Average-computation benchmarking for local expectation values in digital quantum devices

Este artículo presenta un esquema de benchmarking para dispositivos cuánticos digitales que evalúa la calidad de la computación completa mediante el promedio de variantes del circuito que preservan su arquitectura y generan funciones de correlación clásicamente resolubles, permitiendo detectar ruido más allá del régimen de benchmarking Clifford sin necesidad de simular cada operación individualmente.

Lo esencial

Imagina que tienes un robot súper complejo (una computadora cuántica) que está intentando resolver un problema matemático imposible para cualquier computadora normal. El problema es que este robot es un poco "nervioso" y a veces comete errores pequeños debido al ruido ambiental o fallos en sus piezas.

El gran desafío de la ciencia actual es: ¿Cómo podemos estar seguros de que el robot está funcionando bien sin tener que esperar a que un superordenador clásico (que es muy lento para esto) verifique cada paso?

Los métodos antiguos eran como revisar si cada engranaje individual del robot gira bien, o pedirle al robot que haga un ejercicio muy fácil (como contar hasta 10) para ver si falla. Pero eso no nos dice si el robot puede hacer el trabajo real y difícil.

La nueva idea: "El Promedio Mágico"

En este artículo, los autores proponen una técnica brillante llamada "Benchmarking de Cálculo Promedio". Aquí te lo explico con una analogía sencilla:

1. El problema de la "Copia Exacta"

Imagina que le pides al robot que dibuje un paisaje complejo. Si el robot se equivoca, el dibujo sale mal. Si intentas corregir el dibujo comparándolo con la foto original, necesitas tener la foto original en tu mano (lo cual es difícil si el dibujo es tan complejo que ni tú puedes calcularlo).

2. La solución: "El Juego de las Variaciones"

En lugar de pedirle al robot que dibuje una vez, le pides que dibuje muchas versiones ligeramente diferentes del mismo paisaje.

• No cambiamos el tamaño del lienzo ni la complejidad del dibujo.
• Solo cambiamos ligeramente los pinceles o el orden de los trazos en cada intento, de forma aleatoria.
• El robot hace 100 dibujos diferentes, todos con la misma dificultad.

3. El truco del "Promedio"

Aquí viene la magia:

• Si miras un solo dibujo de esos 100, es tan complejo que nadie (ni siquiera un superordenador) puede predecir cómo debería salir.
• Pero, si tomas esos 100 dibujos y haces una fotografía promedio (mezclándolos todos), ocurre algo sorprendente: el resultado promedio se vuelve simple y predecible.

Es como si mezclaras 100 sabores de helado locos y extraños; individualmente son un caos, pero si los mezclas todos, el sabor resultante es algo que un chef experto puede calcular fácilmente en su cabeza.

¿Por qué es esto útil?

1. Detecta errores invisibles: Los métodos antiguos (llamados "Clifford") a veces no ven ciertos tipos de errores "sutilmente coherentes" (como si el robot tuviera un tic nervioso constante). Este nuevo método es tan sensible que, si el promedio de los dibujos no coincide con lo que la matemática predice, ¡sabemos inmediatamente que hay un error en el hardware!
2. No simplifica el trabajo: A diferencia de otros métodos que le piden al robot hacer tareas fáciles para probarlo, aquí le pedimos que haga exactamente el mismo trabajo difícil, solo que con ligeras variaciones. Así, la prueba es realista.
3. Pocos intentos necesarios: Los autores demostraron que no necesitas que el robot dibuje miles de veces. Con solo unos pocos intentos (unos pocos "disparos" o shots), puedes obtener un promedio lo suficientemente preciso para saber si la máquina está bien.

La analogía final: El Coro de Voces

Imagina que tienes un coro de 100 cantantes (la computadora cuántica) intentando cantar una canción muy difícil y ruidosa.

• Si escuchas a un cantante solo, es imposible saber si está afinado porque la canción es tan compleja que el ruido lo tapa.
• Pero, si pides a los 100 cantantes que canten versiones ligeramente desfasadas de la misma canción, y luego mezclas sus voces en un solo micrófono (el promedio), el ruido se cancela y la melodía central se vuelve clara y predecible.
• Si la melodía que sale del micrófono no coincide con la partitura matemática, sabes que el coro tiene un problema de afinación (ruido en el hardware).

En resumen

Este paper presenta una nueva forma de auditar a las computadoras cuánticas. En lugar de simplificar la tarea para hacerla fácil de verificar, mantienen la tarea difícil pero crean un "promedio mágico" que las computadoras clásicas sí pueden calcular. Si el resultado real de la máquina no coincide con este promedio, ¡tenemos una señal de alarma de que la máquina necesita reparación!

Es una herramienta poderosa para asegurar que, cuando las computadoras cuánticas resuelvan problemas reales en el futuro, estaremos seguros de que los resultados son verdaderos y no solo ruido.

Resumen técnico

Resumen Técnico: Benchmarking de Computación Promedio

1. El Problema

A medida que los dispositivos cuánticos avanzan hacia el régimen de ventaja cuántica, se vuelve cada vez más difícil evaluar la calidad de una computación completa. Los desafíos principales son:

• Limitaciones de las pruebas actuales: Los métodos tradicionales, como la tomografía de puertas o el randomized benchmarking, evalúan operaciones individuales pero no ofrecen información sobre la calidad global de una computación compleja.
• Incertidumbre en la salida: En simulaciones cuánticas de muchos cuerpos, el resultado esperado a menudo no se conoce de antemano, lo que impide usar métodos de verificación que requieren comparar la salida con un valor ideal conocido.
• Simplificaciones engañosas: Las estrategias actuales suelen probar circuitos simplificados (menor profundidad, puertas Clifford o matchgates) para hacerlos simulables clásicamente. Sin embargo, alterar la arquitectura del circuito cambia el comportamiento del ruido, lo que puede llevar a evaluaciones de calidad incorrectas para el circuito objetivo real.

El objetivo es desarrollar un esquema que evalúe la precisión de observables locales en la salida de un circuito sin simplificar su arquitectura, profundidad o tamaño, manteniendo la complejidad computacional del circuito original pero permitiendo un cálculo clásico eficiente de ciertos promedios.

2. Metodología

Los autores proponen un esquema llamado "Benchmarking de Computación Promedio". La idea central es reemplazar cada puerta cuántica del circuito objetivo por un conjunto (ensemble) de puertas similares.

• Mecanismo de Promedio:
  • Se define un circuito original $U$ compuesto por puertas de dos qubits.
  • Se construye un ensemble de circuitos variantes $\{U^{[r]}\}$, donde cada puerta $U_i$ se reemplaza aleatoriamente por una de varias opciones $U_{i,\alpha}$ según una distribución de probabilidad $p_i$.
  • Se ejecutan múltiples rondas ($R$) de estos circuitos variantes en el dispositivo cuántico y se promedian los valores esperados de los observables: $\langle O \rangle_{Q}^{avg} = \frac{1}{R} \sum \langle O \rangle_{U^{[r]}}$.
• Canales Espacio-Tiempo (Space-Time Channels):
  • La clave teórica es que el promedio de los canales cuánticos resultantes, $E_{avg} = \sum p_\alpha U_\alpha (\cdot) U_\alpha^\dagger$, puede diseñarse para formar canales espacio-tiempo.
  • Estos canales satisfacen condiciones de unitalidad tanto en la dirección temporal como en la espacial (izquierda/derecha).
  • Gracias a esta propiedad, aunque cada realización individual del circuito es difícil de simular clásicamente, el promedio de los valores esperados de ciertos observables locales (correlaciones de pocos cuerpos) se vuelve computable eficientemente en un ordenador clásico.
• Construcciones Específicas:
  • Promedio 4-vías (4-way): Se logra mediante una distribución uniforme sobre cuatro variantes de una puerta paramétrica alrededor del punto "dual-unitario". Esto preserva la unitalidad en todas las direcciones.
  • Promedio 3-vías (3-way): Se logra mediante "twirling" de Pauli (aplicar puertas de Pauli antes/después) o mediante la mezcla de puertas con canales de dephasing. Esto preserva la unitalidad en tres direcciones.
• Optimización mediante SDP: Los autores proponen usar Programación Semidefinida (SDP) para buscar sistemáticamente ensembles que maximicen la preservación de los coeficientes de Pauli de la puerta original, asegurando que el promedio retenga información significativa sobre el circuito objetivo.

3. Contribuciones Clave

1. Nuevo Paradigma de Benchmarking: Introducen un método que evalúa la computación completa manteniendo intacta la arquitectura y profundidad del circuito, evitando las distorsiones del ruido que ocurren al usar circuitos simplificados.
2. Eficiencia Clásica del Promedio: Demuestran que, bajo ciertas condiciones de diseño del ensemble (canales espacio-tiempo), el cálculo clásico de los valores esperados promedio es eficiente (escala polinomialmente), incluso cuando el cálculo de una sola realización es intratable.
3. Información Retenida: A diferencia de promedios triviales (como unitarios aleatorios de Haar que anulan las correlaciones), sus esquemas producen valores de correlación no triviales que dependen directamente de la estructura del circuito original.
4. Detección de Ruido Coherente: El método es sensible a errores coherentes (como rotaciones incorrectas de puertas) que los protocolos basados en Clifford a menudo no detectan.
5. Herramientas de Diseño: Proporcionan un marco general (SDP y programación lineal) para descubrir nuevas estrategias de promediado y verificar su realizabilidad física.

4. Resultados

• Simulaciones Numéricas:
  • Se demostró que la desviación estándar de los valores esperados en las diferentes realizaciones del circuito es pequeña y no crece significativamente con la profundidad del circuito.
  • Esto implica que se requieren pocas muestras (shots) para estimar el valor promedio con precisión, haciendo el método práctico para dispositivos actuales.
• Sensibilidad al Ruido:
  • En un ejemplo concreto con puertas CNOT y rotaciones T imprecisas, el método detectó desviaciones en el valor esperado que coincidían con el ángulo de error introducido, algo que el benchmarking estándar de Clifford no habría revelado.
  • También se mostró que el método funciona bajo modelos de ruido de Pauli, permitiendo calcular valores esperados ruidosos eficientemente para comparar con los experimentales.
• Decaimiento de Correlaciones:
  • Se observó que las correlaciones decaen exponencialmente con la profundidad del circuito. Por lo tanto, el método es más adecuado para circuitos de baja y media profundidad (regímenes NISQ y a medio plazo), aunque estrategias de promediado específicas pueden optimizar la tasa de decaimiento.

5. Significado e Impacto

Este trabajo ofrece una herramienta crucial para la validación de computadoras cuánticas en la era de la ventaja cuántica incipiente:

• Confianza en Resultados: Permite a los investigadores tener confianza en los resultados de simulaciones cuánticas complejas donde no se conoce la respuesta correcta, verificando que el dispositivo se comporta de acuerdo con la física esperada del promedio.
• Diagnóstico de Hardware: Proporciona una métrica sensible para detectar errores coherentes y caracterizar el ruido en dispositivos reales sin necesidad de simplificar el problema.
• Validación de Algoritmos Clásicos: El esquema también puede usarse inversamente para evaluar la precisión de algoritmos clásicos de simulación de muchos cuerpos, comparándolos contra los promedios obtenidos en hardware cuántico.
• Escalabilidad: Al no requerir qubits auxiliares (ancillas) ni alterar la topología del circuito, el método es altamente escalable y aplicable a arquitecturas de brickwork (ladrillo) en 1D y 2D.

En conclusión, el "benchmarking de computación promedio" cierra la brecha entre la necesidad de verificar computaciones complejas y la imposibilidad de simularlas clásicamente, ofreciendo un puente robusto entre la teoría, la simulación clásica eficiente y la ejecución en hardware cuántico ruidoso.