⚛️ quantum physics

Solving nonlinear differential equations on noisy $156$-qubit quantum computers

Este artículo presenta el algoritmo híbrido clásico-cuántico H-DES, el cual logra resolver ecuaciones diferenciales no lineales, como la ecuación de Burgers y problemas de deformación de materiales, utilizando computadoras cuánticas de 156 cúbits de IBM en la era NISQ.

Autores originales: Karla Baumann, Youcef Modheb, Roman Randrianarisoa, Roland Katz, Aoife Boyle, Frédéric Holweck

Publicado 2026-02-11

📖 3 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Karla Baumann, Youcef Modheb, Roman Randrianarisoa, Roland Katz, Aoife Boyle, Frédéric Holweck

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

🧪 El "Traductor Maestro": Resolviendo problemas complejos con computadoras cuánticas ruidosas

Imagina que tienes que resolver un rompecabezas matemático increíblemente difícil, como predecir cómo se deforma un metal bajo presión o cómo se mueve el agua en un río. Tradicionalmente, usamos computadoras normales (como tu laptop) para esto. Pero estas computadoras tienen un límite: cuando el problema se vuelve muy "enredado" o no lineal, tardan una eternidad o simplemente no pueden encontrar la respuesta exacta.

Aquí es donde entran las computadoras cuánticas. Son como supercerebros que funcionan con las reglas locas de la física subatómica, lo que les permite ver caminos que una computadora normal ni siquiera imagina.

El problema: El "cerebro" que tiene hipo

El gran problema es que las computadoras cuánticas actuales son como un genio que tiene un hipo constante. Se llaman dispositivos NISQ (de escala intermedia con ruido). Ese "ruido" significa que la computadora comete errores todo el tiempo debido a la temperatura, la vibración o interferencias externas. Es como intentar escribir una novela perfecta mientras alguien te está sacudiendo la mesa y te lanza pelotas de tenis.

La solución: El algoritmo H-DES (El Director de Orquesta)

Los investigadores de este estudio no intentaron "arreglar" el hipo de la computadora (que es casi imposible hoy en día). En su lugar, crearon una herramienta llamada H-DES.

Para entender qué es H-DES, imagina que estás intentando dirigir una orquesta donde los músicos están un poco borrachos y desafinan (ese es el ruido cuántico).

En lugar de exigirles perfección absoluta, el director (H-DES) usa un método de "ensayo y error inteligente".
El director les da una partitura aproximada, escucha el desastre que suena, y luego les dice: "Vale, un poco más de volumen aquí, un poco menos de nota allá".
Repite este proceso miles de veces (un ciclo híbrido entre la computadora cuántica y una computadora normal) hasta que, a pesar de los errores de los músicos, la música suena casi perfecta.

¿Qué lograron? (Los dos grandes retos)

Los científicos pusieron a prueba a este "Director de Orquesta" con dos problemas reales:

El test de deformación de materiales: Imagina estirar una barra de metal. El algoritmo logró predecir cómo se estira y cómo se estresa el material, comparando sus resultados con la realidad y acertando casi de lleno.
La ecuación de Burgers (El flujo de un fluido): Imagina el movimiento de un líquido que puede crear ondas o choques repentinos. Este es un problema muy difícil porque es "caótico". Usando hasta 50 qubits (las unidades de información cuántica), el algoritmo logró "dibujar" el movimiento del fluido con una precisión asombrosa, incluso con el ruido de la máquina.

¿Por qué es esto importante?

Hasta ahora, la mayoría de estos experimentos se hacían en "simuladores" (computadoras normales que pretenden ser cuánticas). Este estudio es especial porque lo hicieron en hardware real, en las computadoras de IBM.

Es como si antes solo hubiéramos practicado conducir autos de carreras en un videojuego, y ahora, por fin, hemos logrado conducir un auto de carreras real en una pista llena de baches y lluvia, y no nos hemos estrellado.

En resumen: Hemos demostrado que, aunque las computadoras cuánticas actuales sean "ruidosas" y cometan errores, podemos usar algoritmos inteligentes para "limpiar" ese ruido y empezar a resolver problemas de ingeniería y física que antes eran imposibles. ¡Es el primer paso hacia una nueva era de la ciencia!

Resumen Técnico: Resolución de ecuaciones diferenciales no lineales en computadoras cuánticas ruidosas de 156 qubits

Este artículo presenta un avance significativo en la computación cuántica aplicada a la ciencia, demostrando la resolución exitosa de ecuaciones diferenciales no lineales utilizando hardware cuántico real (procesadores de IBM) en la era NISQ (Noisy Intermediate-Scale Quantum).

1. El Problema

El objetivo principal es superar la brecha entre la teoría de algoritmos cuánticos para resolver ecuaciones diferenciales parciales (PDEs) y su implementación práctica. Mientras que los algoritmos teóricos (como el de Harrow-Hassidim-Lloyd) requieren hardware con corrección de errores que aún no existe, los métodos actuales suelen probarse solo en simuladores clásicos. El desafío radica en resolver problemas físicamente relevantes que presenten no linealidad, acoplamiento de campos y ruido de hardware (errores de puerta y ruido de disparo o shot noise).

Para ello, el estudio aborda dos problemas de benchmark:

Ensayo de tracción hipoelástico 1D: Un sistema de ecuaciones diferenciales ordinarias (ODEs) que modela la deformación de un material, involucrando desplazamientos y tensiones con términos no lineales.
Ecuación de Burgers no viscosa: Una PDE que modela el flujo de fluidos incompresibles, caracterizada por la formación de gradientes pronunciados y ondas de choque, lo que la hace altamente compleja para métodos numéricos.

2. Metodología: El algoritmo H-DES

Los autores proponen y utilizan el algoritmo H-DES (Hybrid Classical-Quantum Differential Equation Solver), un marco de trabajo híbrido basado en Algoritmos Cuánticos Variacionales (VQAs). Sus componentes clave son:

Ansatz Variacional: Utilizan un Hardware-Efficient Ansatz (HEA), diseñado para adaptarse a la conectividad específica del procesador cuántico, minimizando la profundidad del circuito para reducir el ruido.
Codificación de la Solución: A diferencia de otros métodos que usan mapas de características (feature maps), H-DES utiliza una expansión de Chebyshev en los observables. Esto permite que los valores de la función y sus derivadas se obtengan mediante valores esperados de observables, ofreciendo mayor flexibilidad.
Construcción de la Función de Pérdida (Loss Function): La pérdida se define mediante el residuo de la ecuación diferencial en puntos de colocación, sumado a términos que garantizan el cumplimiento de las condiciones de contorno (ya sea mediante penalizaciones o mediante un "desplazamiento de condición de contorno flotante").
Estrategias de Optimización Adaptativas:
- Para el problema de tracción: Usan el optimizador basado en gradientes SLSQP con la regla de desplazamiento de parámetros (parameter-shift rule).
- Para la ecuación de Burgers: Implementan una estrategia de muestreo en N etapas (aumentando gradualmente el número de shots para equilibrar precisión y tiempo) y el optimizador libre de gradientes CMA-ES, que es más robusto frente al ruido.

3. Contribuciones Clave

Implementación en Hardware Real: Es el primer reporte de resolución exitosa de ecuaciones diferenciales no triviales en procesadores cuánticos reales (arquitectura Heron de IBM).
Robustez al Ruido: Demuestran que el proceso de minimización de la pérdida variacional puede "absorber" el ruido del hardware sin necesidad de técnicas complejas de mitigación de errores.
Flexibilidad del "Toolbox": Presentan H-DES no como un algoritmo rígido, sino como una caja de herramientas donde la arquitectura del circuito, el tipo de observable y la estrategia de optimización pueden ajustarse según la naturaleza del problema físico.

4. Resultados

En el ensayo hipoelástico: El algoritmo logró una convergencia estable y una alta precisión en la solución de la tensión ( $\sigma$ ), mostrando una excelente concordancia con la solución analítica.
En la ecuación de Burgers:
- Con parámetros moderados ( $a=0.5, b=0.25$ ), el uso de 40 qubits y una estrategia de shots escalonada permitió una convergencia exitosa y una reconstrucción precisa del campo de velocidad $u(x,t)$ .
- Con parámetros más agresivos ( $a=1, b=1$ ), que exigen mayor expresividad, el uso de 50 qubits y un ansatz basado en rotaciones $R_x$ y entrelazamiento $CZ$ permitió alcanzar la precisión objetivo.
Escalabilidad: Los resultados muestran que a medida que aumenta la complejidad de la solución (gradientes más altos), se requiere un mayor número de qubits y estrategias de optimización más sofisticadas.

5. Significado y Conclusión

Este trabajo marca un hito al demostrar la utilidad cuántica de corto plazo (near-term quantum utility). Prueba que los dispositivos NISQ actuales, a pesar de su ruido inherente, son capaces de realizar simulaciones físicas de relevancia científica si se emplean algoritmos diseñados con conciencia del hardware (hardware-aware). El estudio establece una hoja de ruta para el desarrollo de simuladores de física y ciencia de materiales en computadoras cuánticas a medida que la tecnología escale.