partir de las variables latentes.
Objetivo: Maximiza la Cota Inferior de Evidencia (ELBO), asegurando que los circuitos con propiedades estructurales similares se agrupen en regiones cercanas del espacio latente. Se hipotetiza que esta suavidad se correlaciona con la similitud de rendimiento.

3. Búsqueda de Arquitectura Libre de Predictor

Una vez que el codificador está pre-entrenado, el proceso de búsqueda opera enteramente dentro del espacio latente continuo, eliminando la necesidad de un predictor o de conjuntos de datos etiquetados.

Algoritmos de Búsqueda: El marco emplea REINFORCE (un algoritmo de aprendizaje por refuerzo utilizando una política LSTM) y Optimización Bayesiana (BO) con Redes Profundas para la Optimización Global (DNGO) para explorar el espacio latente.
Evaluación: Las arquitecturas candidatas muestreadas del espacio latente se decodifican en circuitos y se evalúan únicamente para la recompensa de la tarea específica (por ejemplo, energía del estado fundamental para MaxCut/Química Cuántica, fidelidad para la preparación de estados).

Contribuciones Clave

Marco Desacoplado: Los autores logran desacoplar con éxito el aprendizaje de representación no supervisado del proceso de búsqueda. Esto permite que las representaciones aprendidas se reutilicen en diferentes tareas descendentes sin necesidad de reentrenar predictores con grandes conjuntos de datos etiquetados.
Esquema de Codificación Mejorado: La codificación propuesta aborda las limitaciones de los métodos existentes al distinguir explícitamente los roles de control/objetivo en las puertas de dos cúbits y ponderar las aristas según la complejidad de la interacción. Esto resulta en embeddings más precisos y una mejor organización del espacio latente.
Búsqueda Libre de Predictor: Al aplicar REINFORCE y BO directamente a la representación latente, el método elimina la incertidumbre y los requisitos de datos asociados con el entrenamiento de predictores.
Validación de Hardware: El enfoque fue validado en hardware cuántico real (ibm_sherbrooke de IBM), demostrando que las arquitecturas descubiertas en simuladores mantienen un rendimiento óptimo bajo ruido físico sin necesidad de reajuste de parámetros.

Resultados Experimentales

Los experimentos se realizaron en tres tareas: Preparación de Estado Cuántico, MaxCut y Química Cuántica (usando las moléculas H2 y LiH), con tamaños de circuito que oscilan entre 4 y 12 cúbits.

Calidad de la Representación: La codificación mejorada combinada con GINs superó a los modelos base (GSQAS, VGAE) en precisión de reconstrucción (tipos de puertas, cúbits, adyacencia) y produjo espacios latentes más suaves y compactos. Las visualizaciones (PCA y t-SNE) mostraron que los circuitos de alto rendimiento se agruparon, particularmente en el régimen de 4 cúbits.
Eficiencia de Búsqueda:
- Tanto REINFORCE como BO superaron significativamente a la Búsqueda Aleatoria (Random Search) en la localización de circuitos de alta recompensa dentro de 1,000 consultas.
- El método propuesto logró resultados comparables o superiores a los métodos basados en predictores (GNNURL, GSQASURL) requiriendo muchas menos evaluaciones de circuitos (las razones $N_{QAS}/N_{eval}$ fueron significativamente más altas).
- En experimentos de 8 cúbits, el método propuesto descubrió más circuitos candidatos que cumplían con los umbrales de rendimiento que la búsqueda aleatoria, incluso en los peores escenarios.
Rendimiento en Hardware Real: Para problemas de MaxCut de 4 y 8 nodos, los mejores circuitos descubiertos lograron una probabilidad del 100% de medir la cadena de bits óptima en el dispositivo ibm_sherbrooke, igualando los resultados del simulador a pesar del ruido NISQ.

Significación y Reivindicaciones

El artículo afirma que el aprendizaje de representación no supervisado ofrece un camino viable para una Búsqueda de Arquitectura Cuántica escalable. Al aprender un espacio latente suave únicamente a partir de datos estructurales, el marco permite una exploración eficiente del espacio de diseño de circuitos sin la pesada carga computacional del etiquetado o el entrenamiento de predictores.

Los autores enfatizan que el éxito de este enfoque depende de la calidad de la representación no supervisada y de la elección del algoritmo de búsqueda. Concluyen que esta estrategia libre de predictor identifica eficazmente circuitos cuánticos de alto rendimiento con menos iteraciones de búsqueda y demuestra robustez cuando se despliega en hardware cuántico real, lo que la convierte en una dirección prometedora para la optimización de dispositivos cuánticos de corto plazo.