Solution of the Equation-of-Motion Phonon Method eigenvalue problems on the D-Wave quantum annealer

Este artículo presenta un algoritmo híbrido cuántico-clásico que combina el recocido cuántico y la deflación clásica para resolver iterativamente problemas de autovalores a gran escala del Método de Fonones de la Ecuación de Movimiento en hardware cuántico D-Wave, demostrando tanto el potencial como las limitaciones actuales de los dispositivos cuánticos de corto plazo para la teoría de muchos cuerpos nucleares.

Lo esencial

Imagina que estás intentando resolver un rompecabezas masivo e increíblemente complejo. En el mundo de la física nuclear, este rompecabezas consiste en descubrir cómo se comportan los protones y neutrones (nucleones) dentro de un núcleo atómico. Las "piezas" de este rompecabezas están dispuestas en una gigantesca cuadrícula matemática llamada matriz Hamiltoniana. Cuanto más grande es el núcleo, más piezas hay, y la cuadrícula se vuelve tan enorme que incluso las supercomputadoras más rápidas del mundo luchan por encontrar todas las soluciones (llamadas valores propios y vectores propios) en un tiempo razonable.

Este artículo presenta una nueva forma de resolver estos rompecabezas mediante la unión de una computadora clásica con un tipo especial de computadora cuántica llamada recocedor cuántico (específicamente, una máquina D-Wave).

Aquí tienes un desglose de su enfoque utilizando analogías sencillas:

1. El problema: Una cordillera de soluciones

Imagina que los estados de energía de un núcleo son una vasta y brumosa cordillera de montañas.

• El objetivo: Quieres encontrar el valle más bajo (el estado fundamental) y luego todos los demás valles y picos (estados excitados) en orden.
• La forma antigua (Computadoras clásicas): Los algoritmos tradicionales son como un excursionista que comprueba cuidadosamente cada paso, uno por uno. Son buenos, pero cuando la cordillera se vuelve enorme, el excursionista se cansa, se queda sin tiempo o se queda atrapado en un pequeño hoyo pensando que es el fondo.
• La forma cuántica (Recocido cuántico): Imagina una niebla mágica que puede "sentir" instantáneamente la forma de toda la cordillera a la vez. Un recocedor cuántico es como un excursionista que puede atravesar la niebla mediante túneles para encontrar los puntos más bajos mucho más rápido de lo que un humano podría hacerlo.

2. La estrategia: Convertir el rompecabezas en un juego binario

Los recocedores cuánticos no entienden ecuaciones matemáticas complejas directamente. Hablan un lenguaje más simple: 0s y 1s (como un interruptor de luz encendido o apagado).

• La traducción (QUBO): Los autores tuvieron que traducir las complejas ecuaciones de la física nuclear a un problema de "Optimización Binaria Cuadrática sin Restricciones" (QUBO, por sus siglas en inglés). Piensa en esto como convertir una receta compleja en una lista de verificación sencilla de interruptores de "encendido/apagado". La máquina cuántica luego intenta diferentes combinaciones de interruptores para encontrar la que dé el mejor resultado (la energía más baja).

3. La innovación: Pelar una cebolla (Deflación)

El mayor desafío es que los recocedores cuánticos son actualmente mejores para encontrar solo una solución (el valle más bajo absoluto). Pero los científicos necesitan la lista completa de soluciones, no solo la primera.

• La solución: Los autores crearon un método "híbrido".
  1. Paso 1: Utilizan el recocedor cuántico para encontrar la primera solución (la energía más baja).
  2. Paso 2: Utilizan una computadora clásica para realizar una "deflación". Imagina que encontraste el valle más bajo en la cordillera. Para encontrar el siguiente valle más bajo, llenas temporalmente el primero con concreto para que el excursionista no pueda volver allí.
  3. Paso 3: Envían el mapa "relleno" de vuelta al recocedor cuántico para encontrar el siguiente punto más bajo.
  4. Repetir: Siguen pelando la cebolla capa por capa hasta que hayan encontrado todo el espectro de soluciones.

4. Los resultados: Velocidad y precisión

El equipo probó este método en una computadora cuántica real (D-Wave Advantage) y lo comparó con una simulación clásica estándar (Recocido Simulado).

• La carrera: Organizaron una carrera entre el "Excursionista Cuántico" y el "Excursionista Clásico" para resolver rompecabezas de diferentes tamaños.
• El resultado:
  • Para rompecabezas pequeños, ambos fueron aceptables.
  • Para rompecabezas más grandes y complejos, el Excursionista Cuántico fue significativamente más rápido. En algunos casos, el método clásico tardó cientos de pasos para acercarse a la respuesta, mientras que el método cuántico llegó allí en solo unas pocas docenas de pasos.
  • El método cuántico alcanzó un nivel de precisión mucho más alto mucho más rápido.

5. El inconveniente: No todas las herramientas sirven para todos los trabajos

El artículo también probó tres formas diferentes de "rellenar" los valles (técnicas de deflación):

• Hotelling y Proyección Ortogonal: Funcionaron bien. Ayudaron con éxito al sistema cuántico a encontrar la siguiente solución sin alterar las matemáticas.
• Householder: Este método funcionó de maravilla para rompecabezas simples, pero comenzó a fallar cuando los rompecabezas se volvieron complejos (específicamente para problemas de valores propios "Generalizados"). Fue como intentar usar un mazo para arreglar un reloj; funcionaba para la visión general, pero introducía errores que hacían que los pasos posteriores fueran inexactos.

Resumen

El artículo no pretende haber resuelto la física nuclear para siempre. En cambio, demuestra que las computadoras cuánticas de corto plazo (las que tenemos ahora mismo, que son ruidosas e imperfectas) pueden ser socios útiles. Al combinar la velocidad del recocido cuántico para encontrar las mejores respuestas con la fiabilidad de las computadoras clásicas para organizar la búsqueda, crearon un método que es más rápido y preciso que usar computadoras clásicas por sí solas para estos problemas nucleares masivos y específicos.

Es una prueba de concepto que muestra que nos estamos acercando al uso de máquinas cuánticas para problemas de física del mundo real, incluso antes de tener computadoras cuánticas perfectas y libres de errores.

Resumen técnico

Resumen Técnico: Solución de los Problemas de Autovalores del Método de Fonones de la Ecuación de Movimiento en el Recocido Cuántico D-Wave

Planteamiento del Problema
El problema de muchos cuerpos nucleares implica resolver ecuaciones de autovalores para matrices hamiltonianas que crecen exponencialmente con el número de nucleones, alcanzando a menudo dimensiones computacionalmente prohibitivas para la diagonalización exacta. Aunque los métodos iterativos clásicos (p. ej., Lanczos, Davidson) aprovechan la dispersión, enfrentan cuellos de botella de almacenamiento para cálculos a gran escala. La computación cuántica ofrece una alternativa potencial; sin embargo, el algoritmo de Estimación de Fase Cuántica (QPE), aunque teóricamente potente, requiere hardware tolerante a fallos actualmente no disponible. En consecuencia, existe la necesidad de estrategias para la era cercana capaces de abordar problemas de autovalores a gran escala en dispositivos de Escala Intermedia con Ruido (NISQ). Específicamente, este trabajo aborda el desafío de computar el espectro completo de autovalores (no solo el estado fundamental) para problemas de autovalores tanto Estándar (SEVP) como Generalizados (GEVP) derivados del Método de Fonones de la Ecuación de Movimiento (EMPM) en la teoría de la estructura nuclear.

Metodología
Los autores proponen un algoritmo híbrido cuántico-clásico que integra el recocido cuántico con técnicas de deflación de matrices clásicas. La metodología central involucra tres componentes principales:

1. Formulación QUBO: La optimización continua del cociente de Rayleigh se discretiza y se mapea a un problema de Optimización Binaria Cuadrática Sin Restricciones (QUBO). Las variables reales que representan los componentes del autovector se aproximan mediante vectores binarios con un vector de precisión específico. Esto permite que el problema de autovalores se resuelva encontrando el mínimo global (o el máximo módulo) de la forma cuadrática resultante en un recocedor cuántico.
2. Descenso Iterativo y Estimación Inicial: El algoritmo emplea un enfoque de dos fases. Primero, se genera una estimación inicial del autovector resolviendo un problema QUBO desplazado. Segundo, una fase de descenso iterativo refina esta solución minimizando una aproximación cuadrática local de la función objetivo (que involucra el gradiente y la Hessiana) codificada como un QUBO. La rejilla de discretización se escala progresivamente hacia abajo para aumentar la precisión.
3. Deflación de Matrices para el Espectro Completo: Para extraer el espectro completo de autovalores en lugar de solo el par de autovalores dominante, los autores implementan una estrategia de deflación secuencial. Después de que un recocedor cuántico identifica un par de autovalores, se aplican técnicas de deflación clásicas a la matriz hamiltoniana para "eliminar" la influencia del estado encontrado, permitiendo que la siguiente iteración apunte al siguiente autoestado. Se evalúan tres métodos de deflación:
   • Deflación de Hotelling: Un método sustractivo ($A' = A - \lambda vv^T$).
   • Proyección Ortogonal: Un método sustractivo que proyecta la matriz sobre el subespacio ortogonal a los autovectores encontrados.
   • Deflación de Householder: Un método basado en la ortogonalización que utiliza reflexiones de Householder para transformar la matriz.

Para los Problemas de Autovalores Generalizados (GEVPs), el cociente de Rayleigh se modifica para incluir la matriz métrica $B$, y los pasos de deflación se adaptan para preservar la estructura del producto interno $B$ siempre que sea posible.

Resultos Clave
El método fue evaluado comparativamente utilizando matrices hamiltonianas derivadas de cálculos EMPM para el núcleo $^4$He, utilizando el sistema D-Wave Advantage System 6.4 (5,614 qubits) y Recocido Simulado (SA) clásico para la comparación.

• Rendimiento del Estado Fundamental: El Recocido Cuántico (QA) demostró una convergencia superior en comparación con el SA. Para dimensiones de matriz más grandes (p. ej., $d=25$) y mayores resoluciones de bits ($b=4$), el QA logró una precisión de precisión de máquina ($10^{-8}$) en aproximadamente 20–30 iteraciones, mientras que el SA requirió significativamente más iteraciones (hasta 1,200) o falló en alcanzar la misma precisión. La brecha de rendimiento se amplió a medida que aumentaba el tamaño de la matriz.
• Espectro Completo y Deflación:
  • SEVP: Los tres métodos de deflación (Hotelling, Proyección Ortogonal, Householder) recuperaron con éxito el espectro completo de autovalores con alta precisión (hasta 13 dígitos correctos para $b=2$ y 8 para $b=4$). La deflación de Householder fue la más eficiente computacionalmente en términos de tiempo de ejecución debido a su estrategia de reducir el tamaño de la submatriz activa.
  • GEVP: Mientras que los métodos de Hotelling y Proyección Ortogonal mantuvieron la precisión, la deflación de Householder resultó inestable para los GEVPs. La aplicación repetida de las transformaciones de Householder distorsionó la simetría de la matriz métrica $B$ y amplificó los errores de redondeo, lo que llevó a la degradación numérica y al fallo en la convergencia para autovalores cercanos entre sí.

Significancia y Reivindicaciones
El artículo afirma proporcionar una estrategia práctica para explotar el hardware cuántico de corto plazo en cálculos de estructura nuclear. La principal significancia radica en demostrar que un marco híbrido basado en QUBO, combinado con la deflación clásica, puede reconstruir sistemáticamente el espectro completo de hamiltonianas nucleares realistas, yendo más allá de la limitación de los cálculos de solo estado fundamental comunes en los algoritmos cuánticos variacionales actuales.

Los autores destacan que el enfoque logra cerrar la brecha entre los algoritmos cuánticos y el hardware con ruido al reformular los problemas de autovalores en formulaciones QUBO resolubles mediante recocedores existentes. Si bien el estudio es modesto respecto a la escala de los problemas (limitado por el conteo de qubits y la conectividad actuales), establece la viabilidad del recocido cuántico para la estimación espectral en física nuclear. El trabajo sugiere que las implementaciones futuras podrían reducir aún más la carga clásica codificando el paso de deflación mismo como un problema QUBO, con el objetivo de lograr un resolvedor espectral basado totalmente en el recocido cuántico.