⚛️ quantum physics

Iterative Linear Quadratic Regulator for Quantum Optimal Control

Este artículo adapta el Regulador Cuadrático Lineal Iterativo (ILQR) a la optimización de puertas cuánticas mediante la incorporación de restricciones en los controles y sus derivadas para generar secuencias de pulsos más suaves y de alta fidelidad para puertas X y de resonancia cruzada en cúbits transmon.

Autores originales: Dirk Heimann, Felix Wiebe, Tahereh Abad, Elie Mounzer, Tangyou Huang, Frank Kirchner, Shivesh Kumar

Publicado 2026-08-10

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Dirk Heimann, Felix Wiebe, Tahereh Abad, Elie Mounzer, Tangyou Huang, Frank Kirchner, Shivesh Kumar

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 enseñar a un diminuto e invisible bailarín a realizar una pirueta perfecta. Este bailarín no está hecho de carne y hueso, sino de pura energía y probabilidad, viviendo en un mundo donde las reglas de la física son tan resbaladizas como una barra de jabón en una bañera. Este es el mundo de la computación cuántica. En este reino, los "bailarines" se llaman cúbits, y las "piruetas" son puertas lógicas: las instrucciones fundamentales que hacen que una computadora piense. Pero aquí está el truco: estos bailarines son increíblemente sensibles. Si los empujas demasiado fuerte, demasiado rápido o con el ritmo equivido, tropiezan, pierden el equilibrio y toda la actuación se convierte en un caos. Por eso los científicos necesitan el "Control Óptimo Cuántico". Es el arte de diseñar la secuencia perfecta de empujones invisibles (llamados pulsos) para guiar a estos cúbits exactamente a donde necesitan ir, sin hacerlos tropezar. El objetivo es hacer que estos movimientos sean tan precisos y fiables que podamos construir computadoras capaces de resolver problemas que a las supercomputadoras actuales les tomaría miles de años descifrar.

Entonces, entra el equipo de investigadores de Alemania y Suecia que decidió probar un nuevo instructor de danza para estos bailarines cuánticos. Tomaron un método llamado "Regulador Cuadrático Lineal Iterativo" (o iLQR), que ya es una superestrella en el mundo de la robótica para enseñar a máquinas complejas cómo caminar o volar, y le enseñaron cómo coreografiar puertas cuánticas. En lugar de simplemente adivinar y comprobar, su nuevo enfoque trata el problema como un juego de "caliente o frío" jugado a la inversa. Comienza en la línea de meta, averigua cuál debería haber sido el movimiento perfecto para llegar allí y luego trabaja hacia atrás paso a paso para ajustar los controles. Pero no se limitaron a copiar y pegar el método del robot; lo ajustaron para que los "pasos de baile" fueran más fluidos. En el mundo real, las máquinas que generan estos pulsos (llamadas Generadores de Formas de Onda Arbitrarias) no pueden manejar cambios bruscos y espasmódicos de velocidad. Por ello, los investigadores añadieron una regla que penaliza los saltos abruptos, obligando al algoritmo a encontrar un camino que fluya como un río en lugar de estrellarse como una cascada.

Lo que encontraron en sus simulaciones es bastante prometedor. Al utilizar esta versión suavizada del iLQL, fueron capaces de diseñar secuencias de pulsos para puertas de un solo cúbit y de dos cúbits que son increíblemente precisas. Para un solo cúbit realizando una "puerta X" (un giro básico), lograron un nivel de precisión donde el error era tan pequeño que era casi invisible: solo unos 4 errores en mil millones de intentos. Para una puerta de dos cúbits más compleja, de "resonancia cruzada", que entrelaza a dos bailarines, también encontraron soluciones de alta fidelidad, aunque la tasa de error fue ligeramente mayor, de aproximadamente 6 errores en 100,000 intentos. ¿Lo mejor de todo? No necesitaban saber la respuesta "correcta" de antemano. A diferencia de otros métodos que a menudo se quedan estancados si no les das una buena suposición inicial, este nuevo método parece encontrar el camino perfecto incluso cuando comienza con movimientos aleatorios y desordenados.

Sin embargo, hay un "pero" en esta historia. Estos resultados son actualmente solo simulaciones: ensayos digitales en una computadora, no una actuación en una máquina cuántica real. Los investigadores admiten que los pulsos que encontraron son todavía un poco largos, tardando hasta 240 nanosegundos en completarse, lo que es como un baile en cámara lenta comparado con lo que podría ser posible. También señalaron que, si bien su método produce pulsos muy suaves y gentiles que son amigables con el hardware, otros métodos existentes (como L-BFGS-B GRAPE) pueden a veces encontrar soluciones aún más precisas si se les proporciona un punto de partida muy específico y bien elegido. Pero si no conoces el punto de partida perfecto, este nuevo método iLQR es como un entrenador confiable que puede descubrir la rutina desde cero.

El trabajo del equipo sugiere que este enfoque "estilo robótica" podría ser una nueva herramienta poderosa para el futuro de la computación cuántica. Demostraron que, al tratar el problema de control como una tarea de optimización de trayectoria y suavizar los bordes, pueden acercarse mucho a la puerta perfecta sin necesidad de un cristal de adivinación para ver la solución primero. Aunque no han resuelto todos los problemas todavía —el hardware del mundo real es desordenado y está lleno de sorpresas que las simulaciones no siempre pueden predecir—, han abierto una nueva puerta. Su siguiente paso es llevar esta coreografía digital y probarla en chips cuánticos reales, con la esperanza de ver si los bailarines pueden actuar con la misma belleza en el mundo real que en la simulación.

Resumen Técnico: Regulador Cuadrático Lineal Iterativo para el Control Óptimo Cuántico

Planteamiento del Problema
El control óptimo cuántico (QOC, por sus siglas en inglés) busca diseñar secuencias de pulsos de campos externos precisos para lograr operaciones de compuerta de alta fidelidad en sistemas cuánticos, apuntando específicamente a fidelidades por debajo del umbral de corrección de errores. Aunque métodos establecidos como GRAPE (Ascenso de Gradiente de Ingeniería de Pulsos) y el método de Krotov son ampliamente utilizados, a menudo dependen de estrategias de inicialización específicas o presentan limitaciones con respecto a las garantías de convergencia y el manejo de restricciones complejas. Los autores identifican una brecha en la aplicación del Regulador Cuadrático Lineal Iterativo (iLQR) —un método de optimización de trayectorias de vanguardia en robótica— al dominio de la síntesis de compuertas cuánticas. El desafío radica en adaptar el iLQR a la dinámica no lineal de los sistemas cuánticos (gobernada por la ecuación de Schrödinger) mientras se incorporan restricciones específicas del hardware, tales como envolventes de pulso suaves y condiciones de contorno cero requeridas por los Generadores de Formas de Onda Arbitrarias (AWG).

Metodología
El artículo propone una adaptación del algoritmo iLQR para la optimización de compuertas cuánticas, dirigida específicamente a qubits transmon de frecuencia fija. La metodología involucra varios componentes técnicos clave:

Representación Isomórfica: Para manejar las matrices unitarias de valores complejos de la evolución cuántica, los autores vectorizan el espacio de estados. Las matrices complejas $U \in \mathbb{C}^{d \times d}$ se mapean a vectores y matrices de valores reales de dimensión $2d^2$ , lo que permite el uso de técnicas de optimización estándar de valores reales.
Aproximación de Padé: En lugar de calcular exponenciales de matrices exactas (que pueden ser computacionalmente costosas para sistemas de mayor nivel), los autores utilizan una aproximación de Padé (específicamente una serie de potencias de octavo orden) para aproximar la exponencial de la matriz $\exp(-iH(u_k)\Delta t)$ requerida para la propagación hacia adelante.
Formulación de iLQR: El problema de QOC se plantea como un problema de optimización de trayectoria que minimiza un funcional de costo $J$ compuesto por un costo de carrera y un costo final. El algoritmo emplea un paso hacia atrás para calcular las derivadas de la función de valor y las ganancias de retroalimentación ( $\kappa_k, K_k$ ) utilizando una aproximación de Gauss-Newton (ignorando las derivadas de segundo orden de la dinámica), seguido de un paso hacia adelante para actualizar la trayectoria de control. Se utiliza la regularización de Levenberg-Marquardt para asegurar la invertibilidad de la aproximación de la Hessiana.
Restricciones de Control Suaves: Para abordar las limitaciones del hardware donde los cambios abruptos de amplitud son indeseables, los autores modifican las variables de control. En lugar de optimizar directamente las amplitudes de los pulsos $u_k$ , optimizan las derivadas de las envolventes de los pulsos ( $\dot{u}_k$ ). Los controles reales se actualizan mediante $u_{k+1} = u_k + \dot{u}_k \Delta t$ . Esta formulación permite que la función de costo penalice la tasa de cambio, las amplitudes de los pulsos y los valores finales, asegurando que los pulsos comiencen y terminen en cero.
Modelos de Sistema: El método se prueba en:
- Sistemas de un qubit: Modelados como osciladores de Duffing con dos y tres niveles de energía.
- Sistemas de dos qubits: Modelados como transmones acoplados en el régimen dispersivo utilizando un Hamiltoniano efectivo derivado mediante la transformación de Schrieffer-Wolf. Se simulan tanto modelos de dos niveles como de tres niveles.

Contribuciones Clave

Adaptación del Algoritmo: La exitosa adaptación de iLQR a la optimización de compuertas cuánticas, estableciendo una conexión entre la optimización de trayectorias en robótica y el QOC.
Síntesis de Pulsos Suaves: La introducción de una formulación de control basada en derivadas que impone inherentemente formas de pulso suaves y condiciones de contorno cero sin requerir complejas restricciones de desigualdad.
Simulación Exhaustiva: Resultados de simulación de alta fidelidad para compuertas $X$ (un solo qubit) y compuertas de Resonancia Cruzada (CR) (dos qubits) en transmones de frecuencia fija, considerando modelos de dos niveles y tres niveles (fuga/leakage).
Análisis Comparativo: Una comparación directa con L-BFGS-B GRAPE, resaltando las diferencias en el comportamiento de convergencia y la sensibilidad a las formas iniciales de los pulsos.

Resultos
Los autores simularon la síntesis de compuertas utilizando parámetros del procesador IBM Eagle (ibm_brisbane):

Un Qubit (2 Niveles): Para la compuerta $X$ , el método iLQR con controles derivados logró una infidelidad de $4.0 \times 10^{-9}$ con formas de pulso suaves, de tipo parabólico. Esto se comparó con una solución de L-BFGS-B GRAPE con una infidelidad de $1.9 \times 10^{-13}$ utilizando una suposición inicial gaussiana.
Un Qubit (3 Niveles): Incluyendo la fuga al estado $|2\rangle$ , iLQR logró una infidelidad de $2.1 \times 10^{-7}$ . Los pulsos resultantes exhibieron naturalmente características similares al procedimiento DRAG (Eliminación de la Derivada mediante Compuerta Adiabática), donde la cuadratura de fase opuesta es proporcional a la derivada de la cuadratura de fase en fase.
Dos Qubits (2 Niveles): Para la compuerta de Resonancia Cruzada (duración de 240 ns), iLQR logró una infidelidad de $1.1 \times 10^{-8}$ .
Dos Qubits (3 Niveles): Considerando la fuga, la infidelidad fue de $5.9 \times 10^{-5}$ .
Sensibilidad de Hiperparámetros: El estudio encontró que el diseño de las matrices de costo cuadrático ( $Q_f, R_d, R_c, R_f$ ) tuvo un impacto más significativo en la fidelidad final y la suavidad que las formas iniciales de los pulsos.

Significancia y Reclamaciones
El artículo afirma que iLQR ofrece una alternativa robusta a los métodos de QOC existentes, particularmente para escenarios donde no se conoce una solución analítica a priori.

Independencia de la Inicialización: A diferencia de L-BFGS-B GRAPE, que tiende a producir soluciones que permanecen cerca de la forma de pulso inicial (por ejemplo, una Gaussiana), el enfoque iLQR encuentra soluciones suaves y de alta fidelidad independientemente de la inicialización aleatoria, siempre que la función de costo esté bien ajustada.
Compatibilidad con el Hardware: Al optimizar las derivadas, el método produce naturalmente pulsos que respetan las restricciones de los AWG (suavidad, inicio/final en cero), lo cual es crítico para la implementación experimental.
Direcciones Futuras: Los autores señalan modestamente que, aunque las compuertas actuales son de alta fidelidad, son relativamente largas (por ejemplo, 240 ns). El trabajo futuro apunta a optimizar para pulsos más cortos utilizando funciones de costo dependientes del tiempo e integrar la retroalimentación del hardware para mitigar las imprecisiones del modelo inherentes a los sistemas superconductores. El método se presenta como aplicable a diversas arquitecturas superconductoras, incluyendo aquellas con transmones ajustables.

Resumen Técnico: Regulador Cuadrático Lineal Iterativo para el Control Óptimo Cuántico

Más como este