Benchmarking neutral atom-based quantum processors at scale

Imagina un mundo donde las computadoras no solo procesan números, sino que danzan con el tejido mismo de la realidad. Este es el reino de la computación cuántica, un campo donde partículas diminutas como los átomos actúan como las neuronas del cerebro. A diferencia de tu computadora portátil, que utiliza bits que son o un 0 o un 1, estas máquinas cuánticas utilizan "qubits" que pueden ser 0, 1, o una mezcla mágica de ambos al mismo tiempo. Una forma prometedora de construir estas máquinas es atrapando átomos individuales en jaulas invisibles hechas de luz láser, llamadas pinzas ópticas. Estos átomos son como bailarines en un escenario; si se acercan demasiado, interactúan de una manera especial llamada "bloqueo de Rydberg", donde se niegan a ser excitados al mismo tiempo. Los científicos usan esta regla para resolver acertijos increíblemente difíciles, como encontrar la mejor manera de organizar a un grupo de personas para que ningún par de amigos esté sentado uno al lado del otro. Pero aquí está el truco: estos bailarines cuánticos son frágiles. El ruido del entorno puede hacer que tropiecen, y a medida que construimos escenarios más grandes con más átomos, se vuelve más difícil saber si la máquina realmente se está volviendo más inteligente o si solo se está volviendo más ruidosa. Por eso necesitamos una forma de probarlas justamente, no solo mirando sus partes internas, sino viendo qué tan bien resuelven problemas del mundo real.

Este artículo es como un gran torneo deportivo de juego limpio para dos de las computadoras cuánticas más avanzadas del planeta: una construida por QuEra (llamada Aquila) y otra por Pasqal (llamada Fresnel). Los investigadores querían ver qué máquina es mejor resolviendo un tipo específico de acertijo conocido como el "Conjunto Independiente Máximo" (MIS, por sus siglas en inglés). Imagina que tienes un mapa de una ciudad con muchas intersecciones (puntos) y carreteras que conectan las mismas (líneas). El objetivo es elegir el grupo más grande posible de intersecciones de tal manera que ninguna de las intersecciones elegidas esté directamente conectada por una carretera con otra. Suena simple, pero a medida que la ciudad crece, el número de combinaciones posibles explota, convirtiéndolo en una pesadilla para las computadoras regulares. Los investigadores utilizaron dos "estrategias" diferentes para resolver esto en las máquinas cuánticas. La primera es el Algoritmo Adiabático Cuántico (QAA), que es como guiar lentamente una canica por una colina sinuosa; si vas lo suficientemente lento, naturalmente rueda hacia el valle más profundo, el cual representa la mejor solución. La segunda es el Algoritmo de Optimización Aproximada Cuántica (QAOA), que es más parecido a un juego de "caliente o frío" donde la computadora intenta diferentes configuraciones, aprende de los resultados y ajusta su enfoque para encontrar el mejor lugar.

El equipo probó estas máquinas en problemas que iban desde configuraciones pequeñas de 11 átomos hasta desafíos masivos de hasta 102 átomos para Aquila y 85 para Fresnel. No solo miraron si las máquinas obtenían la respuesta perfecta; también observaron con qué frecuencia encontraban respuestas válidas (soluciones que realmente siguen las reglas) y qué tan cerca estaban esas respuestas de la mejor posible. Los resultados mostraron una tendencia clara: a medida que los acertijos se hacían más grandes, ambas máquinas encontraban más difícil obtener la solución perfecta, lo cual es de esperarse porque los problemas se vuelven más difíciles y las máquinas más ruidosas. Sin embargo, Aquila generalmente funcionó mejor que Fresnel, especialmente cuando los acertijos se volvían realmente grandes. Por ejemplo, en un problema de 85 átomos, Aquila encontró soluciones válidas aproximadamente el 22.1% de las veces, mientras que Fresnel solo logró un 4.6%. Curiosamente, los investigadores encontraron que la estrategia QAOA no siempre superaba a la estrategia QAA, que es más lenta y constante, lo que sugiere que, a veces, un enfoque suave y lento funciona mejor que uno rápido y complejo en estas máquinas específicas.

Los autores también crearon una biblioteca masiva de nuevos acertijos, escalando hasta los 1,000 átomos, que servirá como una prueba estándar para futuras computadoras cuánticas a medida que se construyan. Son cuidadosos al notar que esta prueba no nos dice exactamente por qué falló una máquina (como si fue un láser roto o un mal algoritmo); en cambio, proporciona una "tarjeta de puntuación" de qué tan bien trabaja todo el sistema en la vida real. Es como juzgar un automóvil no midiendo cada tornillo, sino viendo qué tan rápido y seguro conduce en una pista. El artículo concluye que, aunque ninguna de las máquinas ha "resuelto" aún el problema del ruido, Aquila mantiene actualmente la delantera en el manejo de estas tareas de optimización nativas a gran escala. Este benchmark proporciona un lenguaje común para que los científicos comparen diferentes tecnologías cuánticas, asegurando que, a medida que construimos máquinas más grandes y potentes, podamos realmente medir si están mejorando en la realización de los trabajos que realmente necesitamos que hagan.