Qubit-efficient variational algorithm for nuclear structure

Este artículo compara tres estrategias de mapeo de qubits dentro del marco del Eigensolver Cuántico Variacional (VQE) para estudiar los estados fundamentales de los núcleos de $^{10}$B y $^{12}$C, demostrando que el mapeo de determinante de Slater (SD) proporciona la mayor precisión en hardware cuántico, mientras que el mapeo adaptado a la simetría de carga (cSD) ofrece una eficiencia superior de qubits para escalar hacia núcleos complejos.

Lo esencial

Imagina que estás intentando resolver un rompecabezas masivo e increíblemente complejo. Este rompecabezas representa el "estado fundamental" (la disposición más estable y de menor energía) de un núcleo atómico, específicamente para elementos como el Boro-10 y el Carbono-12. En el mundo de la física, averiguar cómo se organizan estas partículas diminutas es como intentar encontrar la única imagen perfecta entre miles de millones de posibilidades incorrectas.

Tradicionalmente, los científicos utilizan potentes computadoras clásicas para resolver esto, pero a medida que el rompecabezas se hace más grande (más partículas), el número de disposiciones posibles explota tan rápido que incluso las mejores supercomputadoras se quedan atascadas. Aquí es donde entra la Computación Cuántica. Es como tener un nuevo tipo mágico de resolutor de rompecabezas que puede observar muchas posibilidades a la vez.

Este artículo trata sobre probar tres diferentes "estrategias" o "mapas" para traducir este rompecabezas nuclear a un lenguaje que una computadora cuántica pueda entender. Los investigadores utilizaron un método llamado VQE (Variational Quantum Eigensolver o Resolver Variacional de Eigenvalores Cuánticos), que es esencialmente un proceso de prueba y error donde la computadora ajusta sus configuraciones hasta encontrar la mejor solución.

Aquí hay un desglose de las tres estrategias que probaron, utilizando analogías simples:

Las Tres Estrategias (Mapeos)

Piensa en los "qubits" de la computadora cuántica (sus unidades básicas de información) como asientos en un autobús. El objetivo es subir todas las piezas del rompecabezas (los estados nucleares) al autobús de manera eficiente.

1. La Estrategia "Un Asiento por Pieza" (Mapeo SD)

• Cómo funciona: Imagina que tienes 26 piezas de rompecabezas. En esta estrategia, asignas un asiento específico en el autobús para cada pieza individual. Si tienes 26 piezas, necesitas 26 asientos.
• Las Ventajas: Es muy directo. Las "reglas" sobre cómo interactúan las piezas son simples, por lo que la computadora no tiene que hacer mucho trabajo pesado para calcular la respuesta. Es como tener un manual de instrucciones muy claro y sencillo.
• Las Desventajas: Utiliza muchos asientos (qubits). Si tu rompecabezas se hace más grande, podrías quedarte sin asientos en el autobús.
• El Resultado: Cuando se probó en hardware cuántico real, este método fue el más preciso, fallando la respuesta perfecta por solo un 0.21%. Fue el corredor más confiable.

2. La Estrategia "Equipo Dividido" (Mapeo pnSD)

• Cómo funciona: Esta estrategia intenta ahorrar espacio dividiendo el rompecabezas en dos equipos: "Protones" y "Neutrones". En lugar de darle a cada pieza individual su propio asiento, las agrupa. Para el rompecabezas del Boro, esto redujo la necesidad de 26 asientos a 20.
• Las Ventajas: Ahorra espacio en el autobús (menos qubits).
• Las Desventajas: Las instrucciones sobre cómo interactúan estos equipos se vuelven increíblemente complicadas y desordenadas. La computadora tiene que realizar un gran número de pasos complejos (puertas) para averiguar la respuesta. Es como intentar coordinar un baile entre dos equipos donde todos deben seguir un guion muy largo y confuso.
• El Resultado: Debido a que las instrucciones eran tan complejas y el hardware es actualmente un poco "ruidoso" (como una habitación con mucho ruido de fondo), este método tuvo más dificultades, con errores alrededor del 8.88%.

3. La Estrategia "Compresión Mágica" (Mapeo cSD)

• Cómo funciona: Este es el enfoque más innovador. En lugar de darle un asiento a cada pieza, los investigadores utilizaron un truco inteligente para "comprimir" todo el rompecabezas. Tomaron las 26 piezas y las apretaron en un formato que solo necesitaba 5 asientos (qubits).
• Las Ventajas: Es increíblemente eficiente en cuanto al espacio. Les permitió estudiar un rompecabezas más grande y complejo (Carbono-12) que habría sido imposible de ajustar en el autobús con las otras dos metodologías.
• Las Desventajas: Como apretaron el rompecabezas tan fuerte, el "manual de instrucciones" se volvió muy largo y complejo. La computadora tiene que ajustar muchos más perillas (parámetros) para encontrar la respuesta correcta.
• El Resultado: Rindió razonablemente bien (aproximadamente 3.37% de error para el Boro y 6.82% para el Carbono). Aunque no fue tan preciso como el primer método, demostró que se pueden resolver problemas mucho más grandes con muy pocos recursos.

El Experimento y los Resultados

Los investigadores ejecutaron estas estrategias en dos tipos de "pistas de prueba":

1. Un Simulador Perfecto: Una simulación informática sin ruido donde todo funciona perfectamente.
2. Hardware Cuántico Real: Utilizaron una computadora cuántica real (ibm_fez de IBM) y un simulador ruidoso que imita las imperfecciones del mundo real.

Hallazgos Clave:

• El Ruido es el Enemigo: Las computadoras cuánticas reales son actualmente "ruidosas", lo que significa que cometen pequeños errores. Cuanto más complejas sean las instrucciones (como en la estrategia pnSD), más se suman estos errores.
• Corrección de Errores: Utilizaron una técnica llamada "Extrapolación de Cero Ruido" (ZNE). Imagina tomar una foto borrosa, tomarla de nuevo con la cámara ligeramente más borrosa, y luego usar matemáticas para adivinar cómo habría sido la foto nítida. Esto ayudó a limpiar los resultados.
• El Ganador: Para el rompecabezas más pequeño (Boro-10), la estrategia "Un Asiento por Pieza" (SD) fue la campeona, obteniendo la respuesta casi perfectamente incluso en hardware real.
• La Esperanza Futura: La estrategia "Compresión Mágica" (cSD) mostró gran promesa. Aunque no fue la más precisa para el rompecabezas pequeño, demostró que podemos abordar núcleos mucho más grandes y complejos (como el Carbono-12) sin necesitar un autobús con cientos de asientos.

La Conclusión

Este artículo es una "prueba de estrés" para diferentes formas de hablar con computadoras cuánticas sobre núcleos atómicos.

• Si quieres máxima precisión ahora mismo en problemas pequeños, utiliza el mapeo SD directo.
• Si quieres resolver problemas más grandes y difíciles con recursos cuánticos limitados, el mapeo cSD es la herramienta más eficiente, incluso si requiere un ajuste más complejo.

Los autores concluyen que, aunque ningún método es perfecto aún, el enfoque de "Compresión Mágica" (cSD) es un camino prometedor hacia adelante para resolver problemas complejos de física nuclear en las computadoras cuánticas que tenemos hoy.

Resumen técnico

Resumen Técnico: Algoritmo variacional eficiente en cúbits para la estructura nuclear

Enunciado del Problema
El estudio de los núcleos atómicos utilizando el modelo de capas nuclear enfrenta un cuello de botella computacional significativo: el tamaño del espacio de Hilbert crece de manera combinatoria con el número de nucleones, haciendo que muchos sistemas sean intratables para las computadoras clásicas. Aunque la computación cuántica ofrece una vía para simular estos estados fuertemente entrelazados de manera eficiente, los dispositivos actuales de Escala Intermedia Ruidosa (NISQ) están limitados por la cantidad de cúbits y la profundidad de los circuitos. Un trabajo previo de los autores demostró que mapear configuraciones de muchos cuerpos directamente a cúbits podría generar circuitos de baja profundidad, pero a costa de requerir un gran número de cúbits, lo que limita la escalabilidad. Este trabajo aborda la compensación entre la eficiencia en cúbits y la profundidad del circuito comparando tres estrategias de mapeo distintas para calcular los estados fundamentales nucleares utilizando el Eigensolver Cuántico Variacional (VQE).

Metodología
Los autores investigan los estados fundamentales de dos núcleos de la capa media-p, $^{10}\text{B}$ ($3^+$) y $^{12}\text{C}$ ($0^+$), utilizando la interacción efectiva CKpot. Comparan tres estrategias para mapear la base de muchas partículas (Determinantes de Slater, DS) al espacio de Hilbert de cúbits:

1. Mapeo de Determinante de Slater (DS): Cada uno de los $N_{DS}$ estados de muchas partículas se mapea a un solo cúbit. Para $^{10}\text{B}$, esto resulta en un sistema de 26 cúbits. El Hamiltoniano se convierte en cadenas de Pauli donde cada cúbit representa un DS completo, contabilizando naturalmente la antisimetría. Este enfoque produce una función de onda de prueba simple y de baja profundidad, pero requiere el número máximo de cúbits.
2. Mapeo de Determinante de Slater Protón-Neutrón (pnDS): Los DS se descomponen en componentes de protones y neutrones. Los DS únicos de protones y los DS únicos de neutrones se asignan a cúbits separados. Para $^{10}\text{B}$, esto reduce el sistema a 20 cúbits (10 protones + 10 neutrones). El Hamiltoniano se mapea utilizando la transformación de Jordan-Wigner. Esto reduce la cantidad de cúbits pero aumenta la profundidad del circuito debido a la necesidad de puertas de excitación controladas y un mayor número de grupos de Pauli conmutativos.
3. Mapeo de Determinante de Slater Compacto (cDS): Esta estrategia busca la máxima eficiencia en cúbits. La dimensión de la matriz del Hamiltoniano se rellena hasta la potencia de dos más cercana (por ejemplo, 26 $\to$ 32 para $^{10}\text{B}$, 51 $\to$ 64 para $^{12}\text{C}$) y se convierte en un Hamiltoniano de cadena de Pauli utilizando Qiskit. Esto resulta en un sistema de 5 cúbits para $^{10}\text{B}$ y un sistema de 6 cúbits para $^{12}\text{C}$. La función de onda de prueba utiliza un ansatz eficiente en hardware (capas alternas de puertas $RY$ y CNOT) en lugar de operadores de excitación inspirados en la física. Esto minimiza los cúbits y el recuento de puertas, pero requiere un número significativamente mayor de parámetros variacionales.

La optimización del VQE se realizó utilizando el optimizador SLSQP en un simulador de vector de estado sin ruido para determinar los parámetros óptimos. Estos circuitos con parámetros fijos se ejecutaron luego en un simulador ruidoso (backend FakeFez de IBM) y en hardware cuántico real (ibm_fez). Se aplicó Extrapolación de Cero Ruido (ZNE) para mitigar errores escalando el nivel de ruido de las puertas de dos cúbits.

Resultados Clave

• Conteos de Recursos: El mapeo DS requirió 26 cúbits para $^{10}\text{B}$ pero solo 4 grupos de Pauli conmutativos para la medición de energía. El mapeo pnDS requirió 20 cúbits pero 530 grupos conmutativos. El mapeo cDS requirió solo 5 cúbits para $^{10}\text{B}$ y 6 para $^{12}\text{C}$, con 122 y 365 grupos conmutativos, respectivamente.
• Precisión en Hardware:
  • Para $^{10}\text{B}$, el mapeo DS produjo el resultado más preciso posterior a la mitigación de errores en hardware, con un error porcentual del 0.21% relativo al resultado exacto del modelo de capas.
  • El mapeo cDS para $^{10}\text{B}$ resultó en un error del 3.37%.
  • El mapeo pnDS para $^{10}\text{B}$ mostró un error del 8.88%.
  • Para $^{12}\text{C}$, que fue computacionalmente prohibitivo para los mapeos DS y pnDS en simuladores clásicos, el mapeo cDS logró un error del 6.82% en hardware.
• Fidelidad de la Función de Onda: Para el mapeo cDS, la fidelidad de la función de onda del VQE muestreada en hardware (sin mitigación de errores) fue de 0.942 para $^{10}\text{B}$ y 0.915 para $^{12}\text{C}$ en comparación con las funciones de onda exactas del modelo de capas.

Significado y Afirmaciones
El artículo afirma que, si bien el mapeo DS ofrece una superior precisión en el hardware actual debido a la menor profundidad del circuito y a menos grupos conmutativos, el mapeo cDS es la estrategia más prometedora para escalar a núcleos complejos. El enfoque cDS demuestra la capacidad de definir el estado fundamental de $^{12}\text{C}$ utilizando solo 6 cúbits, una tarea que requeriría 51 cúbits para el mapeo DS y 30 para pnDS, colocando a este último más allá del alcance de los simuladores de vector de estado clásicos estándar.

Los autores concluyen que el mapeo cDS, a pesar de requerir más parámetros variacionales, ofrece esperanza para describir sistemas nucleares complejos en diferentes regiones de masa en hardware NISQ debido a su eficiencia en cúbits. También señalan que los mapeos DS y pnDS siguen siendo valiosos para futuros dispositivos cuánticos y para la preparación de estados iniciales en otros algoritmos cuánticos donde los determinantes de Slater individuales pueden ser controlados por parámetros únicos. El trabajo establece un marco comparativo para seleccionar estrategias de mapeo basadas en las restricciones específicas de disponibilidad de cúbits, profundidad del circuito y el costo computacional de la simulación clásica.