⚛️ quantum physics

Cross-Platform Benchmarking of Near-Term Quantum Optimisation Algorithms

Este artículo presenta un marco de referencia de nivel de aplicación para evaluar algoritmos de optimización cuántica en dispositivos comerciales de acceso remoto, demostrando mediante un problema de ciencia de materiales que, aunque los métodos cuánticos pueden resolver problemas QUBO de hasta 72 variables, su rendimiento se ve limitado más allá de este umbral por la conectividad del dispositivo, el ruido y los sobrecostos computacionales clásicos.

Autores originales: Kieran McDowall, Theodoros Kapourniotis, Christopher Oliver, Phalgun Lolur, Konstantinos Georgopoulos

Publicado 2026-03-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kieran McDowall, Theodoros Kapourniotis, Christopher Oliver, Phalgun Lolur, Konstantinos Georgopoulos

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

¡Claro que sí! Imagina que este artículo es como un gran torneo de carreras donde se ponen a prueba diferentes vehículos para ver cuál es el mejor para resolver un rompecabezas muy difícil.

Aquí te explico de qué trata, usando analogías sencillas:

1. El Problema: El "Rompecabezas de Grafito"

Imagina una hoja de papel hecha de una red de hexágonos (como un panal de abeja), que es en realidad una capa de grafeno (el material súper fuerte que se usa en pantallas y baterías).

El desafío es: Si tienes que quitar exactamente 3 átomos de esta red, ¿cuáles deberías quitar para que la hoja siga siendo lo más fuerte y estable posible?

La analogía: Imagina que tienes una red de amigos muy conectados. Si tienes que expulsar a 3 personas de la red, ¿a quiénes expulsas para que el resto de la red siga teniendo la mayor cantidad de conexiones entre ellos?
Por qué es difícil: Hay tantas combinaciones posibles que, incluso para una computadora clásica muy potente, probar todas las opciones una por una tomaría una eternidad si la red es grande.

2. Los Competidores: ¿Quién gana la carrera?

Los autores del artículo pusieron a competir a tres tipos de "conductores" (algoritmos) para resolver este rompecabezas:

El "Método de la Fuerza Bruta" (Clásico): Es como un explorador que prueba cada camino posible hasta encontrar el mejor.
- Veredicto: Es el más preciso, pero es lento como una tortuga. Si la red crece un poco, se queda atascado.
El "Simulated Annealing" (Recocido Simulado - Clásico): Es como un bombero experto. Empieza con mucha "fuerza" (temperatura) para saltar sobre obstáculos y luego se enfría poco a poco para asentarse en la solución óptima.
- Veredicto: ¡Es el ganador! Es rápido, eficiente y maneja redes muy grandes sin problemas.
Las "Máquinas Cuánticas" (Los nuevos coches de carreras): Aquí es donde entra la magia. Usaron dos tipos de máquinas cuánticas disponibles en la nube (como alquilar un supercoche):
1. VQE (Variational Quantum Eigensolver): Es como un piloto de prueba que ajusta los controles de su coche en tiempo real, probando y aprendiendo de sus errores para acercarse a la meta.
2. Quantum Annealing (Recocido Cuántico): Es como un esquiador que deja que la gravedad (la física cuántica) lo guíe por la montaña hacia el valle más bajo (la solución perfecta).

3. Los Resultados: ¿Qué descubrieron?

El artículo no solo compara quién va más rápido, sino que analiza dónde se atascan estas máquinas cuánticas hoy en día.

El problema de la "Conectividad":
Imagina que las máquinas cuánticas son como un grupo de personas en una habitación. En una computadora clásica, todos pueden hablar con todos. Pero en las máquinas cuánticas actuales, solo pueden hablar con sus vecinos inmediatos.
- La analogía: Si quieres que todos hablen entre sí en una red de 72 personas, pero solo pueden hablar con sus vecinos, tienes que crear "cadenas" de personas que pasen mensajes. Esto es lento y consume mucha energía. Cuando el problema es muy denso (todos conectados con todos), las máquinas cuánticas se ahogan en sus propias cadenas.
El "Ruido" (La estática):
Las computadoras cuánticas actuales son muy sensibles. Es como intentar escuchar una canción favorita en una habitación llena de gente gritando y con el viento aullando. Ese "ruido" hace que el piloto de prueba (VQE) se confunda y no encuentre el camino perfecto.
El hallazgo clave:
Aunque las computadoras cuánticas son prometedoras, las computadoras clásicas (específicamente el "Recocido Simulado") siguen siendo más rápidas y mejores para este tipo de problemas hoy en día. Las máquinas cuánticas lograron resolver problemas de hasta 72 variables, pero se volvieron lentas y menos precisas a medida que los problemas crecían.

4. La Lección Principal: No es solo el coche, es la carretera

El artículo nos dice algo muy importante: No podemos culpar solo al coche (el algoritmo) si la carretera (el hardware) tiene baches.

Las máquinas cuánticas tienen un gran potencial, pero necesitan:
1. Más qubits (más asientos en el coche).
2. Menos ruido (una carretera más silenciosa).
3. Mejores mapas (algoritmos de "embedding" para conectar mejor los qubits).

En resumen

Este estudio es como un informe de pruebas de manejo honesto. Nos dice que, aunque las computadoras cuánticas son fascinantes y tienen un potencial increíble para el futuro, hoy en día, para resolver problemas de optimización complejos como este, las computadoras clásicas inteligentes siguen siendo las reinas del camino.

Sin embargo, el estudio es valioso porque crea un manual de instrucciones (un marco de trabajo) para que, en el futuro, cuando las máquinas cuánticas sean más potentes, sepamos exactamente cómo compararlas con las clásicas de manera justa y transparente. ¡Es un paso necesario para saber cuándo llegará el día en que las máquinas cuánticas ganen la carrera!

Título: Evaluación Comparativa Multiplataforma de Algoritmos de Optimización Cuántica a Corto Plazo

1. El Problema: Análisis de Defectos en Grafeno y QUBO

El estudio aborda un problema de optimización combinatoria derivado de la ciencia de materiales: encontrar la configuración de menor energía en estructuras de grafeno defectuosas.

Formulación: El problema se modela como un problema de Optimización Binaria Cuadrática sin Restricciones (QUBO) denso. El objetivo es eliminar un número fijo de átomos (vacantes) de una red hexagonal de grafeno para maximizar el número de enlaces carbono-carbono restantes (minimizar la energía del sistema).
Complejidad: Matemáticamente, esto se traduce en el problema del subgrafo $k$ -más denso (DkS), que es NP-duro.
Especificidad del caso de prueba: Se considera la eliminación de 3 átomos ( $k = N - 3$ ) de una red de $N$ sitios. A diferencia de problemas donde $k$ escala con $N$ , aquí el número de vacantes es constante, lo que hace que el espacio de búsqueda crezca polinomialmente, aunque la formulación QUBO sigue siendo densa (conectividad completa).
Desafío: Los problemas QUBO densos son difíciles de mapear en hardware cuántico debido a la conectividad limitada de los qubits físicos, lo que requiere técnicas de "incrustación" (embedding) que consumen muchos recursos.

2. Metodología: Marco de Referencia Multiplataforma

Los autores desarrollan un marco de referencia riguroso para comparar algoritmos cuánticos y clásicos en condiciones justas y transparentes.

Algoritmos Evaluados:
- Cuánticos:
  - VQE (Variational Quantum Eigensolver): Ejecutado en un procesador cuántico basado en puertas (IBM ibm_fez, 156 qubits) y en un simulador de vectores de estado sin ruido. Se utiliza el ansatz RealAmplitudes y la función de objetivo CVaR (Conditional Value at Risk) para mejorar la convergencia.
  - QA (Quantum Annealing): Ejecutado en un recocidor cuántico comercial (D-Wave Advantage 6.4, 5612 qubits físicos). Se probaron dos técnicas de incrustación: minor embedding (predeterminado) y clique embedding (optimizado para grafos completos).
- Clásicos: Fuerza bruta (para tamaños pequeños), Recocido Simulado (Simulated Annealing) y Muestreo Aleatorio.
Métricas de Rendimiento:
- Calidad de la Solución: Probabilidad de la solución óptima ( $P_s$ ) y Ratio de Aproximación (AR).
- Recursos: Tiempo de ejecución del usuario (User Runtime) y tiempo dedicado al QPU (QPU Time).
- Post-selección: Dado que se utilizan coeficientes de penalización ( $\lambda$ ) pequeños para mantener el rango de energía del QUBO manejable, se aplica una post-selección clásica para filtrar soluciones que violan la restricción de número de vacantes. Esto mejora significativamente la probabilidad de éxito.
Escalabilidad: Se probaron problemas desde 18 variables hasta 72 variables para los métodos cuánticos, y hasta 338 variables para el recocido simulado clásico.

3. Contribuciones Clave

Marco de Referencia Unificado: Presentan un enfoque sistemático para comparar algoritmos variacionales basados en puertas, recocido cuántico y métodos clásicos en instancias QUBO idénticas, desglosando tiempos de ejecución y calidad de solución.
Evaluación de Hardware Comercial: Logran resolver QUBOs densos completamente conectados de hasta 72 variables en hardware real (IBM y D-Wave), superando las limitaciones de conectividad mediante técnicas de incrustación.
Análisis de Escalado y Cuellos de Botella:
- Identifican que el tiempo de incrustación es el principal cuello de botella para el recocido cuántico en problemas grandes con minor embedding.
- Demuestran que el ruido y la decoherencia en dispositivos de puertas (VQE) impiden la convergencia a soluciones óptimas a medida que aumenta el número de qubits, limitando la escalabilidad práctica.
- Proporcionan evidencia provisional de que el recocido cuántico puede escalar en tiempo polinomial para ciertos tamaños de problema, aunque la calidad de la solución decae rápidamente.
Optimización de Parámetros: Muestran que el uso de coeficientes de penalización pequeños ( $\lambda$ ) combinados con post-selección es más efectivo que usar penalizaciones grandes, ya que evita un rango de energía excesivo que dificulta el recocido o la optimización variacional.

4. Resultados Principales

Rendimiento Clásico Superior: El Recocido Simulado fue el método más eficiente en términos de calidad de solución y tiempo, resolviendo problemas de hasta 338 variables con una escalabilidad polinomial. Esto destaca que, para problemas actuales, los métodos clásicos heurísticos siguen siendo muy competitivos.
Desempeño Cuántico:
- Recocido Cuántico (QA): Logró resolver instancias de hasta 72 variables con una probabilidad de solución óptima no nula. Sin embargo, la calidad de la solución disminuyó drásticamente con el tamaño. La técnica de clique embedding redujo el tiempo de incrustación en comparación con minor embedding, pero no compensó la pérdida de calidad en problemas muy grandes.
- VQE en QPU: El rendimiento fue limitado. Para problemas de 50+ variables, el algoritmo falló en encontrar soluciones con probabilidad no nula debido a la acumulación de errores, la falta de convergencia del optimizador clásico y los tiempos de ejecución excesivos en el hardware (limitados por colas y tiempos de acceso). El simulador de vectores de estado mostró mejor rendimiento, pero el hardware real no pudo escalar más allá de ~50 variables de manera efectiva.
Errores y Variabilidad: Se observó una alta desviación estándar en los resultados de VQE debido a la dependencia de los parámetros iniciales aleatorios y la sensibilidad al ruido (mesetas áridas o barren plateaus).
Tiempo de Ejecución: El tiempo de usuario para VQE en QPU fue órdenes de magnitud mayor que el de los métodos clásicos, debido principalmente al tiempo de compilación, optimización de circuitos y espera en colas, no solo al tiempo de ejecución del qubit.

5. Significado y Conclusiones

Realismo en la Ventaja Cuántica: El estudio concluye que, en la era de los dispositivos NISQ (Noisy Intermediate-Scale Quantum), la "ventaja cuántica" para problemas de optimización densos y prácticos aún no se ha demostrado frente a los mejores algoritmos clásicos heurísticos.
Importancia del Benchmarking: El trabajo subraya la necesidad de evaluar algoritmos en su totalidad (algoritmo + hardware + pre/post-procesamiento) en lugar de solo comparar tiempos de ejecución de qubits.
Futuro: Identifican que los cuellos de botella actuales (conectividad, ruido, tiempos de compilación) persisten incluso con mejoras de hardware (como los nuevos procesadores Heron r3 o Advantage2). Sugieren que futuras investigaciones deben centrarse en:
- Técnicas de mitigación de errores.
- Estrategias de "Warm Start" (inicialización con soluciones clásicas).
- Codificaciones más eficientes de múltiples variables por qubit.
- Identificación de instancias de problemas donde la estructura específica favorezca a los algoritmos cuánticos sobre los clásicos.

En resumen, el artículo proporciona una evaluación honesta y detallada del estado actual de la optimización cuántica, demostrando que, aunque los dispositivos pueden manejar problemas de tamaño moderado, la escalabilidad y la calidad de la solución aún están fuertemente limitadas por el ruido y la sobrecarga clásica asociada.