🤖 machine learning

Investigating Quantum Circuit Designs Using Neuro-Evolution

Este artículo presenta EXAQC, un marco neuroevolutivo que automatiza el diseño y el entrenamiento de circuitos cuánticos parametrizados mediante la optimización conjunta de tipos de puertas, conectividad y parámetros bajo restricciones de hardware, logrando una alta precisión y fidelidad en tareas de referencia.

Autores originales: Devroop Kar, Daniel Krutz, Travis Desell

Publicado 2026-02-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Devroop Kar, Daniel Krutz, Travis Desell

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 estás intentando construir una máquina compleja con piezas de Lego para resolver un rompecabezas específico. Normalmente, los ingenieros tienen que diseñar manualmente el plano, decidiendo exactamente dónde va cada pieza, qué colores usar y cómo conectarlas. Si se equivocan, la máquina podría ser demasiado grande, demasiado lenta o simplemente no funcionar.

Este artículo presenta una nueva forma de diseñar estas "máquinas", pero en lugar de piezas de Lego, usan circuitos cuánticos (los planos para las computadoras cuánticas), y en lugar de un ingeniero humano, utilizan un proceso de evolución digital para realizar el diseño.

Aquí está el desgrecado de su enfoque, llamado EXAQC, utilizando analogías sencillas:

1. El Problema: El "Arquitecto Ciego"

Diseñar circuitos cuánticos es increíblemente difícil. La cantidad de formas en las que puedes organizar las partes (puertas) y conectarlas (cables) es astronómica.

La forma antigua: Los humanos intentan adivinar el mejor diseño o utilizan plantillas rígidas. Es como intentar construir una casa usando solo paredes prefabricadas y sin cambiar nunca el plano de la planta. A menudo no se ajusta al problema específico o al hardware en el que se ejecuta.
La nueva forma (EXAQC): En lugar de un arquitecto humano, los autores utilizan un proceso de "selección natural digital". Dejan que la computadora "evolucione" el mejor diseño de circuito a lo largo del tiempo, tal como la naturaleza hace evolucionar a los animales para sobrevivir en su entorno.

2. Cómo funciona la evolución: El "Darwinismo Digital"

Los investigadores crearon un sistema donde los circuitos cuánticos son tratados como organismos vivos con un ADN (llamado genoma).

El ADN: El "genoma" es una lista de instrucciones que le dice a la computadora cuántica qué puertas usar, qué qubits (bits cuánticos) conectar y en qué orden.
Mutación (Cambios aleatorios): Al igual que las mutaciones biológicas, el sistema cambia los circuitos de forma aleatoria. Podría:
- Añadir una nueva puerta (como añadir una nueva habitación a una casa).
- Deshabilitar una puerta (eliminar una habitación inútil).
- Intercambiar cables (reorganizar la fontanería).
- Reordenar pasos (cambiar la secuencia de instrucciones).
Cruce (Reproducción): El sistema toma dos circuitos exitosos y los "cruza". Mezcla su ADN para crear un hijo circuito que, con suerte, herede las mejores características de ambos padres. Incluso inventaron formas especiales de mezclar el ADN de cuatro padres a la vez, no solo de dos.

3. El Entrenamiento: "Aprender haciendo"

Una vez que nace un nuevo circuito, tiene que demostrar su valía. El sistema lo pone a prueba de dos maneras principales:

La prueba del "Maestro" (Imitación): Se le da al computador un circuito "perfecto" (el maestro) y se le pide que copie su comportamiento. Si el nuevo circuito actúa exactamente como el maestro, obtiene una puntuación alta. Esto es como un estudiante tratando de imitar perfectamente la interpretación de un maestro pianista.
La prueba del "Examen" (Clasificación): Se le da al circuito un conjunto de datos estándar (como clasificar imágenes de flores o vinos). Tiene que observar los datos y hacer una suposición. Si acierta, obtiene una puntuación alta. Esto es como un estudiante tomando un examen de opción múltiple.

Los circuitos que obtienen las puntuaciones más altas pueden "reproducirse" y pasar sus genes a la siguiente generación. Los que fallan son descartados. A lo largo de cientos de generaciones, la población de circuitos se vuelve más inteligente y eficiente.

4. Los Resultados: ¿Qué encontraron?

Los autores ejecutaron este proceso evolutivo en varios conjuntos de datos del mundo real (como el famoso conjunto de datos Iris y los datos de cáncer de mama) y en rompecabezas cuánticos sintéticos.

Puntuaciones altas: Los circuitos evolucionados fueron capaces de resolver problemas de clasificación con más del 90% de precisión en la mayoría de las pruebas.
Imitación perfecta: Cuando se les pidió copiar un circuito "maestro", los circuitos evolucionados alcanzaron una fidelidad del 98% al 100% (lo que significa que eran casi idénticos al objetivo).
Diseños sorprendentes: Los circuitos no solo copiaron al maestro; a veces encontraron formas diferentes de resolver el mismo problema. Por ejemplo, para actuar como una puerta de "no hacer nada" (identidad), un circuito evolucionado usó una puerta específica dos veces seguidas para anularse a sí misma, mientras que otro usó un truco totalmente distinto. Esto demuestra que el sistema es creativo, no solo un imitador.

5. Por qué esto es importante

Los autores argumentan que este método es poderoso porque:

Es flexible: Funciona con diferentes herramientas de software (Qiskit y Pennylane), por lo que no está ligado a una marca específica de computadora cuántica.
Es automatizado: No necesita que un humano decida la estructura; el sistema descubre por sí solo la mejor forma, profundidad y conexiones.
Es eficiente: Encontró buenas soluciones con un número relativamente pequeño de intentos (solo se probaron 500 "generaciones" de circuitos en sus experimentos).

En resumen: El artículo presenta un simulador de "supervivencia del más apto" que diseña automáticamente circuitos cuánticos. En lugar de que los humanos adivinen el mejor diseño, la computadora intenta miles de variaciones aleatorias, conserva las que funcionan mejor y las cría hasta crear una máquina cuántica altamente eficiente y capaz de resolver problemas.

Resumen Técnico: Investigación de Diseños de Circuitos Cuánticos mediante Neuro-Evolución

Declaración del Problema

El diseño de Circuitos Cuánticos Parametrizados (PQC) efectivos sigue siendo un cuello de botella significativo en el Aprendizaje Automático Cuántico (QML). La estructura de un circuito cuántico —específicamente sus tipos de puertas, conectividad de cúbits, parametrización y profundidad— dicta fundamentalmente su expresividad, entrenabilidad y robustez al ruido. Los enfoques actuales dependen en gran medida de plantillas diseñadas manualmente o heurísticas fijas, que a menudo no logran generalizar a través de diferentes tareas o restricciones de hardware. Estos diseños estáticos pueden sufrir problemas como mesetas barrenadas (barren plateaus), señales de gradiente débiles o entrelazamiento insuficiente. Aunque existe la Búsqueda de Arquitectura de Redes Cuánticas (QNAS) automatizada, muchos métodos existentes están limitados por espacios de búsqueda superficiales, una alta carga computacional o una falta de flexibilidad para soportar diferentes backends cuánticos y funciones objetivo.

Metodología: EXAQC

Los autores proponen la Exploración Evolutiva de Aumento de Circuitos Cuánticos (EXAQC), un marco de neuro-evolución para el diseño y entrenamiento automatizado de circuitos cuánticos. Inspirado en los algoritmos EXAMM y EXA-GP, EXAQC trata los circuitos cuánticos como "genomas" mutables que evolucionan para optimizar tanto la estructura como los parámetros simultáneamente.

1. Representación del Genoma

A diferencia de las representaciones de tamaño fijo, EXAQC utiliza una lista ilimitada de puertas. Un genoma consiste en:

Identificadores de cúbits de entrada y salida.
Una lista de puertas, donde cada puerta incluye un valor de profundidad ( $0.0 \le d \le 1.0$ ), conexiones de cúbits de entrada/salida, parámetros entrenables (si aplica) y un número de innovación.
El número de innovación permite al sistema rastrear estructuras homólogas a través de diferentes genomas, facilitando un cruce (crossover) efectivo.

2. Operadores Evolutivos

EXAQC emplea un enfoque híbrido evolutivo-variacional donde los cambios estructurales son impulsados por la evolución, mientras que los parámetros se optimizan mediante aprendizaje basado en gradientes (optimizador Adam).

Operadores de Mutación:
- Añadir Puerta: Inserta una nueva puerta en una profundidad aleatoria, seleccionando cúbits de entrada/salida basados en el análisis de conectividad para asegurar que la puerta contribuya a la computación.
- Habilitar/Deshabilitar Puerta: Alterna la actividad de las puertas existentes.
- Reordenar Puerta: Mueve una puerta a una nueva profundidad.
- Intercambiar Cúbits: Reasigna las conexiones de cúbits de una puerta.
- Verificación de Restricciones: Tras la mutación, un recorrido hacia adelante asegura que al menos una entrada fluya hacia una salida; los genomas inválidos son descartados.
Operadores de Crossover (Cruce):
- Crossover Binario: Combina dos progenitores, preservando las innovaciones compartidas y reteniendo probabilísticamente las innovaciones únicas del progenitor más apto ( $best\_keep\_rate$ ) o del menos apto ( $other\_keep\_rate$ ).
- Crossover N-ario: Extiende el cruce a múltiples progenitores (por ejemplo, $n=4$ ), utilizando un enfoque de simplex aleatorizado para recombinar parámetros.
- Crossover Exponencial: Divide a los progenitores en un punto de cruce de profundidad aleatorio, tomando las puertas de menor profundidad de un progenitor y las de mayor profundidad de otro.
Herencia de Pesos Lamarckiana: Para reducir los costos de retropropagación, los pesos de los progenitores exitosos se heredan y refinan en lugar de ser reinicializados.

3. Agnosticismo de Backend y Funciones de Pérdida

El marco está diseñado para ser agnóstico al backend, soportando tanto Qiskit como PennyLane. Soporta dos modos de optimización primarios:

Imitación del Maestro (Basada en Fidelidad): Cuando existe un circuito "maestro" objetivo, el sistema minimiza la pérdida entre el estado del candidato y el estado del maestro. Las métricas incluyen Fidelidad ( $1 - |\langle \phi | \psi \rangle|^2$ ) y Distancia Angular.
Aprendizaje Supervisado (Basado en Lectura): Para conjuntos de datos clásicos, el sistema utiliza pérdidas basadas en la medición. Esto incluye Entropía Cruzada sobre las probabilidades marginales de lectura para clasificación, Divergencia de Kullback-Leibler (KL) y Error Cuadrático Medio (MSE) de Observables para restricciones alineadas con el hardware.

Contribuciones Clave

Marco Unificado: Introducción de EXAQC, un sistema que optimiza conjuntamente la topología del circuito (tipos de puertas, conectividad, profundidad) y los parámetros tanto para el aprendizaje supervisado como para la emulación de circuitos.
Agnosticismo de Backend: Un pipeline de entrenamiento flexible compatible con PennyLane y Qiskit, permitiendo que la misma representación evolutiva sea evaluada bajo diferentes modelos de ejecución.
Formulaciones de Pérdida Flexibles: La capacidad de cambiar entre supervisiones basadas en fidelidad (para la emulación de circuitos objetivo) y pérdidas basadas en lectura (para la clasificación de datos clásicos) dentro de un pipeline consistente.
Estrategias de Crossover Novedosas: Adaptación de técnicas de cruce neuroevolutivo (N-ario y Exponencial) específicamente para listas ordenadas de puertas cuánticas.

Resultados Experimentales

Los autores evaluaron EXAQC en cuatro conjuntos de datos de referencia UCI (Iris, Wine, Seeds, Breast Cancer) y un conjunto de circuitos cuánticos "maestros" sintéticos.

Rendimiento de Clasificación: Utilizando un presupuesto computacional modesto (500 genomas evaluados), los circuitos evolucionados lograron una alta precisión en los conjuntos de datos de referencia. Por ejemplo, el conjunto de datos Iris alcanzó hasta un 90.0% de precisión, y Seeds alcanzó un 95.2%. Los resultados indicaron una correlación entre la complejidad del circuito (número de puertas) y el rendimiento, sugiriendo que tiempos de búsqueda más largos podrían producir mejoras adicionales.
Emulación de Circuitos: En las pruebas basadas en maestros, el sistema aprendió con éxito a emular comportos objetivo:
- Línea Base (Puerta Única): Logró un 100% de fidelidad en 3–5 genomas.
- Generadores de Estados Bell: Lograron un 98.32% de fidelidad.
- Circuitos Controlados por Entrada: Lograron un 94.11% de fidelidad.
- Circuitos de Capas Múltiples: Lograron un 91.73% de fidelidad tras explorar más de 800 genomas.
Descubrimiento Estructural: El sistema descubrió topologías de circuitos no triviales de forma orgánica. En algunos casos, los circuitos evolucionados lograron una alta fidelidad utilizando mecanismos estructuralmente diferentes a los del maestro (por ejemplo, aplicando una puerta Hadamard dos veces para simular una puerta Identidad).

Significado y Reivindicaciones

El artículo posiciona a EXAQC como una metodología práctica y escalable para el descubrimiento de circuitos cuánticos "conscientes del problema". Los autores afirman que la búsqueda evolutiva es una herramienta crítica para avanzar en el QML porque puede navegar el espacio de diseño combinatorio de tipos de puertas y conectividad sin depender de plantillas fijas.

La significancia del trabajo radica en su demostración de que:

Los algoritmos evolutivos pueden descubrir eficazmente estructuras de circuitos que generalizan a través de diferentes conjuntos de datos y restricciones de hardware.
Un marco unificado puede manejar tanto tareas impulsadas por la física (emulación de estados cuánticos) como tareas impulsadas por datos (clasificación de datos clásicos) sin cambiar la maquinaria evolutiva subyacente.
El enfoque proporciona un camino principista hacia el diseño de circuitos cuánticos escalables, yendo más allá del diseño heurístico manual hacia el descubrimiento automatizado y adaptativo.

Los autores mantienen la modestia respecto a las implicaciones futuras, señalando que, aunque la implementación actual utiliza una población de estado estacionario único y optimización de un solo objetivo, el marco está diseñado para ser extensible a estrategias de múltiples objetivos y modelos de isla en trabajos futuros. Enfatizan que los resultados actuales sirven como una prueba de concepto de la viabilidad de la neuro-evolución en la búsqueda de arquitectura cuántica.