⚡ electrical engineering

Statistical Signal Processing for Quantum Error Mitigation

Este artículo propone un marco de procesamiento estadístico de señales para la mitigación de errores cuánticos que combina una etapa de filtrado para eliminar el ruido de despolarización con un algoritmo de esperanza-maximización para derivar estimaciones de máxima verosimilitud de las salidas sin ruido, demostrando su eficacia y escalabilidad tanto en datos simulados como sintéticos de la era NISQ.

Autores originales: Kausthubh Chandramouli, Kelly Mae Allen, Christopher Mori, Dror Baron, Mário A. T. Figueiredo

Publicado 2026-09-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kausthubh Chandramouli, Kelly Mae Allen, Christopher Mori, Dror Baron, Mário A. T. Figueiredo

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

En la era actual de la computación cuántica, las máquinas son potentes pero imperfectas. Operan en una fase conocida como la era de la escala intermedia con ruido, donde los dispositivos son lo suficientemente grandes como para intentar cálculos complejos, pero lo suficientemente pequeños como para que aún no puedan corregir sus propios errores por completo. El desafío central es que estas máquinas son increíblemente sensibles a su entorno. Cuando se ejecuta un circuito cuántico, la delicada información que contiene se desordena fácilmente debido a la interferencia aleatoria, de forma muy similar a un susurro perdido en una habitación llena de gente. Para obtener resultados útiles, los científicos deben utilizar una técnica llamada mitigación de errores cuánticos. Esto no se trata de arreglar la máquina en sí, sino de utilizar computadoras clásicas para limpiar los datos desordenados después de que la máquina cuántica haya terminado su trabajo. El objetivo es observar el resultado ruidoso y corrupto y determinar cuál debería haber sido la respuesta limpia y correcta.

Un equipo de investigadores de la Universidad Estatal de Carolina del Norte y del Instituto Superior Técnico ha desarrollado una nueva forma de realizar esta limpieza, tratando el problema como una tarea de procesamiento de señales estadísticas. En lugar de intentar predecir cómo fallará la máquina, construyeron un modelo que asume que el ruido se comporta de dos maneras específicas. Primero, asumen que los circuitos profundos suelen producir resultados que parecen estática aleatoria, donde cada respuesta posible aparece con la misma probabilidad. Segundo, tienen en cuenta errores simples donde un solo bit de información cambia de cero a uno o viceversa durante el proceso de lectura. Al separar estos dos tipos de errores, los investigadores crearon un método de dos pasos para recuperar la señal real.

El primer paso de su método actúa como un filtro. Imagine una habitación llena de personas gritando respuestas a una pregunta. Si la mayor parte de los gritos es solo ruido aleatorio, es imposible escuchar las respuestas reales. El algoritmo de los investigadores escanea los miles de mediciones tomadas por la máquina cuántica e identifica los patrones que parecen esta estática aleatoria. Luego, descarta esas mediciones que no son útiles, dejando atrás solo los datos que portan un indicio de estructura. Este proceso elimina el abrumador ruido de fondo, haciendo que los datos restantes sean mucho más fáciles de analizar.

Una vez que se elimina el ruido aleatorio, el equipo aplica un segundo paso utilizando una técnica matemática conocida como esperanza-maximización. Este es un proceso iterativo en el que la computadora hace una suposición educada sobre las respuestas correctas, comprueba qué tan bien se ajusta esa suposición a los datos restantes y luego refina la suposición. Repite este ciclo una y otra vez, acercándose lentamente a la solución más probable. A diferencia de otros métodos que asumen que solo hay una respuesta correcta, este enfoque está diseñado para manejar situaciones en las que un algoritmo cuántico podría tener varios resultados válidos. Además, no necesita saber de antemano cuántas respuestas correctas existen; lo descubre como parte del proceso.

Los investigadores probaron este enfoque utilizando simulaciones y datos reales de un procesador cuántico de IBM. Realizaron experimentos en sistemas de hasta catorce cúbits, que son las unidades básicas de información cuántica. En estas pruebas, el método demostró ser altamente efectivo, recuperando las respuestas correctas con muy pocos errores. Al compararlo con otras técnicas estadísticas existentes para limpiar datos cuánticos, su método funcionó mejor, logrando una precisión casi perfecta en muchos casos. El equipo también probó los límites de su enfoque generando datos sintéticos para un sistema mucho más grande de 128 cúbits. Incluso en este entorno simulado con ruido pesado, el algoritmo identificó con éxito las soluciones correctas, lo que sugiere que el método podría escalar a las máquinas más grandes del futuro.

El estudio destaca que la clave del éxito fue la forma específica en que se modeló el ruido. Al reconocer que los circuitos profundos a menudo producen una distribución uniforme y aleatoria de errores, los investigadores pudieron filtrar la peor interferencia antes de intentar resolver el rompecabezas. Encontraron que, con suficientes mediciones, el algoritmo podía determinar el número correcto de soluciones e identificarlas con alta precisión. Sin embargo, los investigadores advierten cuidadosamente que su trabajo no es una solución final para todos los problemas cuánticos. Su método asume que los errores son simétricos y aún no tiene en cuenta las interacciones más complejas entre los cúbits que ocurren en el hardware real. Además, la implementación actual depende de un tipo específico de modelo de ruido que funciona bien para ciertos circuitos, pero que puede necesitar ajustes para otros.

A pesar de estas limitaciones, los resultados ofrecen un camino prometedor. El equipo demostró que, al aplicar principios del procesamiento de señales clásicas a los datos cuánticos, es posible extraer información fiable de máquinas muy ruidosas. Su trabajo sugiere que no es necesario esperar necesariamente a computadoras cuántas perfectas y tolerantes a fallos para obtener resultados útiles. En cambio, con las herramientas estadísticas adecuadas, podemos hacer que las máquinas ruidosas que tenemos hoy sean mucho más capaces. Los hallazgos indican que los métodos estadísticos basados en principios pueden proporcionar soluciones escalables e interpretables para la mitigación de errores, ofreciendo una forma práctica de mejorar la fiabilidad de la computación cuántica a corto plazo.

Resumen Técnico: Procesamiento de Señales Estadísticas para la Mitigación de Errores Cuánticos

Formulación del Problema
En la era de la Computación Cuántica de Escala Intermedia con Ruido (NISQ), los circuitos cuánticos sufren de ruido que corrompe los resultados de las mediciones, lo que requiere una Mitigación de Errores Cuánticos (QEM) para recuperar resultados fiables. Este artículo aborda el desafío de estimar los estados de salida sin ruido más probables a partir de mediciones cuánticas ruidosas. Los autores modelan el entorno de ruido como una combinación de dos componentes primarios:

Ruido de Despolarización: Un escenario de peor caso donde el estado cuántico es reemplazado por un estado máximamente mezclado con una probabilidad $p$ . Esto resulta en resultados de medición que están distribuidos uniformemente entre todas las posibles cadenas de bits, careciendo de una estructura explotable significativa.
Errores de Bit-Flip de Lectura: Un proceso de ruido clásico donde los bits medidos se invierten (de 0 a 1 o de 1 a 0) con una probabilidad $\epsilon$ .

El objetivo es recuperar un conjunto de $K$ vectores binarios válidos y desconocidos ( $X = \{x_1, \dots, x_K\}$ ) y sus pesos de mezcla asociados ( $\alpha$ ) a partir de un conjunto de datos de $S$ disparos (shots) ruidosos ( $Y$ ), asumiendo que los errores subyacentes siguen el modelo de despolarización y bit-flip.

Metodología
El enfoque propuesto trata la QEM como un problema de procesamiento de señales estadísticas, utilizando un flujo de trabajo de dos etapas:

Etapa de Filtrado (Eliminación de Despolarización):
Antes de aplicar la estimación estadística, los autores emplean un algoritmo de filtrado basado en densidad (Algoritmo 1) para descartar los disparos consistentes con el ruido de despolarización. El método cuenta la frecuencia de cada cadena de bits observada y sus vecinos a una distancia de Hamming de 1. Al establecer un umbral $T$ basado en la frecuencia esperada del ruido uniforme ( $\lambda = S/2^n$ ), el algoritmo suprime las entradas de bajo soporte. Este paso elimina eficazmente el "fondo" del ruido distribuido uniformemente al descartar los disparos que se asemejan a él, dejando un conjunto de datos dominado por errores de bit-flip, los cuales son más susceptibles al modelado estadístico.
Algoritmo de Expectación-Maximización (EM):
Sobre los datos filtrados, los autores aplican un algoritmo de Expectación-Maximización para calcular la estimación de Máxima Verosimilitud (ML) de las salidas sin ruido.

Modelo: El problema se enmarca como un modelo de mezcla finita donde las variables latentes indican qué solución válida de las $K$ generó una observación ruidosa específica.
Verosimilitud: La función de verosimilitud tiene en cuenta las probabilidades de bit-flip independientes para cada qubit.
Optimización: Dado que el número de soluciones $K$ es desconocido y la función de verosimilitud no es convexa, los autores utilizan una función de log-verosimilitud modificada basada en el criterio de Longitud de Mensaje Mínimo (MML). Esto permite que el algoritmo realice una "aniquilación de componentes", reduciendo eficazmente el número de componentes activos ( $K$ ) durante el paso M si estos no contribuyen significativamente al ajuste de los datos.
Procedimiento: El algoritmo itera entre un paso E (calculando la probabilidad posterior de que un disparo pertenezca a una solución específica) y un paso M (actualizando los vectores de solución, los pesos de mezcla y las probabilidades de bit-flip).

Contribuciones Clave

Marco Estadístico: El artículo introduce un enfoque de procesamiento de señales estadísticas basado en principios para la QEM que es agnóstico a los detalles específicos del circuito, estimando implícitamente la función de densidad del estado de salida.
Manejo de Ruido Híbrido: A diferencia de los métodos que se centran únicamente en errores de lectura o requieren estructuras de circuito específicas, este método aborda tanto los errores de compuerta de despolarización (mediante filtrado) como los errores de lectura de bit-flip (mediante EM).
Escalabilidad: Los autores afirman que un sistema de QEM ideal debe tener una complejidad computacional polinómica en el número de qubits para escalar a sistemas grandes; el método propuesto está diseñado para abordar este requisito, y los resultados experimentales demuestran su eficacia en conteos de qubits más grandes utilizando datos sintéticos.
Adaptación de EM: El trabajo adapta el algoritmo EM para distribuciones de salida binaria e integra MML para la selección de modelos (estimación de $K$ ), permitiendo que el sistema maneje múltiples salidas válidas en lugar de asumir una única verdad fundamental.

Resultados Experimentales
Los autores evaluaron el método utilizando simulaciones de Qiskit, datos de la QPU IBM Brisbane y datos sintéticos generados para sistemas más grandes:

Rendimiento a Pequeña Escala: En circuitos simulados con $n \in \{10, 12, 14\}$ qubits y profundidades de hasta 800, el método logró una Tasa de Error de Bit (BER) de 0.000 a 0.007 cuando el número de soluciones $K$ fue estimado correctamente. La probabilidad de estimar incorrectamente $K$ ( $P_{Kerror}$ ) fue del 0.83% en todas las configuraciones y convergió a 0 con suficientes disparos (10,000).
Comparación con el Estado del Arte: En el hardware IBM Brisbane, el método EM propuesto superó a las técnicas de QEM estadística existentes (HAMMER, M3 y Q-BEEP) en términos de fidelidad de Hellinger a través de varios circuitos de referencia (Bernstein-Vazirani, GHZ, estado W, sumador) que van desde 3 hasta 14 qubits.
Escalabilidad a Gran Escala: Utilizando datos sintéticos generados para $n=128$ qubits con $K \in \{2, 4, 8\}$ , el algoritmo logró un BER de 0 en todos los ensayos, lo que sugiere que el método escala eficazmente a conteos de qubits más grandes bajo el modelo de ruido asumido.

Significancia y Reivindicaciones
El artículo afirma que los métodos estadísticos basados en principios pueden ofrecer soluciones escalables e interpretables para la QEM en entornos NISK realistas. Los autores sostienen que su enfoque es particularmente efectivo porque:

No depende de la simulación clásica del circuito completo (a diferencia de la regresión de datos de Clifford), lo que lo hace factible para conteos de qubits más grandes.
Maneja escenarios con múltiples salidas válidas, a diferencia de la decodificación de voto mayoritario que asume una única solución.
Aborda de forma nativa el desafío del ruido de despolarización, que a menudo hace que entre el 80% y el 90% de los disparos en circuitos profundos parezcan aleatorios, mediante el filtrado de los disparos que se asemejan a dicho ruido.

Limitaciones y Trabajo Futuro
Los autores reconocen varias limitaciones:

El método asume probabilidades de bit-flip simétricas, mientras que el hardware real puede presentar asimetría.
No modela errores de lectura complejos como el crosstalk entre qubits.
La suposición de un número finito de soluciones ( $K$ ) limita su aplicación directa a algoritmos variacionales (que pueden tener espacios de solución continuos o no finitos).
La inicialización del algoritmo EM influye fuertemente en la estimación final de ML, y la estrategia de filtrado heurística requiere un análisis más riguroso.

El trabajo concluye que, si bien la implementación actual es subóptima en ciertos aspectos, el marco basado en EM proporciona una base prometedora para una mitigación de errores cuánticos escalable.

Más como este