Constrained Counterdiabatic Quantum Approximate Optimization Algorithm for Portfolio Optimization

Este artículo introduce el CCD-QAOA (Algoritmo de Optimización Cuántica Aproximada con Contradiabática Constrained), un algoritmo novedoso que integra potenciales de gauge adiabáticos aproximados en un ansatz variacional para lograr un rendimiento de optimización y ratios de aproximación superiores para problemas de cartera con restricciones en comparación con las variantes estándar de QAOA.

Lo esencial

El Panorama General: Encontrar la Cartera Perfecta

Imagina que eres un asesor financiero intentando construir la cartera de inversiones perfecta. Tienes una lista de 12 acciones diferentes. Tu objetivo es elegir exactamente 4 de ellas (tu "presupuesto") que te den el mayor rendimiento posible manteniendo bajo el riesgo (volatilidad).

Este es un problema clásico de "Optimización de Carteras". Es difícil porque las acciones están todas conectadas; si una sube, otra podría bajar. Hay millones de formas de elegir 4 acciones, pero solo unas pocas son realmente las "mejores".

El Problema: La Brújula Cuántica se está Perdendo

Los autores están utilizando un tipo especial de computadora llamada Computadora Cuántica para resolver esto. Están usando un algoritmo llamado QAOA (Algoritmo Cuántico de Optimización Aproximada).

Piensa en el QAOA como un excursionista que intenta encontrar el punto más bajo en una vasta y neblinosa cordillera (el "paisaje de energía"). El excursionista quiere encontrar el fondo absoluto (la mejor cartera).

• El Desafío: El terreno es traicionero. Hay muchos "falsos fondos" (mínimos locales) que parecen el fondo pero no lo son.
• La Restricción: Al excursionista solo se le permite caminar por un camino específico donde siempre debe sostener exactamente 4 piedras (que representan las 4 acciones). Si deja caer una piedra o recoge una quinta, se sale del camino y la solución es inválida.
• El Fracaso: El QAOA estándar a menudo se queda atrapado en la niebla o se desvía del camino porque se mueve demasiado rápido. En términos físicos, realiza "transiciones diabáticas": salta entre estados tan rápido que no logra asentarse en el mejor.

La Solución: El Guía "Contradiabático"

Los autores introducen un nuevo método llamado QAOA Contradiabático Restringido (CCD-QAOA).

Para entender esto, imagina que el excursionista se mueve a través de la niebla.

1. QAOA Estándar: El excursionista simplemente camina hacia adelante, esperando encontrar el fondo. A veces tropieza en una hondonada poco profunda y se queda atrapado.
2. El Truco "Contradiabático": Los autores añaden un "guía" o una "brújula" especial al excursionista. Este guía sabe exactamente dónde el excursionista está a punto de tropezar y lo empuja suavemente de vuelta al camino correcto antes de que caiga.
   • En física, este guía se llama Potencial de Calibre Adiabático.
   • La parte "Contradiabática" significa que lucha activamente contra los errores que el excursionista está a punto de cometer.

Cómo Construyeron el Guía

Los autores no solo adivinaron cómo debería verse este guía. Lo construyeron matemáticamente utilizando las reglas del juego:

• Utilizaron un "mezclador" especial (el mezclador XY) que asegura que el excursionista nunca deje caer una piedra ni recoja una extra. Esto mantiene al excursionista estrictamente en el camino de "4 piedras".
• Calculó que para evitar que el excursionista tropiece, el guía necesita utilizar interacciones de tres cuerpos.
  • Analogía: Imagina que una regla estándar es "Si te mueves a la izquierda, muévete a la derecha". Pero la nueva regla es más compleja: "Si te mueves a la izquierda y tu vecino está sosteniendo una piedra roja, entonces debes girar". Estas reglas complejas de tres partes son necesarias para navegar los giros y vueltas específicos del paisaje de riesgo del mercado de valores.

Lo Que Encontraron (Los Resultados)

Los autores realizaron simulaciones para ver si este nuevo excursionista "guiado" rendía mejor que los anteriores.

1. Mejor Precisión: El excursionista guiado (CCD-QAOA) encontró mejores carteras (mayores "razones de aproximación") que el excursionista estándar, incluso cuando solo se les permitió dar unos pocos pasos (circuitos poco profundos).
2. La Compensación:
   • Lo Bueno: El nuevo método encontró mejores soluciones más rápido.
   • Lo Malo: El guía es pesado. Añadir estas complejas reglas de "tres cuerpos" hizo que el circuito cuántico fuera más complicado. Requería más "puertas" (operaciones de lógica cuántica) y tardó más en calcularse.
   • La Fuga: Curiosamente, aunque el guía estaba diseñado para ayudar, las reglas complejas a veces empujaban accidentalmente al excursionista ligeramente fuera del camino de "4 piedras". Sin embargo, incluso con este pequeño error, el nuevo método aún funcionó mejor que los antiguos métodos de "penalización" (que intentan forzar al excursionista de vuelta al camino castigándolo severamente).

La Conclusión

El artículo concluye que al añadir este "guía" específico (el término contradiabático) al algoritmo cuántico, pueden ayudar a la computadora a encontrar mejores carteras de inversión sin necesidad de una computadora cuántica masiva y profunda.

Es como darle un GPS a un excursionista en la niebla. El GPS hace que la caminata sea ligeramente más complicada de configurar, pero asegura que realmente llegues al destino en lugar de perderte en un valle poco profundo. Este enfoque funciona particularmente bien para problemas financieros donde tienes reglas estrictas (como un presupuesto fijo) y conexiones complejas entre los activos.

Resumen técnico

Resumen Técnico: Algoritmo Cuántico Aproximado de Optimización Contradiabático Constrained para Optimización de Carteras

Planteamiento del Problema
El artículo aborda el desafío de resolver problemas de optimización combinatoria con restricciones en hardware cuántico de corto plazo, centrándose específicamente en la optimización de carteras. En el marco de media-varianza de Markowitz, el objetivo es equilibrar los rendimientos esperados frente al riesgo (covarianza) mientras se satisface una restricción presupuestaria estricta (seleccionar exactamente $B$ activos de un total de $N$).

Las implementaciones estándar del Algoritmo Cuántico Aproximado de Optimización (QAOA) enfrentan obstáculos significativos en este dominio:

1. Manejo de Restricciones: Los mezcladores de campo transversal estándar no preservan el peso de Hamming (el número de activos seleccionados), lo que provoca que el algoritmo explore regiones no factibles del espacio de Hilbert. Si bien los métodos basados en penalizaciones hacen cumplir las restricciones, distorsionan el espectro de energía y crean brechas efectivas pequeñas, lo que dificulta la convergencia.
2. Transiciones Diabáticas: En circuitos poco profundos (baja profundidad $p$), la interpolación entre los mezcladores y los Hamiltonianos de costo es no adiabática. Esto conduce a transiciones diabáticas que reducen la superposición entre el estado preparado y el estado fundamental real, particularmente en problemas con grafos de interacción densos (matrices de covarianza) y escalas de energía competitivas.
3. Paisajes de Optimización: El paisaje variacional para problemas con restricciones a menudo es difícil de navegar, sufriendo de mesetas áridas y una convergencia lenta del optimizador clásico.

Metodología
Los autores proponen el QAOA Contradiabático Constrained (CCD-QAOA), que integra la conducción contradiabática (CD) en el marco del QAOA para suprimir las transiciones diabáticas mientras mantiene el cumplimiento de las restricciones.

1. Mezclador que Preserva Restricciones: El algoritmo utiliza un mezclador XY ($H_{XY}^M = \sum_{i<j} (X_i X_j + Y_i Y_j)$) e inicializa el sistema en un estado de Dicke (una superposición igual de todos los estados con peso de Hamming $B$). Esto asegura que la dinámica permanezca estrictamente dentro del subespacio factible de carteras válidas.
2. Conducción Contradiabática Variacional: Para contrarrestar las transiciones no adiabáticas inherentes a la evolución de profundidad finita, los autores construyen un Potencial de Gauge Adiabático (AGP) aproximado.
   • En lugar de utilizar el AGP exacto y no local, emplean un ansatz variacional basado en conmutadores anidados del Hamiltoniano de costo ($H_C$) y el mezclador ($H_{XY}^M$).
   • El conmutador $[H_C, H_{XY}^M]$ genera naturalmente cadenas de Pauli de tres cuerpos (por ejemplo, $X_i Y_j Z_k - Y_i X_j Z_k$).
   • El ansatz de potencial de gauge resultante ($A_\lambda^*$) incluye tanto términos de dos cuerpos (del álgebra XY) como términos de tres cuerpos derivados de la expansión del conmutador.
3. Construcción del Circuito: El ansatz CCD-QAOA amplía las capas estándar del QAOA. Para una profundidad $p$, el estado se prepara como:
   $$|\psi_{CD}\rangle = \prod_{k=1}^p e^{-i\eta_k H_{CD}} e^{-i\beta_k H_{XY}^M} e^{-i\gamma_k H_C} |D_B^N\rangle$$
   Aquí, $H_{CD}$ es generado por los operadores de potencial de gauge truncados, y $\eta_k$ son nuevos parámetros variacionales optimizados clásicamente.
4. Optimización: Los coeficientes para el potencial de gauge se determinan minimizando la norma de Frobenius del operador $G(A_\lambda) = \partial_\lambda H + i[A_\lambda, H]$. Los parámetros variacionales ($\gamma, \beta, \eta$) se optimizan para minimizar el valor esperado del Hamiltoniano de costo, utilizando el Valor en Riesgo Condicional (CVaR) como función objetivo para centrarse en soluciones de alta calidad.

Contribuciones Clave

• Construcción Sistemática de Operadores CD: El artículo proporciona un método principiado para generar operadores contradiabáticos físicamente relevantes para problemas con restricciones, aprovechando el álgebra de operadores estructurada entre el Hamiltoniano de costo y el mezclador que preserva las restricciones.
• Estrategia de Truncamiento: Los autores demuestran que truncar el potencial de gauge a términos de tres cuerpos ofrece una compensación favorable entre expresividad y complejidad del circuito. Muestran que estos términos capturan las correcciones de orden superior necesarias para manejar la rotación de base correlacionada inducida por el mezclador XY y las interacciones de Ising densas.
• Evaluación de Rendimiento: El trabajo evalúa el CCD-QAOA frente a QAOA con mezclador XY estándar, QAOA con mezclador de Grover y formulaciones de QAOA basadas en penalizaciones.

Resultados
Las simulaciones numéricas en instancias de cartera generadas aleatoriamente ($N=12$, $B=4$) con matrices de covarianza densas arrojaron lo siguiente:

• Ratios de Aproximación Mejorados: Para una profundidad de circuito fija $p$, el enfoque CCD-QAOA logra consistentemente ratios de aproximación más altos en comparación con el QAOA con mezclador XY estándar, el QAOA con mezclador de Grover y los métodos basados en penalizaciones.
• Probabilidad de Éxito: Si bien la inclusión de términos CD de tres cuerpos introduce una ligera fuga al subespacio no factible (reduciendo la probabilidad de éxito en comparación con un QAOA con mezclador XY puro que se mantiene en 1.0), el CCD-QAOA aún supera a los enfoques basados en penalizaciones en términos de probabilidad de éxito.
• Compensaciones: El rendimiento mejorado conlleva una mayor complejidad del circuito. El enfoque CD requiere parámetros variacionales adicionales y resulta en un mayor recuento de puertas CNOT y profundidades de circuitos transpilados en comparación con el QAOA estándar. Sin embargo, sigue siendo más escalable que los enfoques con mezclador de Grover.
• Sensibilidad al CVaR: Los resultados indican que valores de CVaR más pequeños (centrándose en la cola de la distribución) generalmente producen mejores ratios de aproximación en todos los métodos.

Significado y Afirmaciones
Los autores afirman que su trabajo establece un marco unificador para mejorar el rendimiento del QAOA en paisajes de optimización estructurados. El significado principal radica en demostrar que:

1. Los problemas con restricciones poseen álgebras de operadores estructuradas que pueden aprovecharse para construir ansätze contradiabáticos eficientes, superando el diseño heurístico.
2. Las correcciones contradiabáticas pueden mejorar sistemáticamente los ratios de aproximación en el régimen de circuitos poco profundos al suprimir las transiciones diabáticas, incluso cuando las restricciones se hacen cumplir estrictamente mediante mezcladores.
3. La conexión entre potenciales de gauge adiabáticos y circuitos cuánticos variacionales proporciona una vía para identificar los generadores más físicamente relevantes (en este caso, términos de tres cuerpos) necesarios para navegar paisajes de energía complejos sin requerir circuitos prohibitivamente profundos.

El artículo concluye que, si bien el método introduce sobrecarga clásica y cuántica, la mejora sistemática en la calidad de la solución para la optimización de carteras con restricciones sugiere un camino viable hacia una optimización cuántica mejorada en dispositivos de corto plazo, particularmente cuando se combina con estrategias como el inicio en caliente (warm-starting) o la selección adaptativa de operadores.