Discrete Flow-Based Generative Models for Measurement Optimization in Quantum Computing

Resumen Técnico: Modelos Generativos de Flujo Discreto para la Optimización de Mediciones en Computación Cuántica

Declaración del Problema
Lograr la precisión química en simulaciones cuánticas, particularmente dentro del marco del Solucionador Cuántico Variacional de Eigenvalores (VQE), está actualmente limitado por el "cuello de botella de la medición". Estimar los valores de esperanza de los Hamiltonianos moleculares requiere un número prohibitivamente grande de disparos (shots) de medición. Este costo se ve exacerbado por la fidelidad finita de los circuitos en dispositivos de escala intermedia con ruido (NISQ) y la sobrecarga de la mitigación de errores.

Las estrategias actuales para reducir la sobrecarga de medición dependen de agrupar términos de los Hamiltonianos que conmutan (palabras de Pauli) en fragmentos medibles simultáneamente. Estos métodos típicamente involucran dos etapas:

1. Agrupación no superpuesta: Partición del Hamiltoniano en conjuntos disjuntos de términos que conmutan (por ejemplo, Completamente Conmutantes [FC] o Conmutantes a Nivel de Qubit [QWC]). Esto a menudo se logra mediante heurísticas codiciosas como la Inserción Ordenada (SI) o el Algoritmo de Mayor Primero Recursivo (RLF) aplicados a problemas de coloración de grafos.
2. Agrupación superpuesta: Refinamiento de estas particiones iniciales utilizando técnicas como la División Iterativa de Coeficientes (ICS) para reducir aún más el conteo de disparos.

Sin embargo, los enfoques existentes enfrentan limitaciones significativas:

• Enfoque de Objetivo Único: La mayoría de los métodos optimizan para una única métrica (por ejemplo, minimizar la varianza de la medición) y a menudo convergen a un único óptimo local, ignorando la naturaleza multimodal del espacio de soluciones.
• Negligencia de los Costos del Circuito: Los algoritmos de agrupación estándar no contabilizan explícitamente los costos de compilación de los circuitos resultantes, como el número de puertas de dos qubits (CNOTs) o la profundidad del circuito, los cuales son críticos para el rendimiento en NISQ.
• Sensibilidad a la Inicialización: La calidad de la agrupación superpuesta final (por ejemplo, ICS) depende fuertemente de la agrupación no superpuesta inicial. Las heurísticas codiciosas pueden proporcionar puntos de partida subóptimos que limitan los beneficios potenciales de la optimización posterior.

Metodología
Los autores proponen un enfoque novedoso utilizando Redes de Flujo Generativo (GFlowNets) para tratar la agrupación de Hamiltonianos como un problema de búsqueda generativa. En lugar de encontrar una única solución óptima, las GFlowNets aprenden una política para muestrear un conjunto diverso de agrupaciones de alta calidad proporcional a una función de recompensa definida por el usuario.

• Representación de Grafo: El problema se mapea a la coloración de grafos. Se construye el complemento del grafo de conmutatividad del Hamiltoniano, donde los nodos representan palabras de Pauli y las aristas conectan términos que no conmutan. Una agrupación válida corresponde a una coloración válida de este grafo (ningún nodo adyacente comparte el mismo color).

• Arquitectura GFlowNet: Los autores emplean una Red de Isomorfismo de Grafos con características de arista (GINE) para parametrizar las probabilidades de transición hacia adelante y hacia atrás. El modelo asigna secuencialmente colores a los nodos, respetando las restricciones de validez (enmascarando acciones inválidas donde los vecinos comparten colores).

• Función de Recompensa: Una innovación clave es la flexibilidad de la función de recompensa $R(x)$, definida como una suma ponderada de tres componentes:

  1. Costo de Medición ($R_M$): Inversamente proporcional al número estimado de disparos necesarios para alcanzar una precisión objetivo (por ejemplo, 1 mHa), calculado a partir de la varianza de los fragmentos.
  2. Penalización de Agrupación ($R_G$): Un término de regularización que penaliza un número excesivo de grupos distintos (circuitos).
  3. Conteo de Puertas de Dos Qubits ($R_{N2q}$): El inverso del número total de puertas de dos qubits requeridas para compilar los circuitos de medición para agrupaciones FC.

  La recompensa no es diferenciable con respecto a las acciones, lo que permite la inclusión de métricas específicas del hardware (como el conteo de puertas) que son difíciles de optimizar mediante métodos estándar basados en gradientes.

• Objetivo de Entrenamiento: El modelo se entrena utilizando el objetivo de Balance de Trayectoria (TB), que impone la conservación del flujo a lo largo de toda la trayectoria. Esto permite una asignación de crédito eficiente, propagando la señal de recompensa a través de toda la secuencia de pasos de coloración en un solo paso, en lugar de paso a paso.

Contribuciones Clave

1. GFlowNets para la Agrupación de Hamiltonianos: El artículo introduce la primera aplicación de las GFlowNets al problema de la medición, enmarcando la agrupación de Hamiltonianos como una tarea de coloración secuencial en un grafo.
2. Optimización Multiobjetivo: El marco permite la optimización simultánea de los conteos de medición, el número de circuitos y los conteos de puertas de dos qubits a través de una función de recompensa compuesta, capturando compensaciones que las heurísticas de un solo objetivo pasan por alto.
3. Inicialización Superior para Métodos Superpuestos: Los autores demuestran que las agrupaciones no superpuestas generadas por GFlowNets sirven como inicializaciones superiores para las técnicas de agrupación superpuesta (específicamente ICS) en comparación con la Inserción Ordenada (SI) estándar.
4. Flexibilidad Consciente del Hardware: El método permite la incorporación de restricciones no diferenciables y específicas del hardware (como el conteo de puertas de dos qubits) directamente en el proceso de muestreo.

Resultos
Los autores evaluaron su método en Hamiltonianos moleculares de referencia (H2, H4, LiH, BeH2, H2O, N2) mapeados mediante transformaciones de Jordan-Wigner (JW) y Bravyi-Kitaev (BK).

• Reducción de Medición: Para agrupaciones FC, las GFlowNets (específicamente la arquitectura GINEw) encontraron consistentemente agrupaciones no superpuestas con costos de medición estimados más bajos que las líneas base de SI y RLF.
• Ganancias de Inicialización: Al usarse para inicializar el algoritmo ICS (GFN-ICS), las agrupaciones generadas por GFlowNet produjeron una reducción promedio del 19% en los costos de medición en comparación con el ICS inicializado por SI (SI-ICS) en los Hamiltonianos mapeados por JW, con reducciones que alcanzaron hasta el 38%.
• Reducción de Puertas de Dos Qubits: Al optimizar para una recompensa compuesta que incluye el conteo de puertas de dos qubits, el método identificó agrupaciones que redujeron significativamente el número de CNOTs (por ejemplo, >100 puertas menos para H4) manteniendo estimaciones de medición competitivas.
• Exploración del Frente de Pareto: El proceso de muestreo reveló un frente de Pareto diverso. El estudio encontró que la agrupación con el menor estimado de medición no superpuesta no siempre era la mejor inicialización para ICS. Retener un conjunto de candidatos del frente de Pareto mejoró el rendimiento de ICS en un 12–15% adicional en comparación con seleccionar únicamente el mejor candidato no superpuesto.
• Desafíos de QWC: Para las agrupaciones Qubit-Wise Commuting (QWC), el método tuvo dificultades con moléculas más grandes (por ejemplo, H2O) debido al problema de la "explosión de vecinos" en las Redes Neuronales de Grafos (GNN), lo que resultó en una menor eficiencia de muestreo y tasas de generación de grafos válidos en comparación con las agrupaciones FC.

Significancia y Reivindicaciones
El artículo afirma que las GFlowNets ofrecen una alternativa fundamentada y flexible a las heurísticas codiciosas para la optimización de mediciones cuánticas. La principal significancia radica en la capacidad de:

• Explorar el Espacio de Soluciones: A diferencia de los agentes de aprendizaje por refuerzo (RL) que suelen quedar atrapados en un único modo, las GFlowNets generan un conjunto diverso de soluciones de alta recompensa, permitiendo a los investigadores analizar las compensaciones entre los costos de medición y la complejidad del circuito.
• Integrar Restricciones de Hardware: El marco acomoda naturalmente métricas específicas del hardware (como el conteo de puertas de dos qubits) que suelen ser ignoradas por los algoritmos de agrupación estándar.
• Mejorar el Rendimiento Posterior: Las agrupaciones no superpuestas generadas actúan como mejores "arranques en caliente" (warm starts) para las técnicas de optimización superpuesta, lo que conduce a reducciones tangibles en los requisitos de recursos para VQE.

Los autores señalan modestamente que, aunque sus resultados son prometedores para ciertos benchmarks, escalar a sistemas más grandes requiere abordar los problemas de escalabilidad de las GNN y la longitud de la trayectoria. Sugieren que los modelos generados podrían servir como inicializaciones para futuros modelos transferibles entrenados en el grupo de Pauli más amplio, aunque dicha generalización está fuera del alcance del presente trabajo. El artículo posiciona a las GFlowNets como una herramienta poderosa para problemas de diseño complejos en computación cuántica, unificando el modelado generativo con las restricciones específicas del dominio.