Sample-efficient benchmarking of shallow all-to-all random quantum circuits

Este artículo introduce la entropía cruzada no lineal y un clasificador binario basado en salidas pesadas como puntos de referencia eficientes en muestras capaces de distinguir circuitos cuánticos aleatorios ruidosos, superficiales y de conexión total, de los falsificadores clásicos más avanzados, respaldados por derivaciones analíticas y simulaciones numéricas.

Lo esencial

Imagina que estás intentando demostrar que un nuevo coche de carreras supersónico (una computadora cuántica) es realmente más rápido que un conductor humano muy astuto en un simulador (una computadora clásica). El problema es que el coche de carreras tiene un motor inestable (ruido), y el simulador se vuelve más inteligente cada día, a veces engañándonos para que pensemos que es el coche real.

Este artículo trata sobre encontrar una mejor manera de juzgar la carrera, específicamente para carreras "someras"—circuitos cortos y rápidos donde el coche no ha tenido tiempo de volverse completamente caótico aún. Los autores proponen dos nuevas formas de distinguir entre el coche cuántico real y un simulador falso.

El Problema: La Puntuación "Falsa"

En el pasado, los científicos utilizaban una prueba llamada Entropía Cruzada Lineal para ver si la computadora cuántica estaba haciendo su trabajo. Piensa en esto como un profesor calificando un ensayo de un estudiante. Si el ensayo parece escrito por un humano (la computadora cuántica), el profesor le da una puntuación alta.

Sin embargo, recientemente, los "tramposos" (algoritmos clásicos) aprendieron a escribir ensayos que parecen exactamente los del humano, aunque en realidad no hicieron el trabajo arduo de escribirlos desde cero. Pueden "suplantar" la prueba, obteniendo una puntuación alta sin ser una computadora cuántica real. Esto es especialmente cierto para circuitos cortos y someros.

La Solución 1: La Prueba de "Inmersión Profunda" (Entropía Cruzada No Lineal)

Los autores sugieren una nueva prueba llamada Entropía Cruzada No Lineal.

• La Analogía: Imagina que la prueba Lineal es como preguntar: "¿Escribiste una oración?". El tramposo puede decir fácilmente "Sí" y fingirlo. La prueba No Lineal es como preguntar: "Escribe una oración y luego explica por qué elegiste cada palabra individual, y cómo se sienten las letras en tu boca".
• Cómo funciona: Esta prueba examina la "forma" de los datos de una manera mucho más compleja. Los autores utilizaron una herramienta matemática llamada Circuito Browniano (piensa en ella como una versión "fluida" de un circuito cuántico que es más fácil de analizar, como estudiar el flujo del agua en lugar de las moléculas individuales de agua) para demostrar que:
  1. Una computadora cuántica real y ruidosa producirá una puntuación de "huella digital" específica.
  2. Un tramposo que intente fingirlo obtendrá una puntuación completamente diferente.
  3. Incluso con el "motor inestable" (ruido), la puntuación de la computadora real es lo suficientemente distinta para que no necesites millones de carreras para ver la diferencia. Solo necesitas unas pocas muestras.

Descubrieron que para circuitos cortos, esta prueba es eficiente en muestras. Esto significa que no necesitas ejecutar la carrera mil millones de veces para estar seguro; un pequeño número de ejecuciones es suficiente para separar a la computadora cuántica real del tramposo.

La Solución 2: El Detector de "Golpes Pesados" (Clasificador Binario)

El segundo método es aún más rápido. Se basa en un concepto llamado Generación de Salidas Pesadas (HOG).

• La Analogía: Imagina una máquina de lotería. Una máquina justa elige números completamente al azar. Una máquina cuántica, sin embargo, es caótica y tiende a elegir ciertos números "suertudos" (salidas pesadas) con más frecuencia que otros, evitando otros.
• La Prueba: Los autores crearon un simple clasificador de "Sí/No".
  • Ejecutas el circuito una vez y obtienes un resultado.
  • Verificas: "¿Es este resultado uno de los números 'pesados' o suertudos?".
  • Si la respuesta es "Sí", es probable que sea la computadora cuántica real. Si es "No", es probable que sea el tramposo.
• La Magia: Los autores demostraron que con este método, solo necesitas un número de muestras que crece muy lentamente (logarítmicamente) a medida que la computadora se hace más grande.
  • Analogía: Si tienes una computadora pequeña, podrías necesitar 10 muestras. Si tienes una computadora enorme, quizás solo necesites 20 muestras. No necesitas duplicar tu esfuerzo cada vez que la computadora se hace más grande; solo necesitas un poco más. Esto es increíblemente eficiente.

Cómo lo Hicieron (El "Secreto")

Para probar que estas ideas funcionan, los autores no solo adivinaron. Utilizaron un truco matemático astuto:

1. El Modelo Fluido: Modelaron los circuitos cuánticos como un fluido "Browniano". Esto les permitió utilizar herramientas de la física (usualmente usadas para estudiar imanes o calor) para calcular fórmulas exactas sobre cómo se comportan estos circuitos.
2. El Truco de las Réplicas: Imaginaron ejecutar el circuito muchas veces en paralelo (como tener clones de la computadora) para calcular el comportamiento promedio. Esto les ayudó a predecir exactamente cómo se verían las puntuaciones para una computadora real frente a un tramposo.
3. Verificación: También ejecutaron simulaciones por computadora con hasta 40 qubits para confirmar que su matemática "fluida" coincidía con lo que sucede con puertas cuánticas discretas reales.

La Conclusión

El artículo afirma que para circuitos cuánticos cortos y someros:

1. La Entropía Cruzada No Lineal es una prueba confiable que puede distinguir una computadora cuántica ruidosa real de un tramposo clásico, incluso cuando la computadora no es perfecta.
2. Un nuevo Clasificador Binario (basado en "Salidas Pesadas") es aún más eficiente, requiriendo muy pocas muestras para hacer la distinción.

Esto ofrece a los científicos una nueva y robusta manera de demostrar la "Ventaja Cuántica" (que la computadora cuántica está haciendo algo que una computadora clásica no puede falsificar fácilmente) sin necesidad de corrección de errores o de esperar a que los circuitos se vuelvan muy profundos.

Resumen técnico

Título: Evaluación de referencia eficiente en muestras de circuitos cuánticos aleatorios poco profundos de todo a todo

Enunciado del Problema
El muestreo de circuitos aleatorios (RCS) es un marco principal para demostrar la ventaja cuántica en hardware cuántico de escala intermedia con ruido (NISQ). Sin embargo, se ha demostrado que las evaluaciones de referencia existentes, en particular la evaluación de referencia de entropía cruzada lineal (LXEB), son vulnerables a la "suplantación" por algoritmos clásicos que no muestrean fielmente la distribución de salida ideal. Esta vulnerabilidad plantea una pregunta crítica: ¿existen evaluaciones de referencia eficientes en muestras capaces de distinguir el hardware cuántico ruidoso genuino de los suplantadores clásicos más avanzados, específicamente en el régimen de circuitos aleatorios de poca profundidad? Aunque la evidencia sugiere que el muestreo de circuitos aleatorios poco profundos puede ser intratable clásicamente más allá de cierto umbral de profundidad, ninguna evaluación de referencia existente puede diferenciar actualmente de manera fiable entre una computadora cuántica ruidosa y un suplantador clásico adversario en este régimen.

Metodología
Los autores emplean un marco teórico basado en ensambles de circuitos aleatorios brownianos de todo a todo. A diferencia de los circuitos aleatorios de Haar discretos, los circuitos brownianos son análogos de tiempo continuo compuestos por interacciones aleatorias de 2 qubits de todo a todo gobernadas por acoplamientos de ruido blanco gaussiano. Este modelo sirve como un "laboratorio" analíticamente manejable para RCS.

El enfoque técnico central implica:

1. Mapeo de Mecánica Estadística: Los autores mapean el promedio del ensamble de momentos de las matrices unitarias (específicamente $2k$ copias o réplicas) a un problema de mecánica estadística cuántica a una temperatura inversa $\beta$ proporcional a la profundidad del circuito. Esto produce un Hamiltoniano efectivo de muchos cuerpos, $H^{(k)}_{\text{eff}}$.
2. Métodos de Gran-$n$ (Campo Medio): Al utilizar la conectividad de todo a todo, los autores aplican técnicas de gran-$n$ (campo medio) para resolver el espectro de $H^{(k)}_{\text{eff}}$. Esto permite el cálculo exacto de momentos arbitrariamente altos de la distribución de probabilidad de salida, una tarea notoriamente difícil para circuitos unitarios discretos.
3. Trucos de Réplica: Para calcular cantidades no lineales como la media del logaritmo de las probabilidades (requerido para la entropía cruzada), los autores emplean trucos de réplica. Esto implica calcular momentos $\langle q^k \rangle$ para $k$ entero, continuar analíticamente al plano complejo, derivar con respecto a $k$ y tomar el límite $k \to 0$.
4. Modelado de Ruido: El ruido de despolarización de un solo qubit se incorpora al modelo mediante teoría de perturbaciones, tratando la tasa de ruido $\gamma$ como un parámetro pequeño en relación con la fuerza de acoplamiento $J$.
5. Validación Numérica: Los resultados analíticos derivados del modelo browniano se corroboran mediante simulaciones numéricas de circuitos cuánticos aleatorios discretos de todo a todo compuestos por puertas de 2 qubits aleatorias de Haar (hasta 40 qubits).

Contribuciones y Resultados Clave

1. Entropía Cruzada No Lineal (log XEB) como Evaluación de Referencia Eficiente en Muestras:
   El artículo deriva expresiones analíticas exactas para la entropía cruzada no lineal promediada por el ensamble ($\log \text{XEB}$) y su varianza en función de la profundidad del circuito, el tamaño del sistema $n$ y la tasa de ruido $\gamma$.

   • Resultado: En el régimen de poca profundidad ($\log n \gtrsim \beta J \gg 1$), la relación señal-ruido para estimar $\log \text{XEB}$ escala como un polinomio inverso en el tamaño del sistema.
   • Implicación: A diferencia de los circuitos profundos donde $\log \text{XEB}$ requiere muestras exponenciales para estimarse, la entropía cruzada no lineal es eficiente en muestras para circuitos poco profundos. Establece una jerarquía estricta entre muestreadores perfectamente limpios ($\gamma=0$), muestreadores cuánticos ruidosos ($\gamma > 0$) y el algoritmo de suplantación "Harvard" (modelado como el límite $\gamma \to \infty$), permitiendo distinguirlas de manera fiable.

2. Clasificador Binario de Generación de Salidas Pesadas (HOG):
   Los autores desarrollan un nuevo protocolo de clasificación binaria basado en el concepto de "generación de salidas pesadas" (HOG), que explota la tendencia de los circuitos cuánticos aleatorios a producir cadenas de bits específicas "pesadas" con mayor probabilidad.

   • Resultado: Este clasificador presenta una complejidad de muestras logarítmica ($m \sim \log n$) a profundidades cortas. Requiere solo una muestra de cadena de bits para distinguir con alta probabilidad entre un muestreador cuántico ruidoso y un suplantador clásico.
   • Mecanismo: El clasificador utiliza un límite de decisión (puntuación umbral $z^*$) que separa las distribuciones de puntuación de los muestreadores cuánticos limpios (que favorecen puntuaciones altas) de los suplantadores clásicos (que favorecen puntuaciones bajas). La probabilidad de mala clasificación decae exponencialmente con el número de muestras.

3. Expresiones Analíticas:
   El artículo proporciona expresiones en forma cerrada para:

   • La media de la entropía cruzada no lineal: $\log \text{XEB} = nH\left(\frac{1+a}{2}\right) + \gamma_e - e^{-n\beta\gamma}$ (donde $a = e^{-12\beta J}$ y $H$ es la entropía binaria).
   • La varianza de la entropía cruzada no lineal, mostrando comportamientos de escalado distintos dependiendo de si la profundidad del circuito está por debajo o por encima de un punto de cruce ($c=1/2$).

Significado y Afirmaciones
El artículo afirma demostrar que la entropía cruzada no lineal es una evaluación de referencia viable y eficiente en muestras para circuitos aleatorios de todo a todo de poca profundidad, un régimen donde las evaluaciones de referencia anteriores fallaron o fueron suplantadas. Los autores argumentan que esta métrica puede distinguir de manera fiable el hardware cuántico ruidoso genuino de los suplantadores clásicos más avanzados (específicamente el algoritmo Harvard) incluso en presencia de ruido de despolarización.

Además, el clasificador binario basado en HOG propuesto ofrece una ventaja práctica significativa al reducir la complejidad de muestras de polinómica (requerida para la estimación de la media) a logarítmica, permitiendo una verificación rápida de la ventaja cuántica con datos mínimos.

Los autores señalan que, aunque sus resultados se derivan utilizando ensambles de circuitos brownianos, las simulaciones numéricas confirman que estos hallazgos se generalizan a circuitos aleatorios discretos de todo a todo. Sugieren que estas evaluaciones de referencia podrían ser particularmente relevantes para futuros experimentos en plataformas con conectividad de todo a todo, como computadoras cuánticas de átomos neutros y de iones atrapados, donde el muestreo de circuitos aleatorios lógicos podría evaluarse utilizando estas métricas. El artículo afirma explícitamente que un análisis más riguroso frente a otros algoritmos de suplantación potenciales queda pendiente para trabajos futuros.