Quantum Metropolis-Hastings via Penalised Qubitized Walks: Spectral Filtering and Circuit Implementation

Resumen Técnico: Metropolis-Hastings Cuántico mediante Caminatas Cuantizadas Penalizadas

1. El Problema

Los métodos de Monte Carlo basados en Cadenas de Markov (MCMC), y en particular el algoritmo de Metropolis-Hastings (MH), son fundamentales en física computacional, inferencia bayesiana y aprendizaje automático. Sin embargo, sufren de mezcla lenta (slow mixing) en configuraciones de alta dimensión o con distribuciones objetivo multimodales (con múltiples mínimos de energía separados por barreras altas).

El desafío principal para la implementación cuántica es la irreversibilidad inherente a los movimientos rechazados en el algoritmo clásico, lo que dificulta su codificación directa en circuitos cuánticos unitarios. Aunque se han propuesto marcos teóricos (como el de Claudon et al., 2025) que utilizan representaciones duales en el espacio de aristas para evitar este problema, la implementación práctica en circuitos cuánticos reales enfrenta obstáculos críticos:

• No conmutatividad: No es posible aplicar simultáneamente la proyección sobre el espacio de imagen de una isometría parcial (donde reside el estado estacionario deseado) y la filtración del autovalor 1 del operador de caminata cuántica, ya que estos operadores no conmutan.
• Degeneración espectral: El autovalor 1 del operador de caminata cuántica suele estar degenerado en el espacio de Hilbert completo, no solo en el subespacio de interés, lo que impide aislar el estado estacionario correcto mediante filtrado espectral simple.

2. Metodología

Los autores proponen una implementación explícita a nivel de circuito que supera las limitaciones teóricas anteriores mediante una serie de modificaciones algorítmicas y de diseño de circuitos:

• Caminata Cuantizada Penalizada: Introducen un operador de caminata cuántica penalizado, $V$, definido como:
  $$V = (\Pi_{\boxtimes} + e^{i\phi}(\text{Id} - \Pi_{\boxtimes})) W$$
  Donde $W$ es el operador de caminata cuántica original, $\Pi_{\boxtimes}$ es el proyector sobre el espacio de imagen de la isometría parcial $\boxtimes$, y $\phi$ es una fase de penalización.

  • Función: Esta penalización rompe la degeneración del autovalor 1. Los estados fuera del subespacio deseado ($\text{Im}(\boxtimes)$) adquieren una fase $e^{i\phi}$, desplazándolos en el espectro, mientras que el estado estacionario deseado (dentro de $\text{Im}(\boxtimes)$) permanece inalterado con autovalor 1.

• Filtrado Espectral mediante Estimación de Fase Cuántica (QPE):

  • Se utiliza QPE para estimar las fases de los autovalores del operador $V$.
  • Se realiza una post-selección sobre los qubits de fase ancilla, reteniendo solo los resultados donde la fase estimada es cero (correspondiente al autovalor 1).
  • Esto actúa como un filtro espectral que aísla el estado estacionario, incluso con resolución de fase finita.

• Flujo de Trabajo Completo (Workflow):

  1. Inicialización: Preparación de un estado semilla en el espacio de aristas (dual).
  2. Aplicación de QPE: Uso del operador penalizado $V$ para codificar las fases en registros ancilla.
  3. Decodificación Dual a Vértice: Transformación unitaria para mapear la representación de aristas de vuelta a la representación de vértices (distribución estacionaria original $\pi$).
  4. Post-selección y Muestreo: Descartar ejecuciones donde la fase no es cero y medir el registro de posición para obtener muestras de la distribución objetivo.

• Simulación Clásica: Dado que los circuitos requieren profundidad y coherencia más allá de los dispositivos NISQ actuales, los autores realizan simulaciones de vectores de estado en supercomputadores (MareNostrum 5) utilizando el framework Qiskit. Se estudian dos modelos: un potencial de doble pozo en una cuadrícula $4 \times 4$ y una cadena de Ising de 4 espines.

3. Contribuciones Clave

• Resolución de la Obstrucción de Conmutatividad: Demuestran que la implementación directa del marco teórico de Claudon falla debido a la no conmutatividad entre la proyección de subespacio y el filtrado de autovalores. La introducción del operador penalizado es esencial para hacer el algoritmo viable en circuitos cuánticos.
• Implementación de Circuito Explícito: Proporcionan la construcción completa de los oráculos de propuesta y aceptación, así como la lógica de penalización, detallando la complejidad de qubits necesaria ($O(4 \log |E| + m + n_{anc})$).
• Análisis de Resolución de Fase Finita: Caracterizan cómo la precisión limitada del QPE afecta la calidad de la distribución preparada. Muestran que, incluso en regímenes de resolución insuficiente ("under-resolved"), el algoritmo captura información estructural valiosa (como la magnetización o la estructura de cuencas) antes de converger completamente a la distribución de Gibbs.
• Validación de la Necesidad de Penalización: Evidencian que aumentar la precisión de la fase sin penalización no garantiza la convergencia al estado estacionario correcto debido a la degeneración espectral.

4. Resultados

• Potencial de Doble Pozo:

  • El algoritmo penalizado logra una fidelidad clásica de 0.9948 y una distancia de variación total de 0.052 con solo 4 qubits de precisión en QPE.
  • Se observa que la precisión de fase insuficiente afecta principalmente el equilibrio de pesos entre las dos cuencas (mínimos de energía), pero preserva la estructura local dentro de cada cuenca.
  • Sin la penalización, incluso con mayor precisión (5 qubits), el algoritmo falla en asignar correctamente la masa de probabilidad entre los pozos, demostrando que la penalización es más crítica que la mera resolución de fase.

• Modelo de Ising:

  • Se analiza el comportamiento frente al gap espectral (controlado por la temperatura inversa $\beta$).
  • A medida que $\beta$ aumenta (gap más pequeño), se requiere mayor precisión de fase para aislar el estado estacionario.
  • En el régimen de resolución insuficiente, el estado preparado sigue siendo útil: captura observables globales robustos (como la magnetización) con alta precisión, aunque observables sensibles (como el número de paredes de dominio) muestren desviaciones.
  • El filtrado espectral suprime jerárquicamente los sectores de alta energía, manteniendo una distribución sesgada hacia estados de baja energía incluso antes de la convergencia total.

5. Significado y Conclusiones

• Viabilidad Práctica: El trabajo demuestra que es posible construir un algoritmo de Metropolis-Hastings cuántico funcional dentro de un modelo de circuito realista, superando las barreras teóricas de la irreversibilidad y la degeneración.
• Requisitos de Hardware: Se concluye que este algoritmo requiere computación cuántica tolerante a fallos (fault-tolerant) debido a la profundidad del circuito y la necesidad de QPE coherente, por lo que no es ejecutable en dispositivos NISQ actuales.
• Potencial Futuro: El algoritmo promete una aceleración cuadrática en el tiempo de mezcla respecto a los métodos clásicos en problemas con gaps espectrales pequeños.
• Estrategia Híbrida: Los autores sugieren que, en el futuro, este método podría utilizarse como un procedimiento de inicialización para métodos MCMC clásicos. El algoritmo cuántico prepararía una distribución de alta calidad que ya captura la estructura global de las cuencas de energía (superando barreras globales), la cual sería luego refinada localmente por métodos clásicos eficientes.

En resumen, este artículo transforma una construcción teórica abstracta en un protocolo de circuito ejecutable, identificando y resolviendo los obstáculos prácticos clave para el muestreo cuántico de distribuciones complejas.