⚛️ quantum physics

Variational Thermal State Preparation on Digital Quantum Processors Assisted by Matrix Product States

Este trabajo presenta un marco variacional que combina estados de producto matricial y un ansatz eficiente en hardware para preparar estados térmicos cuánticos en procesadores digitales, logrando resultados precisos en simulaciones numéricas a gran escala y demostrando su viabilidad práctica en un procesador IBM Heron de 156 qubits mediante técnicas de mitigación de errores.

Autores originales: Rui-Hao Li, Semeon Valgushev, Khadijeh Najafi

Publicado 2026-04-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rui-Hao Li, Semeon Valgushev, Khadijeh Najafi

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 que quieres cocinar un plato perfecto (un estado térmico cuántico) para una cena muy especial. El problema es que la cocina (el ordenador cuántico) es ruidosa, los ingredientes son delicados y, si no lo haces bien, el plato sale quemado o crudo. Además, calcular exactamente cómo debería saber el plato antes de cocinarlo es tan difícil que ni los superordenadores clásicos pueden hacerlo rápido.

Este artículo presenta una nueva receta inteligente para cocinar estos "platos cuánticos" (estados de Gibbs) que combina lo mejor de dos mundos: la potencia de los ordenadores cuánticos actuales y la inteligencia de una técnica clásica llamada Estados de Producto Matricial (MPS).

Aquí te explico cómo funciona, paso a paso, con analogías sencillas:

1. El Problema: La "Receta" del Calor

En el mundo cuántico, las partículas a temperatura cero (el suelo) son fáciles de entender. Pero cuando las calientas (temperatura finita), se vuelven caóticas. Calcular cómo se comportan es como intentar predecir el clima exacto de todo el planeta en un solo día: requiere demasiados datos.

Los científicos intentan usar ordenadores cuánticos para simular esto, pero hay un gran obstáculo: para saber si el "plato" está bien cocinado, necesitan medir la entropía (una medida del desorden o calor). Medir esto en un ordenador cuántico es como intentar contar cada gota de lluvia en una tormenta sin mojarse: es lento, costoso y propenso a errores.

2. La Solución: El "Doble Espía" (Purificación)

Para evitar medir el desorden directamente, los autores usan un truco llamado purificación.

La analogía: Imagina que tienes un sistema cuántico real (tus partículas). Para estudiarlo, creas un "gemelo" o un sistema auxiliar (llamado ancilla) que está entrelazado con el primero.
Si miras solo a tu sistema real, parece desordenado (caliente). Pero si miras al sistema completo (real + gemelo), todo está perfectamente ordenado y limpio.
Esto permite a los científicos trabajar con un estado "limpio" en el ordenador cuántico, pero luego "borrar" al gemelo matemáticamente para ver cómo se comporta el sistema real.

3. El Truco Maestro: Los "Legos" Clásicos (MPS)

Aquí es donde entra la magia de este trabajo. En lugar de dejar que el ordenador cuántico haga todo el trabajo pesado de calcular la entropía (lo cual es lento y ruidoso), usan un ordenador clásico para simular el "gemelo" usando una técnica llamada Estados de Producto Matricial (MPS).

La analogía: Imagina que el estado cuántico es una torre de Legos gigante. Si la torre es muy alta y compleja, es imposible de construir o analizar pieza por pieza. Pero si la torre sigue ciertas reglas (como en sistemas físicos reales), puedes describirla usando "bloques compuestos" más grandes y eficientes.
Los MPS son como esos bloques compuestos. Permiten a los ordenadores clásicos simular el comportamiento del sistema cuántico de manera muy eficiente, calculando la entropía (el desorden) en segundos en lugar de días.

4. La Estrategia de Cocción: Dos Recetas (Ansatzes)

Los autores probaron dos formas de construir el circuito cuántico (la receta):

Receta A (TFDA): Es como intentar cocinar un plato frío empezando con un plato hirviendo y enfriándolo poco a poco. Funciona bien si quieres algo muy caliente (alta temperatura), pero es difícil de controlar si quieres algo frío.
Receta B (HEA - Hardware Efficient Ansatz): Esta es la favorita de los autores. Es como empezar con ingredientes frescos y simples y añadirles especias poco a poco.
- Ventaja: Funciona increíblemente bien para temperaturas bajas (donde las partículas están más ordenadas).
- Flexibilidad: Se adapta mejor a los ordenadores cuánticos actuales, que tienen limitaciones de conexiones entre sus "ingredientes" (qubits).

5. Los Resultados: ¿Funcionó la Cena?

Los autores probaron su método en dos frentes:

Simulaciones a gran escala: Lograron simular sistemas con hasta 30 partículas en una línea y 36 en un cuadrado (6x6). ¡Es como cocinar para una mesa muy grande sin quemar la cocina! Los resultados coincidían casi perfectamente con la teoría exacta.
En un ordenador real (IBM): Probaron su receta en un ordenador cuántico real de IBM (el procesador Heron).
- El problema: El ordenador real tenía "ruido" (errores), como si hubiera viento en la cocina.
- La solución: Usaron técnicas de "mitigación de errores" (como un filtro de ruido). Imagina que el viento arruina tu plato, pero si usas un filtro especial (Zero-Noise Extrapolation), puedes reconstruir cómo habría sabido el plato si no hubiera habido viento.
- Resultado: Redujeron los errores a la mitad. Aunque no fue perfecto, demostraron que es posible preparar estos estados complejos en hardware real.

En Resumen

Este trabajo es como desarrollar un asistente de cocina híbrido:

Usa el ordenador cuántico para manipular los ingredientes cuánticos reales.
Usa un ordenador clásico inteligente (MPS) para calcular la "temperatura" y el "desorden" sin tener que medirlo físicamente en el hardware ruidoso.
Usa una receta flexible (HEA) que se adapta a las limitaciones de los ordenadores actuales.

Gracias a esto, los científicos pueden ahora estudiar materiales y sistemas cuánticos a temperaturas reales (no solo a cero absoluto) en ordenadores que ya existen hoy, abriendo la puerta a nuevos descubrimientos en física, medicina y materiales.

Resumen Técnico: Preparación de Estados Térmicos Variacionales Asistida por MPS

1. El Problema

La preparación de estados de Gibbs cuánticos (estados térmicos) a temperaturas finitas es fundamental para la simulación de sistemas de muchos cuerpos, el aprendizaje automático cuántico (máquinas de Boltzmann) y la optimización. Sin embargo, este desafío presenta dos obstáculos principales:

Complejidad Computacional: Preparar estados de Gibbs a bajas temperaturas es tan difícil como preparar estados fundamentales (problema QMA-duro).
Limitaciones de Hardware NISQ: Los algoritmos existentes para estados térmicos a menudo requieren circuitos profundos, recursos cuánticos masivos o la estimación directa de la entropía de von Neumann, lo cual es ineficiente y costoso en términos de mediciones (tomografía) en dispositivos actuales ruidosos.

2. Metodología

Los autores proponen un marco variacional híbrido que combina algoritmos cuánticos con técnicas de redes tensoriales clásicas para superar las limitaciones de los dispositivos actuales.

Enfoque Híbrido (MPS + Circuitos Cuánticos):
- En lugar de medir la entropía directamente en el hardware, el estado puro purificado $|\psi(\theta)\rangle$ (que contiene qubits físicos y auxiliares) se representa clásicamente como un Estado Producto Matricial (MPS).
- Esto permite calcular la energía $E(\rho)$ y la entropía de von Neumann $S(\rho)$ del estado mixto resultante $\rho$ de manera eficiente en un ordenador clásico, evitando la tomografía costosa.
- La función de costo a minimizar es la energía libre de Helmholtz: $F(\rho) = E(\rho) - \beta^{-1}S(\rho)$ .
Selección de Ansatz (Ansatz):
- Se compararon dos enfoques: el Ansatz de Doble Campo Térmico (TFDA), basado en la evolución imaginaria, y el Ansatz Eficiente de Hardware (HEA).
- Conclusión de la comparación: El TFDA funciona mejor a altas temperaturas pero requiere circuitos profundos y muchos qubits auxiliares para bajas temperaturas. El HEA, diseñado para ser compatible con la conectividad de hardware actual, demostró un rendimiento superior a bajas temperaturas (alto $\beta$ ) con circuitos más superficiales y flexibilidad en el número de qubits auxiliares. Por ello, el trabajo se centra en el HEA.
Flujo de Trabajo:
1. Se prepara un estado puro en un espacio de Hilbert ampliado (físico + ancilla) usando un circuito cuántico parametrizado.
2. El estado se mapea a una representación MPS clásica.
3. Se traza fuera (trace out) los qubits ancilla para obtener el estado mixto $\rho$ .
4. Se calcula la energía libre clásicamente y se optimizan los parámetros $\theta$ mediante un optimizador clásico (COBYLA).
5. Los parámetros óptimos se ejecutan en el hardware cuántico para medir observables.

3. Contribuciones Clave

Escalabilidad mediante MPS: Demuestran que el uso de MPS para la evaluación clásica de la entropía permite escalar la preparación de estados térmicos a sistemas mucho más grandes de lo reportado anteriormente (hasta 30 qubits en 1D y $6 \times 6$ en 2D).
Validación de Ansatzes: Establecen que el HEA es superior al TFDA para la preparación de estados térmicos a bajas temperaturas en dispositivos NISQ, debido a su menor profundidad de circuito y menor requisito de qubits auxiliares.
Experimento en Hardware Real: Ejecutan el protocolo en un procesador cuántico real (IBM Heron de 156 qubits, modelo ibm_kingston), preparando el estado de Gibbs aproximado de un modelo de Ising con campo transversal de 30 sitios.
Mitigación de Errores: Aplican técnicas de mitigación de errores, específicamente la Extrapolación de Ruido Cero (ZNE), logrando reducciones significativas en los errores de medición.

4. Resultados

Simulaciones sin Ruido (Tensor Networks):
- Sistemas 1D (20 y 30 sitios): El método logra estimar con alta precisión la densidad de energía, la susceptibilidad magnética y las funciones de correlación de dos puntos, comparándose favorablemente con soluciones analíticas exactas.
- Sistemas 2D ( $4 \times 4$ y $6 \times 6$ ): Se compararon con simulaciones de Monte Carlo Cuántico (QMC). El método funciona bien, aunque la precisión disminuye en temperaturas intermedias ( $\beta \approx 1$ ) donde el estado es una mezcla compleja de muchos autoestados.
- Observables: La energía se estima con gran precisión. La susceptibilidad es menos precisa debido a su naturaleza de largo alcance. El calor específico es el observable más difícil de estimar debido a su alta sensibilidad a la calidad del estado preparado y a la necesidad de medir operadores de mayor peso (4-local).
Resultados en Hardware (IBM Heron):
- Se preparó un estado de Gibbs para un modelo de Ising de 30 sitios con un circuito de 34 qubits y ~100 puertas de dos qubits.
- Sin mitigación: Los errores relativos fueron del ~11.4% para la energía y ~38.9% para la susceptibilidad.
- Con Mitigación (ZNE): Tras aplicar extrapolación de ruido cero, los errores relativos se redujeron en más del 50% (a ~5.6% para energía y ~19.1% para susceptibilidad), demostrando la viabilidad práctica del enfoque.

5. Significado e Impacto

Este trabajo representa un avance significativo en la simulación de materia condensada y sistemas cuánticos en la era NISQ:

Viabilidad Práctica: Demuestra que es posible preparar estados térmicos de alta calidad en sistemas de tamaño medio (30+ qubits) utilizando hardware actual, algo que antes se consideraba prohibitivo debido a la complejidad de la entropía.
Eficiencia de Recursos: Al mover la carga computacional de la entropía a la simulación clásica (vía MPS), se reduce drásticamente la profundidad de los circuitos cuánticos necesarios y la sobrecarga de mediciones.
Guía para el Futuro: Identifica que los estados a temperaturas intermedias siguen siendo un desafío debido a la complejidad de la mezcla de estados, sugiriendo que futuros avances deben centrarse en ansatzes informados por el problema (usando conocimiento previo del sistema) y mejores estrategias de mitigación de errores.

En conclusión, la combinación de algoritmos variacionales con técnicas de redes tensorales (MPS) ofrece una ruta escalable y robusta para estudiar fases cuánticas a temperatura finita en procesadores cuánticos actuales.