Genetic optimization of ansatz expressibility for enhanced variational quantum algorithm performance

Resumen Técnico: Optimización Genética de la Expresividad del Ansatz para el Rendimiento Mejorado de Algoritmos Variacionales Cuánticos

1. Planteamiento del Problema

Los algoritmos cuánticos variacionales (VQA), como el Variational Quantum Eigensolver (VQE), son el paradigma líder para la computación cuántica en la era de los dispositivos cuánticos de escala intermedia ruidosos (NISQ). Sin embargo, su rendimiento depende críticamente del diseño del ansatz (el circuito cuántico parametrizado).
Existe una tensión fundamental entre dos requisitos contradictorios:

• Expresividad: La capacidad del circuito para explorar el espacio de Hilbert y representar estados cuánticos complejos (necesario para la precisión).
• Entrenabilidad: La facilidad con la que los parámetros del circuito pueden optimizarse. Los circuitos muy profundos y con muchos parámetros tienden a sufrir de "mesetas estériles" (barren plateaus) y acumulación de ruido, lo que impide la convergencia.

Los diseños actuales (como UCCSD o ADAPT-VQE) suelen ser fijos, específicos del problema o requieren un costo computacional clásico muy alto para su búsqueda. El desafío es encontrar un diseño de ansatz que sea altamente expresivo, pero lo suficientemente superficial (poco profundo) y con pocos parámetros para ser entrenable en hardware real, sin necesidad de rediseñar el circuito para cada nuevo problema.

2. Metodología

Los autores proponen un marco de trabajo inspirado en algoritmos genéticos (GA) para diseñar ansatze de forma automática y agnóstica al problema. La metodología se basa en los siguientes pilares:

• Enfoque Evolutivo: Se trata el diseño del circuito como un proceso de evolución natural.
  • Representación (Genoma): Cada individuo en la población es un circuito cuántico único, representado como una secuencia ordenada de puertas (genes) y sus parámetros asociados.
  • Población Inicial: Se generan circuitos aleatorios con una profundidad fija y un conjunto de puertas predefinido (incluyendo puertas de un qubit como $R_X, R_Y, R_Z, H$ y puertas de dos qubits como CNOT).
  • Función de Aptitud (Fitness): La aptitud se define por la expresividad del circuito. Esta se mide calculando la Divergencia de Jensen-Shannon (JSD) entre la distribución de fidelidades de los estados generados por el circuito y la distribución de Haar (distribución uniforme sobre el espacio de Hilbert). Un valor de JSD más bajo indica mayor expresividad.
  • Operadores Genéticos:
    • Selección: Se eligen los mejores circuitos (menor JSD) como padres.
    • Cruce (Crossover): Se combinan capas de circuitos padres para crear descendencia, introduciendo variaciones estructurales.
    • Mutación: Se modifican aleatoriamente puertas o su orden para mantener la diversidad y evitar convergencias prematuras.
• Estrategia de Optimización: El algoritmo evoluciona la población durante un número fijo de generaciones (encontraron que 10 generaciones son suficientes para la saturación) para identificar la configuración óptima de puertas que maximiza la expresividad bajo restricciones de profundidad y número de qubits.
• Generalización: Una vez diseñado un ansatz óptimo para una configuración dada (número de qubits y profundidad), este se utiliza como un "plantilla" reutilizable para diferentes Hamiltonianos (moleculares o de espín), requiriendo solo la optimización de los parámetros clásicos, no el rediseño del circuito.

3. Contribuciones Clave

• Marco de Diseño Agnóstico al Problema: A diferencia de métodos como UCCSD (químico-específico) o ADAPT-VQE (iterativo y costoso), este método genera un ansatz único que funciona bien en una amplia gama de problemas sin necesidad de re-ejecutar la búsqueda genética para cada nuevo sistema.
• Equilibrio Expresividad-Entrenabilidad: El marco logra circuitos que alcanzan una alta expresividad (cerca de la distribución de Haar) manteniendo una profundidad baja y un recuento de puertas reducido, mitigando así los problemas de mesetas estériles y ruido.
• Eficiencia de Recursos: Se demuestra que es posible lograr una precisión competitiva con una profundidad de circuito significativamente menor en comparación con los métodos tradicionales.
• Análisis de Conjuntos de Puertas: Se evalúan sistemáticamente 9 conjuntos de puertas diferentes, identificando que aquellos con restricciones de conectividad local (CNOT solo entre qubits adyacentes) ofrecen un mejor equilibrio entre expresividad y eficiencia de recursos.

4. Resultados

El marco se validó mediante benchmarks en simulaciones clásicas y simulaciones ruidosas:

• Convergencia y Saturación: La expresividad mejora rápidamente con las generaciones, saturándose alrededor de la décima generación. La profundidad óptima del circuito escala linealmente con el número de qubits ($\approx 2n$).
• Rendimiento en VQE (Hamiltonianos Moleculares):
  • Se probaron moléculas como $H_2$, $LiH$, $BeH_2$ y $H_2O$.
  • El ansatz generado por GA alcanzó energías del estado fundamental comparables a las de UCCSD y ADAPT-VQE.
  • Reducción de Profundidad: Mientras que UCCSD requiere profundidades de >1400 capas y ADAPT-VQE de ~200-300, el ansatz GA logró resultados precisos con profundidades máximas de 48 capas.
• Rendimiento en Modelos de Espín (TFIM):
  • En el modelo de Ising con campo transversal, los conjuntos de puertas E y A mostraron los errores de energía más bajos.
  • Se observó que una alta expresividad por sí sola no garantiza un buen rendimiento en VQE; el conjunto E, aunque menos expresivo que A, B o H, ofreció mejor entrenabilidad y convergencia debido a su menor complejidad de recursos.
• Simulaciones Ruidosas: Bajo condiciones de ruido (simuladas con modelos de IBM), el ansatz GA demostró una mayor resiliencia y una energía final más cercana al estado fundamental real en comparación con ADAPT-VQE, atribuido a su menor profundidad de circuito.
• Reutilización: Un mismo ansatz diseñado para un sistema de 12 qubits funcionó exitosamente en sistemas moleculares y de espín sin rediseño, convergiendo dentro del 1% de la energía exacta.

5. Significado e Impacto

Este trabajo presenta una solución escalable y práctica para uno de los cuellos de botella más grandes en la computación cuántica variacional: el diseño de circuitos.

• Reducción de Sobrecarga Clásica: Al generar un ansatz una vez y reutilizarlo, se elimina la necesidad de costosas búsquedas arquitectónicas repetidas para cada nuevo problema químico o de física de la materia condensada.
• Viabilidad en NISQ: Los circuitos generados son lo suficientemente superficiales para ser ejecutables en hardware actual con tasas de error manejables, sin sacrificar la precisión de la solución.
• Herramienta General: Proporciona una metodología sistemática para navegar el compromiso entre expresividad y entrenabilidad, ofreciendo un camino hacia algoritmos cuánticos más robustos y eficientes en la era NISQ.

En conclusión, los autores demuestran que la optimización genética es una estrategia viable para desarrollar ansatze de alto rendimiento que son transferibles, eficientes en recursos y capaces de superar a los métodos de diseño tradicionales en términos de relación costo-beneficio computacional.