Who can compete with quantum computers? Lecture notes on quantum inspired tensor networks computational techniques

Esta serie de notas de clase presenta algoritmos de redes de tensores, específicamente Estados y Operadores de Producto Matricial, como herramientas de álgebra lineal general para manejar sistemas exponencialmente grandes, proporcionando demostraciones detalladas y aplicaciones que van desde la simulación cuántica hasta la resolución de ecuaciones diferenciales parciales a través de la representación "quantics".

Lo esencial

La Gran Idea: La Biblioteca "Imposible"

Imagina que tienes una biblioteca con $2^{50}$ libros (eso es más que el número de átomos en tu cuerpo). Una computadora cuántica es una máquina mágica diseñada para hojear estos libros increíblemente rápido. Sin embargo, hay un truco: no puedes leer toda la biblioteca a la vez. Solo puedes echar un vistazo a un libro a la vez (una "muestra").

El artículo plantea una pregunta provocadora: ¿Puede una computadora normal y antigua (una supercomputadora clásica) hacer el mismo trabajo que esta máquina mágica cuántica?

Por lo general, la respuesta es "No", porque la biblioteca es demasiado grande para caber en la memoria. Pero los autores argumentan que muchas de estas "bibliotecas" tienen un secreto oculto: no son realmente un caos aleatorio. Tienen una estructura simple y repetitiva, como un fractal o un patrón. Si conoces el patrón, no necesitas almacenar cada uno de los libros; solo necesitas almacenar las instrucciones sobre cómo construirlos.

Este artículo te enseña cómo encontrar esos patrones usando una herramienta llamada Redes de Tensores (Tensor Networks).

---

La Herramienta Principal: El Enfoque de "Lego" (Redes de Tensores)

Los autores introducen una técnica matemática llamada Redes de Tensores. Piensa en un objeto 3D gigante y complejo (como una enorme escultura) que representa un estado cuántico.

• El Problema: Intentar describir toda la escultura a la vez requiere mil millones de números.
• La Solución (Redes de Tensores): En lugar de describir todo el objeto, lo descompones en pequeños y simples ladrillos de Lego.
  • MPS (Estados de Producto de Matriz): Estos son como una larga cadena de ladrillos de Lego. Cada ladrillo se conecta con el siguiente. Si la escultura no está demasiado "retorcida" (entrelazada), puedes reconstruir todo el objeto usando solo unos pocos ladrillos pequeños.
  • MPO (Operadores de Producto de Matriz): Estos son como instrucciones o herramientas de Lego que te dicen cómo cambiar la escultura (como una puerta en un circuito cuántico).

El artículo muestra que, para muchos problemas, no necesitas toda la biblioteca de mil millones de números. Solo necesitas la cadena de ladrillos de Lego. Esto permite que una computadora normal simule lo que hace una computadora cuántica, pero mucho más rápido y con menos memoria.

El "Algoritmo Mágico" de Aprendizaje (TCI)

Una de las partes más geniales del artículo es un algoritmo llamado Interpolación Cruzada de Tensores (TCI).

• La Analogía: Imagina que estás tratando de adivinar la forma de una cordillera oculta. No puedes ver toda la cordillera, pero puedes preguntarle a un guía: "¿Cuál es la altura en este punto específico?".
• Cómo funciona: En lugar de preguntar por cada uno de los puntos (lo que tomaría una eternidad), el TCI es un detective inteligente. Pregunta por algunos puntos estratégicos, descubre el patrón y luego completa el resto del mapa.
• El Resultado: Puede aprender la forma de una función compleja (como una onda o una distribución de calor) mirando solo una fracción diminuta de los datos. Convierte un problema de "caja negra" en un conjunto de instrucciones de Lego (un MPS) que una computadora puede manejar fácilmente.

El Truco de "Quantics": Acercar y Alejar el Zoom

El artículo introduce un concepto llamado Quantics para resolver ecuaciones de física (como la propagación del calor o el movimiento de ondas).

• La Analogía: Imagina un mapa de un país. Normalmente, ves todo el país a la vez. Pero, ¿y si pudieras hacer zoom en una ciudad, luego en una calle, luego en una casa, todo al mismo tiempo?
• El Truco: Los autores representan los números en binario (0s y 1s). El primer bit te dice si estás en el lado izquierdo o derecho del país (gran escala). El siguiente bit te dice si estás en el norte o el sur de ese lado (escala media). El último bit te dice si estás a la izquierda o a la derecha de tu casa específica (escala diminuta).
• Por qué ayuda: Al organizar los datos de esta manera, la computadora ve que los cambios de "gran escala" y los cambios de "escala diminuta" suelen ser independientes. Esto hace que la "cadena de Lego" (MPS) sea muy corta y fácil de computar.
• El Resultado: Pueden resolver ecuaciones en una cuadrícula con billones de puntos en una laptop normal. Una computadora normal colapsaría intentando mantener tantos puntos en la memoria, pero el truco de compresión de "Quantics" lo reduce a algo manejable.

El Control de Realidad de la "Supremacía Cuántica"

El artículo analiza los famosos experimentos de "Supremacía Cuántica" (donde las empresas afirman que sus computadoras cuánticas hicieron algo imposible para las clásicas).

• La Visión del Artículo: Los autores son escépticos ante el bombo publicitario. Argumentan que esos experimentos fueron diseñados para crear "ruido aleatorio" (un caos sin orden). ¡Por supuesto que una computadora clásica tiene dificultades para simular el ruido aleatorio!
• El Detalle: Si la computadora cuántica está haciendo algo útil (como simular una reacción química o un material específico), el estado suele tener mucha estructura. El artículo muestra que las computadoras clásicas, usando estas técnicas de Lego, pueden simular esos estados cuánticos útiles muy bien.
• El Veredicto: Una computadora cuántica no es una varita mágica que lo resuelve todo. Es una herramienta específica. Si el problema tiene una estructura de "bajo rango" (patrones de Lego simples), una computadora clásica a menudo puede vencer a la cuántica.

Resumen de lo que Hicieron

1. Enseñaron los conceptos básicos: Cómo descomponer enormes problemas matemáticos en piezas pequeñas y conectadas (Redes de Tensores).
2. Mostraron cómo simular computadoras cuánticas: Construyeron una computadora cuántica "virtual" en una laptop normal que puede manejar cientos de qubits, siempre que el circuito no sea demasiado caótico.
3. Introdujeron una herramienta de aprendizaje (TCI): Una forma de enseñar a una computadora la forma de un problema simplemente echando un vistazo a unos pocos puntos de datos.
4. Resolvieron física del mundo real: Utilizaron estas herramientas para resolver ecuaciones complejas (como el flujo de calor y las ecuaciones de onda) en cuadrículas tan enormes que normalmente serían imposibles, todo en una estación de trabajo estándar.

La Conclusión Final

El artículo afirma que las computadoras clásicas no están condenadas. Siempre que el problema tenga alguna estructura subyacente (que es lo que ocurre en la mayoría de los problemas científicos útiles), podemos usar las "Redes de Tensores" para comprimir los datos y resolverlos. No siempre necesitamos una computadora cuántica para hacer el trabajo pesado; a veces, un algoritmo clásico ingenioso puede competir, e incluso ganar.

Resumen técnico

Resumen Técnico: "¿Quién puede competir con las computadoras cuánticas? Notas de clase sobre técnicas de computación de redes de tensores de inspiración cuántica"

Planteamiento del Problema
El artículo aborda el desafío fundamental de simular sistemas cuánticos y resolver problemas de álgebra lineal de alta dimensión que escalan exponencialmente con el tamaño del sistema ($2^N$ para $N$ cúbits). Si bien las computadoras cuánticas son teóricamente capaces de manipular estos espacios de estados exponencialmente grandes, las supercomputadoras clásicas no pueden almacenar la función de onda completa para $N \gtrsim 50$. Sin embargo, los autores señalan que muchos estados físicamente relevantes poseen estructuras matemáticas internas que permiten una representación clásica eficiente. El problema central es identificar y explotar estas estructuras —específicamente las propiedades de bajo rango— para realizar multiplicaciones matriz-vector, resolver problemas de autovalores y simular la dinámica sin almacenar explícitamente el objeto exponencial completo. Las lecciones pretenden desvincular los algoritmos de redes de tensores de su contexto tradicional de la física de muchos cuerpos para presentarlos como herramientas generales de álgebra lineal para matrices y vectores grandes.

Metodología
El artículo presenta un conjunto integral de algoritmos basados en Estados de Producto de Matrices (MPS) y Operadores de Producto de Matrices (MPO). Estas son representaciones de redes de tensores que factorizan vectores y matrices exponencialmente grandes en una cadena de tensores pequeños y locales conectados por índices virtuales (dimensiones de enlace o bond dimensions).

1. Emulación Exacta: Los autores establecen primero que los circuitos cuánticos son redes de tensores. Describen estrategias de emulación exacta:

   • Simulador de Estado Completo: Asigna un vector de tamaño $2^N$ y aplica compuertas secuencialmente. Escala exponencialmente en memoria ($O(2^N)$) pero linealmente en el número de compuertas.
   • Emulador MPS Exacto: Representa el estado como un MPS. Para circuitos con entrelazamiento limitado (por ejemplo, compuertas de vecindad cercana en estados de producto), esto escala linealmente en $N$ y polinómicamente en la profundidad del circuito, siempre que la dimensión de enlace $\chi$ permanezca pequeña.

2. Compresión y Aproximación: Para manejar sistemas más grandes, las lecciones introducen la compresión de bajo rango mediante la Descomposición en Valores Singulares (SVD).

   • Forma Canónica: Una elección de calibre donde los tensores son isometrías, lo que permite leer directamente la entropía de entrelazamiento a partir de los valores singulares de un tensor central.
   • TEBD (Decimación de Evolución de Bloque de Tiempo): Un algoritmo para circuitos cuánticos donde se aplican compuertas y el estado resultante se trunca mediante SVD para mantener una dimensión de enlace $\chi$ fija. Esto introduce un error controlado acotado por los valores singulares descartados.
   • DMRG (Grupo de Renormalización de la Matriz de Densidad): Adaptado aquí para circuitos cuánticos y diagonalización de Hamiltonianos. Optimiza uno o dos tensores a la vez para minimizar la energía (para Hamiltonianos) o maximizar la fidelidad (para circuitos), realizando recorridos (sweeps) a través del sistema hasta la convergencia.

3. Aprendizaje y Construcción (TCI): Una parte significativa de la metodología se dedica a la Interpolación Cruzada de Tensores (TCI). A diferencia de los métodos tradicionales que requieren acceso al tensor completo, TCI es un algoritmo de aprendizaje activo que construye una representación MPS/MPO consultando una función $F(\sigma)$ en índices específicos.

   • Utiliza la Interpolación Cruzada (CI) y la descomposición LU de rango parcial revelador (prrLU) para seleccionar "pívots" (filas y columnas) que maximicen el determinante (principio de maxvol), asegurando que las secciones seleccionadas capturen la información esencial de la matriz.
   • Esto permite la conversión de funciones arbitrarias (por ejemplo, integrandos, potenciales) en formatos MPS/MPO sin conocimiento previo de su estructura tensorial.

4. La Representación "Quantics": Los autores introducen un esquema de discretización específico donde una variable continua $x$ se mapea a una cadena binaria de bits. Esta representación "quantics" permite que las funciones de variables continuas sean tratadas como MPS.

   • Proporcionan construcciones analíticas de MPOs para operadores diferenciales (derivación, integración, Laplaciano), convolución y la Transformada de Fourier Cuántica (QFT).
   • Crucialmente, se demuestra que la QFT es un MPO de bajo rango (rango $\chi \approx 15$ para precisión de máquina), lo que permite transformadas de Fourier "superrápidas" en mallas con $2^N$ puntos.

Contribuciones Clave

• Generalización de las Redes de Tensores: Las lecciones reformulan los MPS y MPO no solo como herramientas de la física de la materia condensada, sino como solucionadores generales de álgebra lineal para vectores y matrices exponencialmente grandes.
• Caja de Herramientas Algorítmica: El texto proporciona derivaciones detalladas, paso a paso, para:
  • Muestreo desde MPS (muestreo exacto mediante la regla de la cadena bayesiana).
  • Suma y multiplicación de MPS/MPOs.
  • Resolución de sistemas lineales ($Ax=b$) usando MPS.
  • Construcción analítica de MPOs para operadores diferenciales y la QFT.
• TCI como Puerta de Entrada: El artículo posiciona a TCI como el puente crítico que permite mapear problemas que no son de redes de tensores (como las Ecuaciones Diferenciales Parciales) hacia el marco de trabajo de las redes de tensores.
• Quantics para EDP: Los autores demuestran cómo la representación quantics, combinada con TCI y MPOs de bajo rango, permite la solución de EDP (Poisson, Schrödinger, ecuación del calor) en mallas con $2^{30}$ a $2^{40}$ puntos utilizando estaciones de trabajo estándar, una escala inalcanzable para los métodos de fuerza bruta.

Resultados
El artículo ilustra estos métodos a través de aplicaciones concretas:

• Simulación de Circuitos Cuánticos: Las comparaciones muestran que para circuitos con bajo entrelazamiento (por ejemplo, generación de estado GHZ), el emulador MPS exacto escala como $\sim N^2$, mientras que el simulador de estado completo escala como $\sim N 2^N$.
• Circuitos Aleatorios y Fidelidad: Las simulaciones de circuitos cuánticos aleatorios (similares a experimentos de "supremacía cuántica") muestran que la fidelidad decae exponencialmente con la profundidad del circuito, controlada por la dimensión de enlace. Esto sugiere que incluso para $N$ grandes, si la tasa de error (o la dimensión de enlace efectiva) es lo suficientemente baja, las redes de tensores pueden simular el sistema.
• Soluciones de EDP:
  • Integración: Se utiliza TCI para calcular una integral oscilatoria de 10 dimensiones, convergiendo como $\sim 1/N_{eval}^4$, superando significativamente a los métodos de Monte Carlo que sufren del problema de la señal y escalan como $1/\sqrt{N_{eval}}$.
  • Ecuación del Calor: Usando el MPO de la QFT de bajo rango, la ecuación del calor se resuelve en una malla de $2^{30}$ puntos (un billón de puntos) en segundos en una computadora portátil.
  • Ecuación de Gross-Pitaevskii: Se realizan simulaciones de esta ecuación no lineal en un potencial cuasiperiódico con $2^{20}$ puntos de malla por dimensión, demostrando la capacidad de manejar escalas de longitud muy diferentes.

Significancia y Reivindicaciones
Los autores afirman que estas técnicas "de inspiración cuántica" compiten directamente con las capacidades de las computadoras cuánticas al explotar las mismas estructuras matemáticas subyacentes (bajo entrelazamiento/bajo rango) que hacen que los estados cuánticos sean tratables.

• Reencuadre de la Supremacía Cuántica: El artículo argumenta que los experimentos de "supremacía cuántica" suelen apuntar a estados aleatorios y caóticos que son difíciles de simular pero que pueden carecer de relevancia física. Por el contrario, muchos algoritmos cuánticos útiles y sistemas físicos poseen una estructura que permite a las redes de tensores clásicas simularlos eficientemente.
• Cuello de Botella de I/O: Los autores destacan que las computadoras cuánticas enfrentan un "cuello de botella de I/O" (salida de solo $N$ bits de información probabilística), mientras que las redes de tensores pueden proporcionar la función de onda completa o integrales de alta precisión.
• Perspectiva Futura: El artículo plantea que las redes de tensores y la TCI jugarán un papel fundamental en el futuro de la computación cuántica, sirviendo potencialmente como la interfaz para mapear las entradas de los problemas en formatos de redes de tensores que luego puedan ser compilados en circuitos cuánticos. Los autores enfatizan que, si bien las redes de tensores son poderosas, no son una panacea; dependen de la existencia de una estructura de bajo rango, la cual no está garantizada para todos los problemas.

En resumen, el artículo sirve como una guía pedagógica y técnica que demuestra cómo los algoritmos de redes de tensores clásicas, particularmente cuando se aumentan con TCI y la representación quantics, ofrecen una alternativa robusta, escalable y, a menudo, superior a la simulación de fuerza bruta para una amplia clase de problemas de alta dimensión, desafiando efectivamente la necesidad del hardware cuántico para tareas específicas.