Resource-Efficient Digitized Adiabatic Quantum Factorization

Resumen Técnico: Factorización Cuántica Adiabática Eficiente en Recursos mediante Digitalización

Planteamiento del Problema
El artículo aborda el desafío de implementar una factorización cuántica adiabática eficiente en computadores cuánticos digitalizados (basados en puertas). Los enfoques estándar, como el método propuesto por Peng et al. [1], formulan la factorización de enteros como una búsqueda del estado fundamental de un Hamiltoniano de problema derivado de una función de Optimización Binaria No Restringida Polinómica (PUBO). Esta formulación resulta en un Hamiltoniano que contiene términos de interacción de tres y cuatro qubits no locales ($Z^3$ y $Z^4$). En dispositivos digitalizados, estas interacciones de alto orden requieren la descomposición en múltiples puertas de dos qubits nativas (por ejemplo, CNOTs), lo que conduce a circuitos profundos con un alto recuento de puertas. Esta complejidad limita severamente la fidelidad y la escalabilidad del algoritmo, haciendo que las probabilidades de éxito caigan drásticamente para números mayores a 91, incluso empleando técnicas de aprendizaje automático.

Metodología
Los autores proponen un nuevo algoritmo adiabático digitalizado que reformula el problema de la factorización utilizando un marco de Optimización Binaria No Restringida Cuadrática (QUBO). El cambio metodológico central implica dos cambios clave:

1. Codificación de Subespacio de Núcleo (Kernel Subspace Encoding): En lugar de codificar la solución como el estado fundamental (mínimo de energía cero) de una función al cuadrado $F^2$, los autores definen el Hamiltoniano del problema $\hat{H}_{LP}$ como la función lineal $F(N, \hat{p}', \hat{q}')$ misma. En esta formulación, la solución corresponde al autoestado de energía cero (el subespacio núcleo o kernel) del Hamiltoniano, el cual es un estado excitado respecto al espectro global, en lugar de ser el estado fundamental.
2. Formulación QUBO: Al utilizar la función lineal, el Hamiltoniano resultante contiene únicamente interacciones de dos cuerpos, clasificando el problema como un QUBO. Esto elimina la necesidad de las reducciones polinómicas NP-difíciles y las variables auxiliares típicamente requeridas para mapear problemas PUBO a QUBO.

El algoritmo se implementa utilizando un Algoritmo Cuántico Variacional (específicamente QAOA). El protocolo inicializa el sistema en un estado de superposición uniforme (específicamente $|+\rangle|-\rangle\dots$ para alinearse con el nul-subespacio de $\hat{H}_{LP}$) y lo hace evolucionar mediante unitarias alternadas derivadas del Hamiltoniano de costo ($\hat{H}_{LP}$) y un Hamiltoniano de mezcla ($\hat{H}_M$). La función de costo minimizada por los optimizadores clásicos se define como el valor esperado del valor absoluto del Hamiltoniano, $C_{LP} = \langle |\hat{H}_{LP}| \rangle$, para asegurar la convergencia hacia la solución de autovalor cero.

Contribuciones Clave

• Simplificación de Circuitos: El enfoque QUBO propuesto reduce el Hamiltoniano del problema a interacciones de dos cuerpos. Esto elimina la necesidad de descomponer complejas puertas multi-qubit, reduciendo significativamente la profundidad del circuito.
• Nueva Estrategia de Codificación: El artículo demuestra que la factorización adiabática puede realizarse con éxito apuntando al subespacio núcleo (estado excitado de energía cero) en lugar del estado fundamental, superando las limitaciones de las formulaciones PUBO.
• Análisis de Robustez: Los autores analizan la densidad espectral de los Hamiltonianos, mostrando que la formulación QUBO ofrece una densidad de estados más dispersa alrededor del subespacio de la solución en comparación con la formulación PUBO, lo que ayuda a evitar mínimos locales y mesetas estériles (barren plateaus) durante la optimización.

Resultados
Los autores compararon su algoritmo basado en QUBO frente al enfoque PUBO estándar para la factorización de enteros de hasta 8 bits (específicamente $N=25, 119, 143$).

• Complejidad de Puertas: Para una sola capa del circuito QAOA, el enfoque QUBO requiere significativamente menos puertas CNOT. Por ejemplo, factorizar $N=25$ requiere 8 CNOTs por capa para el método QUBO, frente a 34 CNOTs para el método PUBO (tras la descomposición de las puertas de 3 y 4 qubits).
• Fidelidad y Confianza: El algoritmo QUBO demuestra una fidelidad sustancialmente mayor al identificar los factores correctos. Para números más grandes como $N=119$ y $N=143$, el enfoque PUBO falla en concentrar la amplitud de probabilidad en la solución correcta, resultando en puntuaciones de confianza bajas y una alta entropía de Shannon. En contraste, el enfoque QUBO logra poblar exitosamente los estados de la solución correcta.
• Convergencia de la Función de Costo: El algoritmo QUBO logra una reducción más profunda en la función de costo (hasta 3 órdenes de magnitud para $N=143$) en comparación con el enfoque PUBO (hasta 2 órdenes de magnitud), lo que indica una optimización más efectiva.
• Análisis Espectral: El análisis de los espectros de energía revela que el Hamiltoniano PUBO tiene una alta densidad de estados cerca de la solución, creando un paisaje "plano" que dificulta a los optimizadores clásicos. El Hamiltoniano QUBO exhibe un espectro más ampliamente distribuido con brechas de energía (energy gaps) mayores cerca del subespacio núcleo, facilitando la preparación del estado.

Significancia y Reivindicaciones
El artículo afirma que este trabajo proporciona una vía eficiente en recursos para la factorización cuántica adiabática digitalizada. La principal significancia radica en la reducción sustancial de la complejidad del circuito y el correspondiente aumento de la fidelidad algorítmica, haciendo que la factorización de enteros más grandes sea factible en dispositivos de tecnología de corto plazo (near-term devices).

Los autores enfatizan que, si bien apuntar a un estado excitado (el núcleo) es un desafío para los recocedores cuánticos (quantum annealers) debido a la falta de protección por decoherencia del estado fundamental, es ventajoso para los recocedores cuánticos digitalizados. En sistemas basados en puertas, donde la decoherencia suele estar gobernada por la decaimiento local de un solo qubit, la reducción en el recuento de puertas del enfoque QUBO minimiza el tiempo de ejecución total y la exposición a errores. Los resultados sugieren que las formulaciones basadas en QUBO pueden superar a las basadas en PUBO en la optimización mediante QAOA, desafiando la literatura previa que asumía que PUBO era necesario o superior para ciertas estructuras de problemas. El trabajo motiva la exploración adicional de protocolos adiabáticos digitalizados para problemas de teoría de números más amplios y Hamiltonianos complejos.