Ground-state energies of Ising models calculated using the samples from a quantum computer that simulates short-time evolution

Este artículo demuestra el cálculo de las energías del estado fundamental para modelos de Ising con acoplamientos homogéneos y aleatorios en hasta 63 qubits utilizando el Eigensolver Variacional Cuántico en Cascada con un Ansatz de Muestreo Guiado, estableciendo los límites de error y las perspectivas de rendimiento para la utilidad cuántica a corto plazo en arquitecturas de red heavy-hex.

Lo esencial

Imagina que estás intentando encontrar el punto absolutamente más bajo en una vasta y neblinosa cordillera. Este "punto más bajo" representa el estado más estable y calmado de un sistema complejo (en este caso, un material magnético llamado modelo de Ising). En una computadora clásica, intentar mapear cada valle y pico individual en una enorme cordillera es como intentar contar cada grano de arena en una playa; toma demasiado tiempo y es prácticamente imposible.

Este artículo describe un experimento donde los investigadores utilizaron una computadora cuántica para ayudar a encontrar ese punto más bajo, pero con un giro: no esperaron a que la computadora fuera perfecta. En su lugar, utilizaron un enfoque "suficientemente bueno" que funciona incluso cuando la computadora es un poco ruidosa y propensa a errores.

Aquí hay un desglose de su método y hallazgos utilizando analogías cotidianas:

El Problema: La Montaña Neblinosa

Los investigadores están estudiando un tipo específico de sistema magnético (el modelo de Ising). Quieren conocer su "energía del estado fundamental", que es simplemente una forma elegante de decir: ¿Cuál es la disposición más relajada y de menor energía de estos espines magnéticos?

Para sistemas grandes, las computadoras clásicas se pierden en la niebla. No pueden calcular la respuesta porque hay demasiadas posibilidades.

La Solución: Una Caminata Guiada (El Algoritmo CVQE)

En lugar de intentar resolver toda la montaña de una vez, los investigadores utilizaron un método llamado Solver Cuántico Variacional en Cascada (CVQE) con un Ansatz de Muestreo Guiado (GSA).

Piénsalo de esta manera:

1. La Caminata Corta: Imagina que estás vendado y te dejan caer en una montaña. No puedes ver el fondo. Así que das un paseo muy corto y rápido (evolución de corto tiempo) en una dirección específica. No llegas al fondo, pero terminas en un valle que está más bajo que donde empezaste.
2. La Muestra: Tomas una instantánea de dónde terminaste. Haces esto muchas veces (1,000 veces, en su experimento).
3. El Mapa: Le das todas estas instantáneas a una computadora clásica (una laptop normal). La laptop mira todos los lugares que visitaste y dice: "Bien, si combinamos todas estas ubicaciones específicas, podemos construir un mapa pequeño y detallado de los valles más prometedores".
4. El Cálculo: La computadora clásica resuelve las matemáticas solo para ese pequeño mapa para encontrar el punto más bajo real.

La parte de "Muestreo Guiado" es la clave. La computadora cuántica no adivina al azar; da ese paseo corto y rápido para "guiar" la búsqueda hacia el área correcta, filtrando las partes inútiles de la montaña.

El Experimento: El Patio de Juegos "Heavy-Hex" de IBM

Los investigadores utilizaron una computadora cuántica de IBM llamada Torino. Esta computadora tiene una disposición específica de qubits (los bits cuánticos) que se asemeja a un retículo heavy-hex (un patrón de hexágonos conectados). Mapearon su problema magnético directamente sobre esta forma para que la computadora pudiera manejarlo eficientemente.

Probaron dos tipos de sistemas magnéticos:

1. Homogéneo: Donde todos los imanes interactúan entre sí exactamente de la misma manera (como un bosque perfectamente uniforme).
2. Acoplamiento Aleatorio: Donde las interacciones son aleatorias y desordenadas (como un bosque donde algunos árboles están enredados, otros están muy separados y el viento sopla de manera diferente en todas partes). Esto es más difícil de resolver y es similar a un "vidrio de espín".

Probaron sistemas con hasta 63 qubits (espines).

Los Resultados: ¿Cuándo Gana la Niebla?

Los investigadores descubrieron que este método funciona bien, pero hay un límite.

• El Punto Dulce: Para sistemas más pequeños y interacciones magnéticas más débiles, la computadora cuántica los guió con éxito hacia una respuesta muy precisa.
• El Punto de Ruptura: A medida que el sistema se hacía más grande (más qubits) o las interacciones magnéticas se volvían más fuertes, el "ruido" (errores) en la computadora cuántica comenzó a ahogar la señal. Es como intentar escuchar un susurro en un huracán; eventualmente, no puedes decir si estás en un valle o simplemente en una cresta ventosa.

Descubrieron un "límite" donde la computadora cuántica deja de ser útil. Si el sistema es demasiado grande o demasiado complejo, los errores hacen que la respuesta sea poco fiable.

La "Puntuación de Información" (¿Cómo sabemos que es correcto?)

Una de las partes más ingeniosas del artículo es cómo verificaron si su respuesta era buena sin conocer la respuesta de antemano.

Crearon una "Relación de Información":

• Imagina que la computadora cuántica es un detective reuniendo pistas (muestras).
• Imagina que la computadora clásica es el detective tratando de resolver el caso usando esas pistas.
• Si el detective reúne más pistas de las que realmente se necesitan para resolver el caso, está seguro de tener la respuesta correcta.
• Si el detective reúne menos pistas de las necesarias, solo está adivinando.

Descubrieron que cuando su "Relación de Información" era positiva, la respuesta era probablemente correcta. Cuando caía por debajo de cero, los errores cuánticos habían tomado el control y el resultado era poco fiable.

La Gran Conclusión

El artículo concluye que los modelos de Ising son candidatos perfectos para las computadoras cuánticas "ruidosas" de hoy en día.

Aunque las computadoras cuánticas aún no son perfectas, las matemáticas detrás de estos modelos magnéticos son lo suficientemente simples para que funcione el método de la "caminata corta". La cantidad de pistas (muestras) necesarias para encontrar la respuesta no explota exponencialmente a medida que el sistema se hace más grande; crece lentamente. Esto sugiere que podemos usar computadoras cuánticas actuales e imperfectas para resolver problemas físicos que son imposibles para las computadoras clásicas, específicamente para entender materiales magnéticos y vidrios de espín.

En resumen: Enseñaron a una computadora cuántica ruidosa a dar unos pocos pasos rápidos para encontrar el vecindario correcto, y luego usaron una computadora normal para encontrar la casa exacta. Funciona muy bien para problemas de tamaño mediano, pero si el vecindario se vuelve demasiado enorme, el ruido se vuelve demasiado fuerte para escuchar las direcciones.

Resumen técnico

Aquí se presenta un resumen técnico detallado del artículo "Energías del estado fundamental de modelos de Ising calculadas utilizando muestras de una computadora cuántica que simula la evolución de corto tiempo".

1. Planteamiento del Problema

El artículo aborda el desafío de calcular las energías del estado fundamental para el Modelo de Ising con Campo Transverso en computadoras cuánticas de corto plazo (dispositivos NISQ).

• El Desafío: Muchos algoritmos cuánticos requieren tiempos de coherencia largos y circuitos profundos, lo cual es actualmente inviable debido al ruido y la decoherencia.
• El Objetivo Específico: Determinar si las simulaciones de evolución de corto tiempo pueden utilizarse eficazmente para construir un ansatz destinado a encontrar energías del estado fundamental, específicamente para sistemas de hasta 63 qubits.
• El Contexto: Los autores buscan operar en el régimen de "utilidad cuántica", donde las computadoras cuánticas pueden resolver problemas que son intratables clásicamente (o difíciles de aproximar sin heurísticas específicas) pero que aún no requieren tolerancia completa a fallos. Se centran tanto en modelos homogéneos como en modelos de acoplamiento aleatorio (vidrios de espín) en una red heavy-hex, que coincide con la arquitectura de los procesadores cuánticos de IBM.

2. Metodología

Los autores emplean un enfoque híbrido cuántico-clásico que combina el Eigensolver Variacional en Cascada (CVQE) con un Ansatz de Muestreo Guiado (GSA).

A. Evolución de Corto Tiempo (Preparación Diabática)

En lugar de una evolución adiabática lenta (que requiere tiempos de coherencia largos), los autores utilizan evolución de corto tiempo ($T \sim \Delta t$).

• Hamiltoniano: Definen un Hamiltoniano dependiente del tiempo $\hat{H}(t)$ donde la fuerza de acoplamiento $\Omega_{ij}(t)$ aumenta de 0 a $J_{ij}$ a lo largo del tiempo $T$.
• Descomposición de Trotter-Suzuki: El operador de evolución se aproxima utilizando una descomposición de Trotter de un solo paso (o pocos pasos).
• Mecanismo: Incluso si la evolución no es perfectamente adiabática, la evolución de corto tiempo actúa como un filtro. Suprime exponencialmente los estados de alta energía fuera de una ventana $\Delta E \sim 1/\Delta t$, guiando al sistema hacia un subespacio que contiene el estado fundamental.

B. Ansatz de Muestreo Guiado (GSA)

La computadora cuántica se utiliza para generar un "estado guía" en lugar de la solución final directamente.

1. Muestreo: La computadora cuántica ejecuta el circuito de evolución de corto tiempo y realiza $N_S$ disparos para medir los estados base $|\Phi_s\rangle$.
2. Construcción del Subespacio: Estos estados medidos forman un conjunto $B$. Los autores luego construyen un subespacio más grande $B_1$ aplicando el Hamiltoniano $\hat{H}$ a cada estado en $B$ una vez (es decir, $B_1 = \{ \hat{H}|\Phi_s\rangle \}$).
3. Diagonalización Clásica: El Hamiltoniano se proyecta sobre este subespacio $B_1$ para formar una matriz $\hat{H}^{(1)}$. Esta matriz se diagonaliza en una computadora clásica para encontrar el autovalor más bajo (la energía efectiva del estado fundamental).
4. Eficiencia: El método se basa en el hecho de que, para los modelos de Ising, el tamaño del subespacio $|B_1|$ crece subexponencialmente con el tamaño del sistema, lo que hace viable la diagonalización clásica.

C. Análisis Entrópico (Métrica de Error)

Para evaluar la fiabilidad de los resultados sin conocer el estado fundamental exacto, los autores introducen una métrica de teoría de la información:

• Entropía de Disparos ($S_B$): Mide la información obtenida de las mediciones cuánticas.
• Entropía de Distribución ($S_\Psi$): Mide la información necesaria para describir el estado fundamental construido.
• Relación de Información ($R$): Definida como $R = \log_2 \left( \frac{I_B}{K I_\Psi} \right)$, donde $I_B$ es la información de la computadora cuántica, $I_\Psi$ es la información necesaria para el ansatz y $K$ es un factor de acoplamiento.
  • $R > 0$: Indica que la computadora cuántica proporcionó información suficiente para construir un estado preciso (éxito).
  • $R < 0$: Indica que la computadora cuántica proporcionó información insuficiente, probablemente debido al ruido (fallo).

3. Contribuciones Clave

• Demostración de Utilidad Cuántica: Calculó con éxito las energías del estado fundamental para modelos de Ising con hasta 63 qubits en el procesador IBM Torino (Heron r1), una escala donde la simulación clásica por fuerza bruta es imposible.
• Nueva Métrica de Error: Desarrolló la Relación de Información ($R$) para determinar cuantitativamente el límite de errores cuánticos aceptables. Esto permite a los investigadores distinguir entre desviaciones físicas y errores inducidos por el hardware sin conocimiento previo de la solución exacta.
• Análisis de Subespacio: Proporcionó evidencia de que el número de estados base necesarios para aproximar el estado fundamental para modelos de Ising crece polinomialmente (de lineal a cúbico) en lugar de exponencialmente en el régimen donde $|J| \sim |B|$. Esto valida la eficiencia del enfoque CVQE/GSA para estos problemas específicos.
• Acoplamiento Aleatorio (Vidrio de Espín): Extendió el método a modelos de acoplamiento aleatorio (vidrios de espín), una clase de problemas notoriamente difíciles para los algoritmos clásicos, mostrando que el método permanece robusto hasta ciertos umbrales de error.

4. Resultados

• Modelo Homogéneo:
  • El algoritmo rastreó con éxito la energía del estado fundamental y el espín promedio en función de la fuerza de acoplamiento ($J_0$) y el tamaño del sistema ($N_Q$).
  • Límite de Error: Las desviaciones de las curvas físicas suaves se correlacionaron con $R < 0$. A medida que aumentaron $N_Q$ y $|J_0|$, el ruido cuántico (errores de puerta y errores de lectura) degradó los resultados, causando finalmente que el método fallara en los sistemas más grandes a alto acoplamiento.
• Modelo de Acoplamiento Aleatorio:
  • El método manejó eficazmente el desorden de los vidrios de espín.
  • La Relación de Información ($R$) identificó con éxito las regiones donde los errores cuánticos dominaron los resultados (esquina inferior derecha del espacio de parámetros), mientras que $R > 0$ en otras regiones indicó resultados fiables.
• Escalado del Subespacio:
  • El análisis de la estructura de los estados base mostró que el número de estados base significativos (aquellos con probabilidad no despreciable) escala subexponencialmente (aproximadamente de lineal a cúbico) con el número de qubits tanto para modelos homogéneos como aleatorios.
  • Esto confirma que el espacio de Hilbert "efectivo" para el estado fundamental es lo suficientemente pequeño para el postprocesamiento clásico.

5. Significado y Conclusión

• Viabilidad de Algoritmos NISQ: El artículo demuestra que la evolución de corto tiempo combinada con el muestreo guiado es una estrategia viable para computadoras cuánticas de corto plazo. Evita la necesidad de circuitos profundos y corregidos de errores.
• Perspectivas Físicas: La capacidad de simular modelos de Ising de acoplamiento aleatorio (vidrios de espín) en hardware cuántico abre la puerta al descubrimiento de nuevas propiedades físicas de sistemas magnéticos desordenados que actualmente son desconocidas.
• Perspectiva Futura: Los autores concluyen que, aunque el hardware actual limita la precisión para los sistemas más grandes a alto acoplamiento, los requisitos de información para el estado fundamental no aumentan significativamente con el tamaño del sistema. A medida que el hardware cuántico mejore (menores errores de puerta), se espera que este método escale aún más, resolviendo potencialmente problemas que son estrictamente intratables para las computadoras clásicas.

En resumen, este trabajo proporciona una vía concreta para utilizar el hardware cuántico actual para resolver problemas complejos de física de muchos cuerpos aprovechando la dinámica de corto tiempo y la expansión de subespacios híbrida cuántico-clásica, validada por una nueva métrica de error basada en la teoría de la información.