⚛️ high-energy theory

Running Quantum Computers in Discovery Mode

Este artículo demuestra que un agente de aprendizaje híbrido cuántico-clásico puede descubrir autónomamente fenómenos cuánticos de muchos cuerpos significativos, tales como cristales de tiempo discretos y circuitos duales unitarios, mediante la optimización de una "función de interés" en un procesador superconductor de 36 cúbits.

Autores originales: Aydin Deger, Benedikt Placke, G. J. Sreejith, Alessio Lerose, S. L. Sondhi

Publicado 2026-08-07

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Aydin Deger, Benedikt Placke, G. J. Sreejith, Alessio Lerose, S. L. Sondhi

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 una vasta y oscura biblioteca donde cada libro contiene una receta secreta de cómo se comporta el universo en sus escalas más pequeñas. Durante décadas, los científicos han intentado escribir estas recetas a mano, adivinando los ingredientes y esperando que el plato salga bien. Este es el mundo de la física cuántica, un reino donde las partículas pueden estar en dos lugares a la vez y donde las reglas de la vida cotidiana parecen disolverse. Los "ingredientes" en estas recetas se llaman circuitos cuánticos: secuencias complejas de instrucciones que le dicen a los bits cuánticos (o qubits) cómo bailar. El objetivo es encontrar danzas específicas que creen nuevos, extraños y útiles estados de la materia, como cristales de tiempo o sistemas caóticos superrápidos. Pero con tantas danzas posibles (más de las que hay átomos en el universo), adivinar una por una es como intentar encontrar un grano de arena específico en una playa recogiendo un grano a la vez. Es demasiado lento, y podríamos perdernos la magia por completo.

Aquí es donde entra la idea del "modo de descubrimiento". En lugar de que un humano adivine la receta, imagina darle a un chef robot un probador que pueda decirle instantáneamente si un plato es "interesante". El robot ajusta la receta, la prueba de nuevo y la ajusta otra vez, aprendiendo qué hace que un plato sea especial sin saber siquiera el nombre del plato de antemano. Este artículo explora exactamente eso: una nueva forma de usar las computadoras cuánticas no solo para resolver problemas que ya conocemos, sino para ir en busca de cosas que ni siquiera hemos imaginado todavía. Los investigadores proponen una asociación entre una computadora cuántica (que hace el trabajo pesado de simular la danza cuántica) y una computadora clásica (que actúa como el robot inteligente que aprende). Juntos, utilizan una "función de interés" especial —una puntuación que le dice al sistema qué tan genial o inusual es un resultado— para dirigir a la computadora cuántica hacia el descubrimiento de nueva física.

La Gran Búsqueda del Tesoro Cuántico

Los autores de este artículo, un equipo de Oxford e la India, proponen una forma radicalmente nueva de usar las computadoras cuánticas. Lo llaman "Modo de Descubrimiento". Piénsalo de esta manera: normalmente, cuando usamos una computadora cuántica, le decimos: "Aquí hay un problema específico, por favor resuélvelo". Pero en el Modo de Descubrimiento, le decimos a la computadora: "Aquí hay una idea vaga de cómo se ve lo 'genial'; ve a buscarlo por ti misma".

Para hacer esto, establecieron un bucle de retroalimentación entre dos tipos de computadoras. La Computadora Cuántica es la exploradora. Ejecuta un circuito cuántico específico (una secuencia de operaciones) y genera una cantidad masiva de datos sobre cómo se comportan las partículas. La Computadora Clásica es la detective. Observa los datos, calcula una puntuación llamada "función de interés" y luego le dice a la computadora cuántica cómo ajustar sus parámetros para obtener una puntuación más alta. El objetivo no es resolver una ecuación matemática; es encontrar un circuito que produzca un resultado que sea estadística o estructuralmente "interesante" o inusual.

El artículo pone a prueba esta idea con dos "funciones de interés" diferentes, que son como distintas definiciones de lo que es "genial".

1. El Detective de Agrupamiento: Encontrando Cristales de Tiempo

La primera definición de "interesante" se basa en el agrupamiento (clustering). Imagina que tienes un video largo de una pelota rebotando. Si la pelota rebota de forma aleatoria, el patrón es aburrido y difícil de predecir. Pero si la pelota rebota en un ritmo perfecto y repetitivo que desafía las reglas habituales de pérdida de energía, eso es especial.

En el mundo cuántico, los investigadores le pidieron a la computadora que observara una secuencia de estados (instantáneas del sistema cuántico a lo largo del tiempo) y viera si podían clasificarse fácilmente en dos grupos distintos. Si los estados están todos mezclados, la "puntuación de interés" es baja. Si los estados caen naturalmente en dos grupos claros y separados, la puntuación es alta.

Probaron esto en un procesador cuántico real con hasta 36 qubits. A la computadora se le dio un circuito con perillas que podía girar (parámetros como la fuerza del campo magnético). El agente clásico siguió girando las perillas para maximizar la puntuación de agrupamiento. ¿El resultado? La computadora descubrió casi automáticamente un Cristal de Tiempo Discreto (DTC).

Un DTC es un estado extraño de la materia que oscila en el tiempo, como un reloj que tictaquea a la mitad de la velocidad de la fuerza que lo impulsa. Es una fase de la materia que solo fue predicha teóricamente hace pocos años. La parte asombrosa es que la computadora no sabía qué era un DTC. Solo sabía que la puntuación de "agrupamiento" era más alta cuando el sistema se comportaba como un DTC. Los investigadores encontraron que la computadora ajustó con éxito el circuito para crear estos cristales de tiempo con alta probabilidad, demostiendo que este "modo de descubrimiento" funciona en hardware real y ruidoso.

2. El Cazador de Caos: Encontrando Circuitos Dual-Unitary

La segunda definición de "interesante" se refería al caos. En física, algunos sistemas son demasiado predecibles (como un péndulo) y otros son tan caóticos que parecen ruido aleatorio. Pero existe un tipo especial y raro de caos llamado "dual-unitary", donde el sistema es máximamente caótico pero sigue reglas matemáticas estrictas y hermosas.

Para encontrar esto, los investigadores utilizaron una función de interés diferente basada en las propiedades espectrales del circuito. Imagina el circuito como un instrumento musical. El "espectro" es el conjunto de notas que puede tocar. Si las notas son aleatorias, la música es ruido. Si las notas están perfectamente espaciadas, es una melodía simple. Pero los circuitos "dual-unitary" son como una sinfonía que suena caótica pero tiene una estructura oculta y perfecta.

Los investigadores no pudieron ejecutar esta búsqueda específica en la computadora cuántica real porque requería demasiados datos para medirse con precisión. En su lugar, realizaron simulaciones en una computadora clásica para ver si el "modo de descubrimiento" funcionaría. Crearon una computadora cuántica virtual y dejaron que el agente de aprendizaje buscara el circuito que minimizara el "ruido" en el espectro.

Las simulaciones sugirieron que el agente lograría dirigir el circuito hacia la configuración "dual-unitary". El paisaje de la búsqueda era "cóncavo", lo que significa que había un camino claro hacia la cima de la colina (el circuito más interesante). Aunque aún no han construido esto físicamente en un chip, las matemáticas sugieren fuertemente que, si lo intentaran, la computadora encontraría estos circuitos especiales y máximamente caóticos.

Por qué esto es importante

La gran conclusión es que no necesitamos saber exactamente qué estamos buscando para encontrarlo. Al definir una regla simple de lo que es "interesante" (como "¿podemos clasificar estos estados?" o "¿es el caos estructurado?"), podemos dejar que las computadoras cuánticas y la IA trabajen juntas para descubrir nuevas leyes de la física.

El artículo demuestra que este enfoque es factible. Demostraron que funciona en un dispositivo real de 36 qubits para encontrar cristales de tiempo, y sus simulaciones sugieren que también funcionaría para encontrar circuitos dual-unitary. No están afirmando haber encontrado todo, pero han mostrado un nuevo camino a seguir. En lugar de que los humanos adivinen el próximo gran descubrimiento, podemos construir un sistema que lo cace, utilizando el poder único de las computadoras cuánticas para explorar el vasto territorio inexplorado del mundo cuántico. Es un cambio de pedirle a la computadora que haga nuestra tarea a pedirle que nos ayude a escribir el próximo capítulo del libro de texto de la ciencia.

Resumen Técnico: Ejecución de Computadoras Cuánticas en Modo de Descubrimiento

Declaración del Problema

El rápido escalado del hardware cuántico hacia "megaquops físicos" (dispositivos con $\sim$ 1000 cúbits y profundidad $\sim$ 1000) presenta un desafío fundamental: cómo utilizar eficazmente estos dispositivos para explorar el vasto espacio de posibles circuitos cuánticos ( $\sim 10^{105.8}$ circuitos distintos). Los enfoques tradicionales dependen ya sea de la computación cuántica digital universal (que requiere corrección de errores) o de la simulación cuántica analógica (investigación de modelos predefinidos). Este artículo propone un tercer paradigma, denominado "modo de descubrimiento", donde el objetivo es buscar en el espacio de los circuitos cuánticos para encontrar instancias que exhiban dinámicas "interesantes" sin conocimiento previo de la realización física específica.

Los desafíos centrales identificados son:

Definir qué constituye una instancia de circuito "interesante".
Establecer procedimientos para identificar estas instancias de manera eficiente, evitando los problemas de "mesetas estériles" (barren plateaus) comunes en los algoritmos cuánticos variacionales donde las señales de optimización se desvanecen exponencialmente.
Organizar la búsqueda para que escale desde sistemas pequeños hacia otros más grandes y complejos.

Metodología

El marco propuesto integra un procesador cuántico con un agente de aprendizaje automático clásico en un sistema de retroalimentación de bucle cerrado (ilustrado en la Fig. 1).

Funciones de Interés: El componente central es la definición de una "función de interés", $f(U)$ , que mapea un circuito unitario $U$ (y su acción sobre estados específicos) a un valor escalar. Esta función cuantifica lo "interesante" de las dinámicas.
Bucle de Optimización Híbrido:
- El Procesador Cuántico ejecuta circuitos parametrizados para generar datos (resultados de medición).
- El Agente Clásico evalúa la función de interés basada en estos datos y utiliza algoritmos de optimización (por ejemplo, COBYLA, Nelder-Mead) para actualizar los parámetros del circuito con el fin de maximizar $f(U)$ .
Aprendizaje por Currículo (Curriculum Learning): Para abordar la escalabilidad y los paisajes de optimización, la búsqueda se organiza como un currículo: comenzando con sistemas pequeños y familias de circuitos restringidas, para luego transferir los parámetros aprendidos a sistemas progresivamente más grandes.

El artículo valida este enfoque a través de dos ejemplos distintos:

Ejemplo 1: Descubrimiento de Cristales de Tiempo Discretos (DTCs)

Función de Interés: Basada en la clasificabilidad binaria de una serie temporal de estados $S = \{U^t|\psi\rangle\}$ $S = {U^{t} ∣ ψ ⟩}$ .
- Los estados se representan mediante sombras clásicas (mediciones de Pauli aleatorias).
- La dimensionalidad se reduce mediante Análisis de Componentes Principales (PCA) con Kernel.
- Se aplica Clustering Aglomerativo Jerárquico (HAC) a los datos reducidos. El "interés" se define por la distancia entre los dos últimos clústeres fusionados en el dendrograma; una separación grande indica clústeres distintos y no termalizantes (es decir, alta clasificabilidad).
Implementación: Ejecutado en procesadores cuánticos superconductores de IBM (12, 24 y 36 cúbits) utilizando un circuito unitario de Floquet (modelo de Ising con impulsos o Kicked Ising model).
Optimización: Se utilizaron optimizadores libres de gradiente (COBYLA) para ajustar las fuerzas de campo transversal $\{h_i\}$ y los acoplamientos de Ising $\{J_i\}$ .

Ejemplo 2: Descubrimiento de Circuitos Dual-Unitarios

Función de Interés: Basada en las propiedades espectrales de la unitaria $U$ $U$ , específicamente minimizando las fluctuaciones de las trazas de las potencias de $U$ $U$ , $z_t(U) = \text{tr}(U^t)/D$ $z_{t} (U) = tr (U^{t}) / D$ .
- Esto se relaciona con el Factor de Forma Espectral (SFF), una sonda del caos cuántico.
- La función de interés se construye como un potencial negativo $f(U) = -\sum V_t(z_t(U))$ , con el objetivo de minimizar $|z_t(U)|$ para varios valores de $t$ .
Implementación: Simulado clásicamente para sistemas de hasta $n=14$ cúbits debido al costo computacional de promediar sobre puertas de un solo cúbit aleatorias de Haar para suavizar el paisaje.
Objetivo: Encontrar circuitos con correlaciones espectrales extremas (comportamiento máximamente caótico) que sean robustos a las perturbaciones.

Resultados Clave

1. Descubrimiento de Cristales de Tiempo Discretos

Validación Experimental: En un dispositivo de 36 cúbits, la función de interés identificó con éxito la fase DTC. A medida que la fuerza de impulso promedio $\langle h \rangle$ se ajustaba hacia $\pi/2$ , la función de interés alcanzaba un máximo, lo que correspondía a la emergencia de un orden de doble periodo.
Éxito de la Optimización: En las ejecuciones de optimización de 24 cúbits, el agente convergió autónomamente hacia configuraciones que asemejan DTCs.
- Una ejecución produjo un perfil "bimodal" con regiones DTC desconectadas separadas por sitios con $h \approx 0$ .
- Otra ejecución convergió a un volumen (bulk) DTC grande y coherente con $h \approx \pi/2$ , logrando un puntaje de interés más alto.
Escalabilidad: Se encontró que la función de interés es intensiva (independiente del tamaño del sistema $n$ ) en la fase DTC, pero escala como $\sim \sqrt{T}$ con la ventana de observación $T$ . En la fase trivial, la función era pequeña y débilmente dependiente de $T$ .
Generalización: Simulaciones en familias de circuitos más generales (sin simetría $Z_2$ ) mostraron que maximizar la clasificabilidad dirigía consistentemente al sistema hacia configuraciones DTC con simetría $Z_2$ , recuperando la ortogonalidad de los ejes de interacción y rotación.

2. Descubrimiento de Circuitos Dual-Unitarios

Análisis del Paisaje: Las simulaciones numéricas revelaron que el paisaje de interés para la minimización espectral es localmente cóncavo.
Convergencia: La optimización impulsa los circuitos de estructura de ladrillo (brickwork) parametrizados hacia la subvariedad donde los parámetros satisfacen la condición de dual-unitaridad ( $J_x = J_y = J_z = \pi$ ).
Significado: Este máximo coincide con el valor teórico para unitarias completamente aleatorias (Conjunto Unitario Circular o CUE), a pesar de la restricción de profundidad finita. El paisaje sugiere que los circuitos dual-unitarios son atractores robustos para esta función de interés, caracterizados por una tensión de "pared de dominio" inversa $\tau = 0$ .
Viabilidad: Aunque la medición directa del SFF está limitada por la complejidad de muestreo para sistemas grandes, el artículo señala que el factor de forma espectral parcial (pSFF) ofrece un proxy más eficiente para este protocolo de descubrimiento.

Significancia y Reivindicaciones

El artículo afirma proporcionar la primera demostración de un "modo de descubrimiento" para computadoras cuánticas, donde un sistema híbrido clásico-cuántico identifica autónomamente fenómenos de muchos cuerpos no triviales.

Cambio de Paradigma: El trabajo establece el diseño de funciones de interés como una actividad primaria en la física de muchos cuerpos, desplazando el enfoque de la simulación de Hamiltonianos conocidos hacia la búsqueda de dinámicas desconocidas e interesantes.
Autonomía: Los resultados sugieren que los agentes de aprendizaje con acceso a recursos cuánticos pueden descubrir fenómenos (DTCs, dual-unitaridad) que anteriormente fueron identificados mediante la intuición humana y conocimientos teóricos específicos, pero que aquí se encuentran con una codificación mínima del resultado.
Escalabilidad: El enfoque de "currículo" (transferencia de parámetros de sistemas pequeños a grandes) se propone como una estrategia viable para superar las mesetas estériles y escalar el descubrimiento a dispositivos más grandes.
Validación Contrafactual: Mientras que el descubrimiento de dual-unitaridad fue validado mediante simulación (debido a las limitaciones actuales del hardware), el descubrimiento de DTC fue verificado experimentalmente en hardware real con ruido, probando la viabilidad del protocolo.
Perspectiva Futura: Los autores anticipan que este enfoque conducirá al descubrimiento de nuevas fases de la materia y puertas lógicas, vislumbrando "instalaciones tipo CERN" para la física de muchos cuerpos que combinen plataformas cuánticas de vanguardia con una poderosa infraestructura clásica.

El artículo concluye que, si bien los ejemplos actuales sirven como validaciones contrafactuales para algunos objetivos, el enfoque es robusto y ofrece un camino convincente para utilizar el futuro hardware cuántico de alta fidelidad para generar datos de alta dimensión para el descubrimiento de nueva física.