Resumen Técnico: Un Marco para Evaluar el Rendimiento de los Algoritmos Cuánticos Variacionales

1. Planteamiento del Problema

Los Algoritmos Cuánticos Variacionales (VQA, por sus siglas en inglés) son un enfoque líder para resolver problemas de optimización combinatoria, específicamente la Optimización Binaria No Restringida Cuadrática (QUBO), en dispositivos de Escala Intermedia con Ruido (NISQ). Sin embargo, la evaluación comparativa de los VQA sigue siendo un desafío debido a su naturaleza estocástica inherente y la falta de criterios de rendimiento estandarizados. Los estudios existentes suelen reportar métricas de una sola ejecución sin contabilizar explícitamente la variabilidad introducida por las mediciones de disparos (shots) finitos y las evaluaciones de costo con ruido. En consecuencia, no existe un criterio universalmente aceptado para clasificar los VQA según su idoneidad para resolver instancias específicas de QUBO bajo restricciones de recursos.

2. Metodología

Los autores proponen un marco general para evaluar los VQA aplicados a problemas QUBO. La metodología se fundamenta en la interpretación de los circuitos cuánticos como distribuciones de probabilidad sobre el espacio binario y la caracterización del rendimiento de los VQA mediante medidas estadísticas derivadas de estas distribuciones.

A. Marco Teórico

El marco define un VQA como una tupla $VQA := (U, [C, s, A])$, que comprende un ansatz ($U$), una función de costo ($C$), el número de disparos ($s$) y un optimizador clásico ($A$). El rendimiento se visualiza en un Diagrama de Calidad ($D \subset \mathbb{R}^2$), donde cada punto representa una ejecución de VQA definida por:

1. Consumo de Recursos Normalizado: El número de evaluaciones de circuito ($n_{calls}$) en relación con un límite máximo ($n_{max}$).
2. Probabilidad de Éxito: La probabilidad de medir el mínimo global ($p_{min}$), transformada como $1 - p_{min}$.

La solución ideal corresponde al punto $(0,0)$, que representa una única llamada a la función con una probabilidad de 1 para encontrar el mínimo global. Debido a la estocasticidad, las ejecuciones repetidas generan una distribución de puntos ($\rho$) sobre $D$.

B. Tres Métricas Principales

El marco evalúa los VQA utilizando tres métricas complementarias derivadas de la distribución $\rho$:

1. Factibilidad ($F$): La probabilidad a priori de que el algoritmo tenga éxito en encontrar una solución con una $p_{min}$ por encima de un umbral predefinido ($p_{threshold}$). Se calcula como la integral de la distribución $\rho$ sobre la región donde $p_{min} \geq p_{threshold}$.
2. Calidad ($Q$): Un valor escalar que cuantifica la eficiencia del proceso de búsqueda, equilibrando la probabilidad de éxito frente al consumo de recursos. Se define como el valor esperado de una función de calidad $q(n_{calls}, p_{min})$, que asigna calidad cero si $p_{min} < p_{threshold}$ y, de lo contrario, calcula una distancia euclidiana ponderada desde el punto ideal $(0,0)$.
3. Reproducibilidad ($R$): Una medida de la certeza de los resultados, formalizada mediante la entropía de Shannon ($S[\rho]$). La reproducibilidad se define como $R[\rho] = 1 - \frac{S[\rho]}{S_{max}}$, donde un valor de 1 indica una distribución totalmente concentrada (alta certeza) y 0 indica una dispersión uniforme (alta incertidumbre).

C. Criterio de Selección

El marco establece un proceso de decisión para la selección de algoritmos basado en umbrales $(F_0, Q_0, R_0)$. Un VQA se considera un "solucionador bien adaptado" solo si satisface secuencialmente:

1. $F[\rho] \geq F_0$
2. $Q[\rho] \geq Q_0$
3. $R[\rho] \geq R_0$

3. Resultados Experimentales

Como prueba de concepto, los autores aplicaron el marco a una instancia QUBO aleatoria de 16 cúbits mediante simulación. Evaluaron múltiples configuraciones de VQA variando el parámetro CVaR ($\alpha \in \{0.15, 0.25, 0.50, 0.75, 1.00\}$) y el número de disparos ($s \in \{1,000 \dots 100,000\}$), utilizando el ansatz RealAmplitudes y el optimizador COBYLA. Cada configuración fue probada durante 400 ejecuciones de optimización.

Hallazgos Clave:

• Factibilidad: La factibilidad aumentó generalmente con valores de $\alpha$ más altos y mayores conteos de disparos ($s$), alcanzando eventualmente la saturación. Por ejemplo, con $\alpha=1.00$, la factibilidad alcanzó 0.95 con $s=60,000$.
• Calidad: De manera similar a la factibilidad, la calidad mejoró con $\alpha$ y $s$ más altos. Sin embargo, se observó saturación para la mayoría de los casos más allá de $s=20,000$, con la excepción de $\alpha=0.25$.
• Reproducibilidad: A diferencia de las otras métricas, la reproducibilidad fue mayormente insensible a los cambios en $s$ y $\alpha$. Valores más bajos de $\alpha$ y $s$ ocasionalmente produjeron una mayor reproducibilidad, probablemente porque el algoritmo terminó prematuramente sin explorar soluciones diversas.
• Configuraciones Óptimas: Basándose en los criterios de selección ($F_0=0.70, Q_0=1.20, R_0=0.60$), las configuraciones de VQA más adecuadas se identificaron como aquellas con $\alpha$ más alto (específicamente 0.75 y 1.00) y mayores conteos de disparos (en el rango de 10,000 a 100,000).

4. Contribuciones Clave

• Marco de Evaluación Unificado: Introduce una metodología estructurada que combina factibilidad, calidad y reproducibilidad para abordar la brecha en la evaluación sistemática de los VQA.
• Caracterización Estocástica: Va más allá de las métricas de una sola ejecución al tratar el rendimiento de los VQA como una distribución de probabilidad, utilizando la entropía de Shannon para cuantificar la reproducibilidad.
• Diagrama de Calidad: Propone una herramienta visual y matemática para capturar las compensaciones entre la probabilidad de éxito y el consumo de recursos.
• Criterio de Decisión: Proporciona un proceso de selección formal, basado en umbrales, para identificar las configuraciones óptimas de VQA bajo restricciones de recursos.

5. Significado y Reivindicaciones

Los autores afirman que este trabajo contribuye con un enfoque principista para comparar VQAs en la era NISQ. Al contabilizar explícitamente la naturaleza estocástica de los algoritmos variacionales, el marco permite una selección de algoritmos más fiable en flujos de trabajo híbridos cuántico-clásicos.

El artículo presenta sus resultados de forma modesta como una prueba de concepto. Reconoce las limitaciones, señalando que el análisis se restringió a una única instancia QUBO, un único ansatz y un único optimizador, todos evaluados mediante simulación. Los autores afirman que el marco proporciona una base para la investigación futura, incluyendo la validación en hardware real, la exploración de diversos ansätze y el desarrollo de criterios de selección adaptativos para problemas a gran escala. No reclaman la superioridad inmediata de algoritmos específicos sobre otros en todos los contextos, sino la utilidad del marco para identificar sistemáticamente los algoritmos con mejor rendimiento para una instancia de problema dada y un presupuesto de recursos.