Entropy Density Benchmarking of Near-Term Quantum Circuits

Las computadoras modernas son potentes, pero no son perfectas. Cometen errores, y a medida que las tareas se vuelven más difíciles, esos errores se acumulan hasta que la respuesta se vuelve inútil. Las computadoras cuánticas, la siguiente generación de máquinas que utilizan las extrañas reglas de la física para resolver problemas, enfrentan este mismo problema pero con una intensidad mucho mayor. Debido a que son tan sensibles a su entorno, la información que contienen tiende a desdibujarse y desvanecerse muy rápidamente. Este desvanecimiento se mide mediante un concepto llamado entropía, que esencialmente rastrea cuánto orden se ha convertido en desorden. Cuando una computadora cuántica trabaja, intenta mantener su información pura y ordenada. Sin embargo, el ruido del mundo exterior empuja constantemente al sistema hacia un estado de confusión total, donde cada respuesta posible es igualmente probable. El desafío central para los científicos hoy en día es determinar exactamente cuánto trabajo puede realizar una computadora cuántica antes de que este ruido inunde la señal, convirtiendo a la máquina en nada mejor que una suposición aleatoria.

Un equipo de investigadores de la Universidad de Edimburgo, trabajando con colaboradores en Francia y el Reino Unido, ha desarrollado una nueva forma de medir este límite. En lugar de intentar ejecutar un problema complejo del mundo real en una computadora cuántica para ver si funciona, crearon un método para predecir el punto de falla rastreando cuánto desorden se acumula mientras la computadora procesa la información. Ellos lo llaman "densidad de entropía", una medida de cuánta confusión existe por cada pieza de la memoria de la máquina. Al construir modelos simples de cómo crece esta confusión y probarlos contra experimentos reales, el equipo encontró una forma de calcular un techo estricto sobre el tamaño de cualquier tarea que una computadora cuántica actual pueda manejar. Su trabajo sugiere que, para muchos problemas prácticos, el límite es mucho más bajo de lo que se pensaba anteriormente, lo que significa que es posible que debamos esperar a un mejor hardware antes de que estas máquinas puedan realmente superar a las mejores computadoras clásicas.

Los investigadores se centraron en un tipo específico de algoritmo cuántico conocido como algoritmo cuántico variacional, que es un método popular para resolver problemas de optimización en las máquinas ruidosas de hoy. Estos algoritmos funcionan mediante la superposición de operaciones simples una encima de otra, como apilar bloques, para construir una solución. El equipo quería entender qué sucede con la información a medida que se añaden estas capas. Comenzaron ejecutando simulaciones en computadoras clásicas, modelando un circuito cuántico con un número específico de capas y cúbits, las unidades básicas de la memoria cuántica. Introdujeron un tipo estándar de error, conocido como ruido de depolarización, que desordena aleatoriamente el estado de los cúbits. A medida que añadían más capas al circuito, observaban cómo aumentaba la densidad de entropía. Descubrieron que el desorden crecía de manera constante y que, para sistemas más grandes, convergía hacia un nivel máximo de confusión muy rápidamente. Este nivel máximo representa un estado donde la computadora cuántica ha perdido toda la información útil y es, efectivamente, solo una bolsa de ruido aleatorio.

Para dar sentido a este rápido crecimiento, el equipo desarrolló un modelo matemático simple basado en la idea de ruido de depolarización global. Este modelo asume que, después de que todo el circuito termina su trabajo, todo el sistema es golpeado por una única onda de ruido uniforme que lo mezcla todo. Sorprendentemente, esta suposición simple, que ignora los detalles complejos de cómo ocurren los errores en cada paso, coincidió muy bien con los resultados de sus simulaciones detalladas. Proporcionó una regla clara: a medida que el circuito se hace más profundo y ancho, la densidad de entropía aumenta hasta alcanzar un umbral donde la ventaja cuántica desaparece. Los investigadores llevaron luego este modelo al mundo real para ver si se mantenía. Utilizaron un procesador cuántico superconductor de Rigetti, una empresa que construye estas máquinas, para ejecutar las mismas capas de circuito que habían simulado. Midieron la pureza del estado de salida, que es el inverso de la entropía, utilizando una técnica llamada sombras clásicas (classical shadows). Este método les permitió estimar el desorden en el sistema sin necesidad de medir cada detalle individual, lo cual sería imposible para máquinas más grandes.

Los resultados experimentales mostraron que la máquina real se comportaba de manera similar al modelo, pero con un giro. La entropía en el dispositivo real creció más rápido de lo que el modelo simple predijo. Los investigadores investigaron por qué estaba sucediendo esto y descubrieron que el modelo estándar omitía un factor crucial: el tiempo que tardan los cúbits en relajarse de nuevo a su estado de reposo, conocido como relajación T1. Cuando añadieron esta realidad física a su modelo, las predicciones se alinearon mucho mejor con los datos experimentales. La máquina perdía información no solo debido al ruido aleatorio, sino también porque los cúbits decaían naturalmente con el tiempo. Este refinamiento fue crítico porque significó que su modelo podía predecir con precisión el rendimiento del hardware. Descubrieron que, incluso con estos refinamientos, el modelo de depolarización global seguía siendo una herramienta útil, actuando como un límite inferior conservador que garantizaba que la máquina fallaría antes de alcanzar el límite predicho.

Con un modelo validado en mano, el equipo aplicó sus hallazgos a un benchmark específico para la ventaja cuántica: el problema MAX-CUT, un desafío clásico en la ciencia de la computación donde se intenta dividir una red en dos grupos para maximizar las conexiones entre ellos. Combinaron su modelo de entropía con el conocimiento existente sobre qué tan bien resuelven este problema las computadoras clásicas. Al calcular el punto en el que la entrop la entropía de la computadora cuántica sería tan alta que su respuesta sería peor que la mejor solución clásica, establecieron un nuevo y más estricto límite sobre el tamaño del circuito. Para un procesador cuántico moderno típico con una tasa de error de puerta de dos cúbits de uno en mil, encontraron que la máquina pierde su ventaja una vez que el circuito alcanza una profundidad de aproximadamente 110 capas. Este es un umbral mucho más bajo de lo que las estimaciones previas sugerían, indicando que la ventana para la ventaja cuántica es más estrecha de lo que muchos esperaban.

La importancia de este trabajo radica en su capacidad para cerrar la brecha entre la física de bajo nivel de la máquina y el rendimiento de alto nivel de la aplicación. Anteriormente, los científicos tenían que elegir entre medir la calidad de las puertas individuales o ejecutar una aplicación completa para ver si funcionaba. Este nuevo método permite predecir el resultado de una aplicación simplemente midiendo cuánta entropía se acumula en el circuito. Proporciona una forma clara y cuantitativa de decir: "Si intentas resolver un problema de este tamaño, el ruido ganará". Aunque los investigadores reconocen que su modelo es una simplificación y que los dispositivos reales tienen otros tipos de errores, como el crosstalk entre cúbits, argumentan que este enfoque ofrece una forma fiable y práctica de establecer expectativas. Nos dice que, para el hardware actual, el camino para resolver problemas complejos del mundo real está bloqueado por el ruido mucho antes de lo que podríamos haber imaginado, y que los futuros avances dependerán de la construcción de máquinas que puedan mantener su información pura durante más tiempo.