⚛️ quantum physics

Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering

Este artículo presenta la primera validación de prueba de concepto de una técnica de mitigación de errores cuánticos utilizando el agrupamiento de Medias C Difusas para identificar patrones de error de medición, demostrando una mejora en la precisión de los valores de expectativa para circuitos de uno y dos cúbits en un procesador superconductor real de 5 cúbits sin requerir fidelidades de hardware de vanguardia.

Autores originales: Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitie

Publicado 2026-06-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitiello, Giovanni Acampora, Davide Massarotti

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

La visión general: Reparando una computadora cuántica ruidosa

Imagina que tienes un instrumento musical muy delicado y de alta tecnología (una computadora cuántica) que puede tocar canciones hermosas y complejas (resolver problemas difíciles). Sin embargo, este instrumento se encuentra actualmente en una habitación con mucho ruido. Cada vez que intentas tocar una nota, el viento sopla, el suelo vibra y el micrófono capta estática. Para cuando la música llega a tus oídos, suena distorsionada y errónea.

Este es el estado actual de los Procesadores Cuánticos Superconductores. Son potentes, pero son "ruidosos". Los errores ocurren porque las máquinas son tan sensibles que incluso el acto de medirlas introduce equivocaciones.

Los autores de este artículo no intentaron construir una habitación más silenciosa (lo cual es increíblemente difícil y costoso). En su lugar, inventaron una nueva forma de limpiar la grabación a posteriori. Utilizaron un truco matemático llamado Agrupamiento Difuso (Fuzzy Clustering) para averiguar exactamente cómo el ruido está arruinando la música, y luego lo corrigieron.

El problema: La medición "desordenada"

En un mundo perfecto, si le dices a una computadora cuántica que prepare un estado específico (como un interruptor en posición de "Encendido"), este se mantiene en "Encendido". Pero en el mundo real, la computadora podría accidentalmente cambiar el interruptor a "Apagado" justo cuando lo miras.

La analogía: Imagina que estás tomando una foto de un grupo de amigos. Debido a que la cámara se mueve y la iluminación es mala, a veces la foto hace que tu amigo parezca que lleva un sombrero cuando no lo lleva, o hace que parezca que está sonriendo cuando en realidad está frunciendo el ceño.
El resultado: Obtienes una foto "ruidosa". Sabes lo que intentaste capturar, pero el resultado está distorsionado.

La solución: El detective "difuso"

Los investigadores utilizaron una técnica llamada Agrupamiento de Medias Difusas (FCM Clustering).

La analogía: Imagina que eres un detective tratando de averiguar por qué las fotos de tus amigos siempre se ven raras. Tomas 100 fotos de tu amigo en una pose de "Sonriendo" y 100 fotos en una pose de "Frunciendo el ceño".
- Algunas fotos de "Sonriendo" parecen de alguien frunciendo el ceño (un error).
- Algunas fotos de "Frunciendo el ceño" parecen de alguien sonriendo (un error).
- Pero la mayoría se ven correctas.

En lugar de decir: "Esta foto es definitivamente un error", el enfoque Difuso dice: "Esta foto tiene un 70% de probabilidad de ser una sonrisa y un 30% de probabilidad de ser un ceño fruncido". Reconoce que el error no es blanco o negro; es un desenfoque.

Al analizar miles de estas fotos "desenfocadas" (puntos de datos), el algoritmo crea un Mapa de Errores (llamado Matriz de Mitigación). Este mapa le dice a la computadora: "Oye, cada vez que veas un resultado que parece X, hay un 20% de probabilidad de que en realidad debiera ser Y".

Una vez que tienen este mapa, pueden pasar los resultados brutos y ruidosos de la computadora a través de un "limpiador" (un filtro matemático) para obtener la respuesta correcta.

Lo que realmente hicieron

El equipo no solo simuló esto en una computadora; lo probaron en un chip cuántico físico real fabricado por QuantWare.

El Hardware: Utilizaron un chip superconductor de 5 cúbits (5 bits), pero se centraron solo en 2 cúbits (como probar una sola tecla de piano y la que está al lado).
La Configuración: No utilizaron el equipo más caro y perfecto. Su chip tenía un rendimiento "promedio": no era el mejor del mundo y tenía errores significativos (los errores de lectura eran de alrededor del 20-40% en algunos casos). Esto es importante porque demuestra que la técnica funciona incluso cuando el hardware no es perfecto.
La Prueba: Ejecutaron circuitos cuánticos simples (como cambiar un interruptor o cambiar dos interruptores juntos).
- Sin la corrección: Los resultados solían ser erróneos.
- Con la corrección Difusa: Aplicaron su "mapa de errores" a los resultados.

Los Resultados: Limpiando la Señal

El artículo reporta que este método funcionó bien, especialmente para los circuitos más "desordenados":

Circuitos Simples: Para tareas sencillas, los resultados ya eran bastante buenos, y la corrección dio un pequeño impulso (mejorando la precisión en un 3–10%).
Circuitos Complejos: Para tareas que involucran a dos cúbits trabajando juntos (que son mucho más ruidosas), la mejora fue enorme. En algunos casos, mejoraron la precisión en un 30% o más.
El "Número Mágico": Midieron el éxito usando algo llamado "Fidelidad de Hellinger" (una puntuación de qué tan cerca está el resultado de la verdad).
- Cuando la computadora lo hacía terriblemente (puntuación ~30%), la corrección ayudaba un poco, pero no podía arreglar un desastre total.
- Cuando la computadora lo hacía aceptablemente (puntuación ~60%), la corrección la convertía en un gran resultado (puntuación ~90%+).

La Conclusión

El artículo afirma que el Agrupamiento Difuso es una herramienta poderosa para limpiar datos cuánticos ruidosos.

Es Software, no Hardware: No necesitas construir una mejor máquina; solo necesitas una mejor matemática para procesar los datos después de que la máquina se ejecuta.
Funciona en Chips "Imperfectos": No requiere una computadora cuántica perfecta y de última generación para funcionar. Ayuda incluso a que las máquinas más "rudimentarias" funcionen mejor.
Es Rápido: Ocurre en una computadora regular después de que se realiza el experimento cuántico, por lo que no ralentiza la propia máquina cuántica.

En resumen, los investigadores demostraron que incluso si tu computadora cuántica está un poco "borracha" (ruidosa), puedes usar un filtro matemático inteligente para ayudarla a decir la verdad.

Resumen Técnico: Mitigación de Errores en Procesadores Cuánticos Superconductores mediante Agrupamiento Difuso (Fuzzy Clustering)

Planteamiento del Problema
La utilidad práctica del hardware cuántico superconductor está actualmente limitada por las restricciones de la era NISQ (Escala Cuántica Intermedia con Ruido): un número modesto de cúbits y altos niveles de errores de control y lectura. Estos errores surgen del acoplamiento intencional con el entorno externo requerido para la manipulación y lectura, así como del escape de estado (state leakage) y el acoplamiento cruzado. Si bien la Corrección de Errores Cuánticos (QEC) ofrece una solución a largo plazo, requiere una carga de hardware significativa (miles a cientos de miles de cúbits físicos) que actualmente es inviable. En consecuencia, las técnicas de Mitigación de Errores Cuánticos (QEM) son esenciales para mejorar la precisión de los valores de esperanza en los dispositivos actuales. Los métodos de QEM existentes, como la Extrapolación de Ruido Cero (ZNE) o la Cancelación de Error Probabilística (PEC), a menudo requieren altos costos de muestreo o ajustes de parámetros complejos. Además, las demostraciones previas de QEM basadas en el Agrupamiento Difuso (Fuzzy C-Means - FCM) se limitaron a simuladores cuánticos con ruido y no habían sido validadas en hardware NISQ real.

Metodología
Los autores proponen y validan experimentalmente una técnica de QEM basada en el agrupamiento Fuzzy C-Means (FCM) para identificar y corregir patrones de error de medición. El flujo de trabajo involucra tres pasos principales:

Creación del Conjunto de Datos: Se inicializa el registro de 2 cúbits en los cuatro estados de la base computacional ( $|00\rangle, |01\rangle, |10\rangle, |11\rangle$ ). Para cada estado, se ejecutan $t$ experimentos para recolectar vectores de probabilidad que representan los resultados de lectura. Esto genera cuatro conjuntos de datos ( $D_i$ ), cada uno conteniendo instancias de probabilidades de medición.
Agrupamiento Difuso (Fuzzy Clustering): El algoritmo FCM se aplica a cada conjunto de datos para agrupar los vectores de probabilidad en diferentes patrones de error. A diferencia del agrupamiento rígido (hard clustering), el FCM asigna un grado de membresía a cada instancia para cada grupo. El número óptimo de grupos se determina maximizando el coeficiente de partición difusa ( $f_{pc}$ ).
Construcción de la Matriz de Mitigación: El algoritmo selecciona los vectores de probabilidad "más apropiados" —aquellos con los grados de membresía más inciertos en la matriz de partición difusa, que representan un equilibrio entre los patrones de error—. Estos vectores se utilizan para construir una matriz de calibración $M$ . La matriz de mitigación $S$ se calcula entonces como la inversa de $M$ ( $S = M^{-1}$ ). Esta matriz se aplica clásicamente a los vectores de conteo ruidosos ( $C_{noisy}$ ) para estimar los vectores de conteo ideales ( $C_{ideal} = S \cdot C_{noisy}$ ).

Configuración Experimental
La técnica fue validada en un procesador cuántico superconductor de 5 cúbits real (QuantWare Soprano) basado en cúbits de transmon. El experimento se centró en un subconjunto de 2 cúbits compuesto por los cúbits Q0 (baja frecuencia) y Q2 (frecuencia media central).

Características del Hardware: El dispositivo exhibió tiempos de coherencia moderados (por ejemplo, $T_1 \approx 24 \mu s$ para Q0, $T_1 \approx 8 \mu s$ para Q2) y fidelidades de lectura que oscilan entre el 60% y el 80%, sin el uso de amplificación limitada por la cuántica o técnicas de lectura sofisticadas.
Desempeño de Puertas: Las fidelidades de las puertas de un solo cúbit fueron aproximadamente del 99.8% (Q0) y 99.43% (Q2). La fidelidad de la puerta de dos cúbits CZ fue aproximadamente del 89%, la cual es inferior a los estándares de referencia actuales, proporcionando un banco de pruebas desafiante para la mitigación de errores.
Circuitos: La validación involucró 16 circuitos de prueba (4 estados iniciales $\times$ 4 tipos de circuito) que comprenden puertas de un solo cúbit (rotaciones de Hadamard, X, Y) y puertas de dos cúbits (CNOT construido vía CZ).

Resultados Clave
El desempeño de la técnica FCM-QEM se evaluó utilizando la fidelidad de Hellinger ($HF$), que mide la similitud entre las distribaciones de probabilidad ideal y la experimental (mitigada y no mitigada).

Circuitos de un Solo Cúbit: La técnica proporcionó una mejora modesta. Para el "Circuito de un solo cúbit 1", la $HF$ promedio mejoró aproximadamente un +3% (por ejemplo, del 93% al 96%). Para el "Circuito de un solo cúbit 2", las mejoras oscilaron entre +10% y +15%.
Circuitos de Dos Cúbits: Se observaron mejoras significativas en circuitos con fidelidades iniciales más bajas.
- Para el "Circuito de dos cúbits 1" (CNOT + H), la mejora osciló entre +5% y +33%, con una mejora máxima de +33% para el estado inicial $|00\rangle$ (elevando la fidelidad del 54% al 87%).
- Para el "Circuito de dos cúbits 2" (solo CNOT), las mejoras oscilaron entre +0% y +30%.
Límites de Desempeño: Los autores observaron que cuando la fidelidad de Hellinger no mitigada era muy baja (por debajo de 50%), la técnica de mitigación ofrecía una corrección mínima (mejora del 5–9%). Sin embargo, para fidelidades iniciales alrededor del 60%, la técnica pudo mejorar la lectura hasta en un 30%. En casos donde el circuito no mitigado ya mostraba una alta fidelidad (90%), la técnica pudo elevar el resultado a ~99%.

Significancia y Reivindicaciones
El artículo afirma proporcionar la primera validación de prueba de concepto de la técnica FCM-QEM en un dispositivo NISQ real basado en cúbits superconductores de tipo transmon. La significancia de este trabajo radica en demostrar que:

Independencia del Hardware: La técnica de QEM basada en FCM puede mejorar la precisión de los valores de esperanza para circuitos de puertas de uno y dos cúbits sin requerir coherencia, puertas o fidelidades de lectura de vanguardia. Es efectiva incluso en hardware con métricas de desempeño "modestas".
Conveniencia Experimental: El método depende enteramente del post-procesamiento clásico y una rutina de inicialización, evitando la necesidad de recursos de hardware adicionales o correcciones complejas dentro del circuito (a diferencia de ZNE o t-REx).
Estabilidad: La técnica demuestra repetibilidad a través de múltiples ejecuciones, contabilizando eficazmente la aleatoriedad de la lectura y el ruido de disparo (shot noise).
Advertencia de Escalabilidad: Los autores reconocen que, al igual que otras técnicas de QEM basadas en matrices, el costo computacional para construir e invertir la matriz de mitigación escala exponencialmente con el número de cúbits, un desafío que debe abordarse en trabajos futuros.

Los autores concluyen que la FCM-QEM es un candidato adecuado para la mitigación de errores de lectura en dispositivos NISQ, particularmente aquellos con características de lectura no optimizadas, y puede integrarse en interfaces de software entre configuraciones de hardware y procesadores cuánticos.