Resumen Técnico: AQKA: Adquisición Activa de Núcleos Cuánticos bajo un Presupuesto de Disparos

1. Planteamiento del Problema

Los métodos de núcleo cuántico, que mapean entradas clásicas a un espacio de características cuántico para calcular fidelidades $K(x_i, x_j) = |\langle \phi(x_j)|\phi(x_i)\rangle|^2$, se encuentran entre las cargas de trabajo más accesibles para el hardware de Computación Cuántica de Escala Intermedia Ruidosa (NISQ). Sin embargo, su despliegue práctico se ve obstaculizado por los costos de medición. Estimar una matriz de núcleo de $N \times N$ requiere $\Theta(N^2 S)$ ejecuciones de circuito (disparos), donde $S$ es el número de disparos por entrada para lograr una precisión deseada. En el hardware actual, donde las latencias de los circuitos oscilan entre milisegundos y segundos, esta escalabilidad limita los tamaños de problemas desplegables a las pocas centenas.

Las estrategias existentes para ahorrar presupuesto (por ejemplo, Nyström-QKE, ShoFaR, alineación núcleo-objetivo) abordan esto mediante la submuestreo de qué entradas medir (por ejemplo, seleccionando columnas hito o puntos de entrenamiento). Sin embargo, estos métodos típicamente asignan el presupuesto de disparos uniformemente dentro de sus subconjuntos elegidos. No tienen en cuenta la heterogeneidad de cuánto contribuye cada entrada específica del núcleo al rendimiento del clasificador aguas abajo. La pregunta central sin responder es: dado un presupuesto de disparos fijo $B$, ¿cómo se deben asignar los disparos a nivel de par para minimizar la pérdida de la tarea aguas abajo?

2. Metodología: AQKA

Los autores formulan el aprendizaje de núcleo cuántico con presupuesto de disparos como un problema de optimización que minimiza la pérdida esperada $\mathbb{E}[L(\hat{K})]$ sujeto a una restricción de presupuesto total de disparos $\sum s_{ij} \leq B$.

Derivación Teórica

Utilizando un análisis de primer orden (método Delta) combinado con las condiciones Karush-Kuhn-Tucker (KKT), los autores derivan una regla de asignación óptima en forma cerrada. Para una entrada de núcleo $K_{ij}$ estimada con $s_{ij}$ disparos, la varianza es $K_{ij}(1-K_{ij})/s_{ij}$. La asignación óptima $s^*_{ij}$ que minimiza la varianza del estimador de la pérdida es proporcional a la sensibilidad de la pérdida con respecto a esa entrada:
$$s^*_{ij} \propto |g_{ij}| \sqrt{K_{ij}(1-K_{ij})}$$
donde $g_{ij} = \partial L / \partial K_{ij}$ es el gradiente de la pérdida con respecto a la entrada del núcleo.

• Para Regresión de Cresta de Núcleo (KRR): El gradiente se deriva explícitamente como $g_{ij} = -2\lambda^2(\beta_i \alpha_j + \beta_j \alpha_i)$, donde $\alpha = (K+\lambda I)^{-1}y$ y $\beta = (K+\lambda I)^{-1}\alpha$.
• Para Máquinas de Vectores de Soporte (SVM): Utilizando el teorema del envoltorio (teorema de Danskin), el gradiente se deriva como $g_{ij} = -y_i y_j \eta^*_i \eta^*_j$, donde $\eta^*$ son las variables duales óptimas.

Implementación Algorítmica

Los autores proponen AQKA (Adquisición Activa de Núcleos Cuánticos), un algoritmo desplegable que opera en rondas:

1. Calentamiento: Se gasta una pequeña fracción del presupuesto ($\eta_w B$) uniformemente para sembrar una estimación inicial del núcleo $\hat{K}$.
2. Estimación de Sensibilidad: El algoritmo resuelve el problema KRR (o SVM) en $\hat{K}$ para calcular las puntuaciones de sensibilidad basadas en el gradiente $g_{ij}$.
3. Asignación de Llenado de Objetivo: En lugar de muestrear disparos de una distribución multinomial (que puede dejar sin recursos a pares de baja sensibilidad debido a picos estocásticos), AQKA utiliza un enfoque determinista de "llenado de objetivo". Calcula el conteo de disparos objetivo $s^*_{ij}$ y añade la diferencia $\max(0, s^*_{ij} - s_{ij})$ a cada par.
4. Exploración: Se añade una pequeña fracción de exploración ($\eta_e B$) uniformemente para evitar que el algoritmo ignore completamente los pares que podrían volverse importantes debido a efectos de orden superior o ruido de estimación.

3. Contribuciones Clave

1. Descomposición Completa del Régimen

El artículo proporciona una caracterización fundamentada de cuándo son óptimas diferentes estrategias de asignación:

• AQKA domina en el régimen limitado por presupuesto ($B \lesssim 16 n_{pairs}$) en tareas KRR de sensibilidad dispersa.
• Nyström-QKE (reconstrucción de rango bajo) gana en presupuestos de saturación en datos plantados dispersos, donde la estructura de rango bajo puede recuperarse completamente.
• Los métodos estilo ShoFaR son competitivos solo en regímenes de presupuesto extremadamente bajo.

2. Teoría de Adquisición a Nivel de Par en Forma Cerrada

• Asignación Óptima KKT: Derivación del gradiente en forma cerrada $g_{ij}$ para KRR y SVM bajo ruido de disparos.
• Límites Corregidos Conscientes de la Dispersión: Los autores derivan un límite de Cauchy-Schwarz para la relación de reducción de varianza alcanzable $\rho$. Corrigen la escala ingenua $\Theta(m^2/N^2)$ (asumiendo que $g$ está soportada en $S \times S$) a una escala más precisa $\Theta(m/N)$ ($\rho \leq 2m/N$ para KRR). Esto refleja el hecho estructural de que incluso si el vector de solución $\alpha$ es disperso, el vector de sensibilidad $\beta = (K+\lambda I)^{-1}\alpha$ es genéricamente denso, lo que significa que cualquier par que toque el conjunto de soporte tiene sensibilidad no nula.
• Límites de Arrepentimiento: Se proporciona un límite de arrepentimiento de inserción con constante explícita, mostrando que el error converge al óptimo del oráculo a medida que aumenta el presupuesto de calentamiento.

3. Algoritmo de Llenado de Objetivo Desplegable

El artículo demuestra que un esquema determinista de llenado de objetivo supera al muestreo multinomial natural, particularmente en el régimen limitado por presupuesto. El muestreo multinomial tiende a concentrarse agresivamente en unos pocos pares de alta puntuación, dejando sin recursos a otros y amplificando el ruido en la inversión de la matriz; el llenado de objetivo mantiene un piso mínimo de cobertura.

4. Primera Adaptación en Línea Multi-Semilla en Hardware Cuántico

Los autores reportan la primera demostración publicada de asignación de disparos adaptativa en línea en dispositivos actuales de la clase IBM Heron de 156 qubits.

• IBM Aachen (N=20): +17.0 ± 4.8 puntos porcentuales sobre la asignación uniforme (significancia de 3.5$\sigma$).
• IBM Berlín (N=30): +14.0 ± 8.5 puntos porcentuales en presupuestos más altos.

4. Resultados Experimentales

Configuraciones Sintéticas y Simuladas

• KRR Plantada-Dispersa: En datos sintéticos con vectores de solución dispersos, AQKA (llenado de objetivo con sensibilidad estimada) logra de +8 a +25 puntos porcentuales sobre la asignación uniforme a medida que $N$ escala de 225 a 1000.
• Núcleos Cuánticos Sin Ruido: Las ganancias se transfieren a simulaciones de mapas de características ZZ de 4 qubits sin ruido, mostrando de +13 a +18 puntos sobre la asignación uniforme.
• Ablación de Remuestreo en Hardware: Utilizando un núcleo medido en IBM Pittsburgh (156 qubits) y remuestreando con ruido de disparos, AQKA logra +26.3 ± 6.1 puntos en $B = n_{pairs}$ y +31.9 ± 7.2 puntos en $B = 4n_{pairs}$ sobre la asignación uniforme.

Puntos de Referencia con Datos Reales

• Cáncer de Mama ($\alpha$ Denso): En un conjunto de datos del mundo real donde el vector de solución es denso (no disperso), AQKA no domina uniformemente. Es competitivo pero muestra un rendimiento dependiente del régimen, destacando que la ventaja del método depende de una alta heterogeneidad de sensibilidad a nivel de par.
• SVM vs. KRR: El artículo señala que, aunque el marco teórico se extiende a SVM, la versión de inserción es más frágil debido a la inestabilidad del conjunto de soporte bajo calentamientos ruidosos. En regímenes de N pequeño y calentamiento ruidoso, AQKA para SVM puede rendir peor que la asignación uniforme, mientras que la versión KRR permanece robusta.

5. Significado y Afirmaciones

El artículo afirma cerrar la brecha entre la optimización teórica del presupuesto de disparos y el despliegue práctico en hardware NISQ. Su significado principal radica en:

1. Ir más allá de la asignación uniforme: Demostrar que la asignación de disparos no uniforme y consciente de la sensibilidad es crítica para el aprendizaje de núcleos cuánticos a corto plazo, especialmente cuando los presupuestos son ajustados.
2. Validación en Hardware: Proporcionar la primera validación en línea multi-semilla de una estrategia de asignación de disparos adaptativa en hardware cuántico real, demostrando que las ganancias teóricas sobreviven al ruido del dispositivo y a la deriva de calibración.
3. Conciencia del Régimen: Establecer que ningún método es universalmente superior; AQKA está diseñado específicamente para el régimen limitado por presupuesto y de sensibilidad dispersa, que es la zona operativamente relevante para el hardware actual.

Los autores son modestos en sus afirmaciones, reconociendo que para problemas de sensibilidad densa o presupuestos de saturación, otros métodos (como Nyström) o la asignación uniforme pueden ser preferibles. También identifican el ruido de inserción de SVM como una limitación actual que requiere trabajo futuro (por ejemplo, adquisición estabilizada por margen).