Pure and mixed Dicke state ansatz for equality and inequality constraints in variational quantum eigensolver

Este artículo introduce un ansatz de estado Dicke mixto que preserva la viabilidad para el Algoritmo Cuántico Variacional de Valores Propios que codifica estructuralmente restricciones de peso de Hamming tanto de igualdad como de desigualdad para eliminar la necesidad de términos de penalización, demostrando un rendimiento superior sobre la búsqueda aleatoria en la optimización combinatoria de carteras mientras destaca los desafíos restantes para el despliegue en hardware NISQ.

Lo esencial

La visión general: Encontrar al mejor equipo en un mar de opciones

Imagina que eres un gerente tratando de construir el equipo perfecto de empleados a partir de un grupo de 100 candidatos. Tienes dos objetivos principales:

1. Maximizar el rendimiento (obtener los mejores resultados).
2. Seguir reglas estrictas (por ejemplo, "Debes elegir exactamente a 5 personas" o "Debes elegir entre 3 y 7 personas").

En el mundo de las finanzas, esto se llama Optimización de Carteras. En lugar de empleados, estás eligiendo acciones. En lugar de rendimiento, buscas altos retornos con bajo riesgo.

El problema es que, a medida que aumenta el número de candidatos, el número de combinaciones posibles explota. Revisar cada combinación una por una (como una búsqueda de fuerza bruta) toma una eternidad. Aquí es donde entra la Computación Cuántica. Esta promete explorar estas enormes posibilidades mucho más rápido que una computadora convencional.

El Problema: La trampa de la "Penalización"

En el pasado, cuando los científicos intentaron resolver esto con computadoras cuánticas, utilizaron un método llamado Solucionador de Autovalores Cuánticos Variacionales (VQE). Piensa en el VQE como un estudiante tratando de resolver un problema de matemáticas.

Para asegurar que el estudiante siga las reglas (como "elige exactamente 5 acciones"), el profesor suele añadir una penalización.

• Profesor: "Si eliges 6 acciones, te pondré una gran marca roja en tu examen".
• Estudiante: "Está bien, intentaré evitar la marca roja".

El problema es que el profesor tiene que adivinar qué tan grande debería ser esa marca roja. Si la penalización es demasiado pequeña, el estudiante ignora las reglas. Si es demasiado grande, el estudiante se confunde y no puede encontrar la mejor solución. Ajustar esta "penalización" es un gran dolor de cabeza y a menudo conduce a malos resultados.

La Solución: Construir las reglas en el plano de diseño

Este artículo presenta una nueva forma de construir al "estudiante" de la computadora cuántica (llamado Ansatz). En lugar de añadir penalizaciones después de los hechos, los autores construyen las reglas directamente en el ADN del estudiante.

Utilizan algo llamado Estados de Dicke.

• La Analogía: Imagina una caja mágica que solo escupe equipos de exactamente 5 personas. No puedes pedirle a la caja que te dé 4 o 6. Es físicamente imposible que la caja rompa la regla.
• Estado de Dicke Puro: Esta es la caja que solo escupe equipos de exactamente 5. Esto resuelve la "Restricción de Igualdad" (debe ser exactamente 5).
• Estado de Dicke Mixto: Esta es la gran innovación del artículo. Imagina una caja que puede escupir equipos de 3, 4, 5, 6 o 7 personas, pero nunca de 2 u 8. Es una "mezcla" de diferentes tamaños de equipo válidos. Esto resuelve la "Restricción de Desigualdad" (debe ser entre 3 y 7).

Al utilizar Matrices de Densidad (una forma matemática elegante de describir una mezcla de posibilidades), los autores crearon un circuito cuántico que solo explora soluciones válidas.

• No se necesitan penalizaciones: Dado que la máquina físicamente no puede generar un equipo inválido, no necesitas añadir marcas rojas o penalizaciones.
• Sin ajustes: No necesitas adivinar qué tan estrictas deben ser las reglas; las reglas están integradas en la estructura de la máquina.

Cómo lo probaron

Los autores probaron esta idea utilizando un problema de "Optimización de Cartera Combinatoria" (elegir la mejor mezcla de acciones). Crearon tres escenarios, como escalar una montaña con dificultad creciente:

1. Escenario 1 (Colina pequeña): Elegir hasta 4 acciones de 11 opciones.
2. Escenario 2 (Colina mediana): Elegir entre 3 y 6 acciones de 11 opciones.
3. Escenario 3 (Gran montaña): Una mezcla compleja donde diferentes grupos de acciones tienen reglas distintas (por ejemplo, "Elegir exactamente 3 de Energía", "Elegir 1 o 2 de Finanzas").

Compararon su nuevo método de "Reglas Integradas" contra una Búsqueda Aleatoria (simplemente adivinar equipos válidos al azar).

Los Resultados:

• A medida que el número de posibles equipos válidos se hacía mayor (del Escenario 1 al 3), su método se volvía mucho mejor que la búsqueda aleatoria.
• La búsqueda aleatoria es como lanzar dardos con los ojos vendados; eventualmente, podrías dar en el blanco, pero toma mucho tiempo. Su método es como un misil guiado que solo vuela hacia los objetivos válidos.
• Encontraron soluciones de alta calidad (carteras en la "frontera eficiente", que es el mejor equilibrio entre riesgo y recompensa) mucho más rápido que la búsqueda aleatoria.

El inconveniente: El ruido del mundo real

El artículo también probó esto en computadoras cuánticas reales (las máquinas ruidosas de IBM).

• El Problema: Las computadoras cuánticas reales son como instrumentos delicados; reciben "ruido". Un poco de interferencia puede cambiar un bit (cambiar un 0 a un 1).
• El Riesgo: Si un bit cambia, un equipo válido de 5 podría convertirse accidentalmente en un equipo de 6, rompiendo la regla.
• El Hallazgo: Los autores descubrieron que su método "Mixto" (la caja que permite 3, 4, 5, 6 o 7) es en realidad más robusto contra estos errores que el método "Puro" estricto. Si ocurre un error, la caja "Mixta" tiene más probabilidades de mantenerse dentro del rango válido que la caja estricta.
• La Realidad: A pesar de esta ventaja, el hardware real sigue siendo muy ruidoso. Los resultados en máquinas reales tuvieron una tasa de error del 50% en comparación con las simulaciones. El artículo concluye que, aunque la idea es brillante, necesitamos mejor tecnología de "cancelación de ruido" antes de que esto pueda usarse para la gestión de dinero real.

Resumen

Este artículo propone un truco ingenioso para las computadoras cuánticas: Deja de castigar las malas respuestas; en su lugar, construye una máquina que ni siquiera pueda cometerlas. Al codificar estructuralmente las reglas (como "elegir de 3 a 7 acciones) directamente en el circuito cuántico usando "Estados de Dicke Mixtos", eliminaron la necesidad de los complicados ajustes de penalización. Sus experimentos demostraron que este método encuentra las mejores soluciones mucho más rápido que la búsqueda aleatoria, especialmente para problemas complejos, aunque el ruido del hardware del mundo real sigue siendo un obstáculo por superar.

Resumen técnico

Resumen Técnico: Ansatz de Estados de Dicke Puros y Mixtos para Restricciones de Igualdad e Desigualdad en el Algoritmo de Eigensolver Cuántico Variacional

Planteamiento del Problema
El artículo aborda un desafío central en la aplicación de Algoritmos Cuánticos Variacionales (VQAs), específicamente el Eigensolver Cuántico Variacional (VQE), a la optimización combinatoria: diseñar un ansatz lo suficientemente expresivo como para explorar el subespacio factible del espacio de Hilbert mientras respeta las restricciones del problema. Los enfoques tradicionales suelen depender de términos de penalización en la función objetivo para imponer restricciones (como los límites de peso de Hamming), lo que requiere el difícil ajuste de los multiplicadores de Lagrange. Además, a medida que el número de variables y restricciones escala, el costo computacional para encontrar soluciones óptimas crece exponencialmente, volviendo intratables los métodos clásicos exactos y forzando la dependencia de aproximaciones subóptimas. El dominio de problema específico destacado es la optimización de carteras combinatorias, donde el objetivo es seleccionar un subconjunto de activos para maximizar el rendimiento minimizando el riesgo, sujeto a restricciones sobre el número de activos seleccionados (peso de Hamming).

Metodología
Los autores proponen un marco de preservación de la factibilidad que codifica estructuralmente tanto las restricciones de igualdad como las de desigualdad directamente en el ansesatz del circuito cuántico, eliminando la necesidad de términos de penalización.

1. Estados de Dicke Puros y Mixtos:

   • Restricciones de Igualdad: Para restricciones que requieren un número exacto de activos seleccionados ($k=b$), los autores utilizan un ansatz de estado de Dicke puro parametrizado. Este estado es una superposición de estados de la base computacional con un peso de Hamming fijo $k$, restringiendo naturalmente la búsqueda al subespacio factible.
   • Restricciones de Desigualdad: Para restricciones que involucran límites superiores o inferiores ($k \leq b$ o $k \geq b$), los autores extienden el formalismo a estados de Dicke mixtos. Empleando el formalismo de la matriz de densidad y la teoría de sistemas cuánticos abiertos, construyen un ansatz que representa un ensamble (mezcla) de estados de Dicke con diversos pesos de Hamming dentro del rango factible.
   • Implementación: El estado mixto se genera utilizando cúbits ancilla para controlar la preparación condicional de diferentes estados de Dicke. La matriz de densidad reducida del sistema (obtenida mediante la traza de los ancillas) describe la mezcla. La función objetivo del VQE se generaliza para minimizar la traza del producto de esta matriz de densidad y el Hamiltoniano del problema: $\min \text{tr}(\sigma H)$.

2. Estructura de Producto Tensorial:
   El marco se generaliza a problemas con múltiples grupos de restricciones (por ejemplo, diferentes sectores en una cartera) mediante la construcción del ansatz global como un producto tensorial de las matrices de densidad de estados de Dicke puros o mixtos individuales. Esto permite la satisfacción simultánea de diversos tipos de restricciones (igualdad e desigualdad) a través de diferentes subconjuntos de variables.

3. Configuración Experimental:
   El enfoque fue validado utilizando la optimización de carteras combinatorias con tres escenarios de complejidad creciente:

   • Escenario I: 11 activos con una restricción de límite superior ($k \leq 4$).
   • Escenario II: 11 activos con una restricción de rango ($3 \leq k \leq 6$).
   • Escenario III: Una cartera de múltiples sectores (4 sectores, 5 activos cada uno) con una mezcla de restricciones de igualdad e desigualdad, utilizando un ansatz de producto tensorial.
     La optimización se realizó utilizando el optimizador CMA-ES (Estrategia de Adaptación de la Matriz de Covarianza) Evolutiva, un método libre de gradiente, y se comparó contra la búsqueda aleatoria restringida al subespacio factible. Las simulaciones se llevaron a cabo en hardware clásico (CPU/GPU) y se validaron en procesadores NISQ de IBM.

Resultos Clave

• Eficiencia de Búsqueda: A medida que el tamaño del espacio de búsqueda factible aumentó (de 561 en el Escenario I a 45,000 en el Escenario III), el marco propuesto VQE-Dicke demostró una clara ventaja sobre la búsqueda aleatoria. Requirió significativamente menos llamadas a la función objetivo para identificar soluciones de alta calidad y la solución óptima.
• Calidad de la Solución: En todos los escenarios, las cadenas de bits (bitstrings) muestreadas de la distribución optimizada mapearon a carteras que se encuentran en o cerca de la frontera eficiente clásica. Incluso cuando el optimizador no logró concentrar completamente la matriz de densidad en la única cadena de bits óptima, las soluciones muestreadas siguieron siendo candidatos factibles de alta calidad.
• Desempeño del Hardware: Los experimentos en procesadores NISQ de IBM confirmaron la viabilidad teórica, pero resaltaron limitaciones prácticas. El ansatz mostró errores relativos de aproximadamente el 50% en unidades de procesamiento cuántico (QPUs). Los autores señalan que, si bien el ansatz de estado mixto ofrece una mayor robustez teórica ante errores de inversión de bit (bit-flip) individuales (que podrían desplazar un estado puro fuera del conjunto factible), el ruido acumulado de las puertas de dos cúbits sigue siendo un desafío significativo.

Significancia y Reivindicaciones
El artículo afirma introducir el primer ansatz de estado de Dicke mixto que preserva la factibilidad, capaz de manejar tanto restricciones de igualdad como de desigualdad en VQE sin términos de penalización. La principal significancia radica en:

1. Codificación Estructural de Restricciones: Al incrustar las restricciones directamente en el ansancia mediante el formalismo de la matriz de densidad, el método elimina la necesidad de ajustar multiplicadores de Lagrange y reduce la complejidad del paisaje de optimización.
2. Escalabilidad: El enfoque es particularmente efectivo en regímenes donde el subespacio factible es lo suficientemente grande como para que el muestreo aleatorio exhaustivo sea impráctico, pero lo suficientemente pequeño como para ser una fracción del espacio de Hilbert total ($O(n^k)$ frente a $O(2^n)$).
3. Generalidad: Aunque se validó en la optimización de carteras, se afirma que el marco es directamente aplicable a otros problemas combinatorios con restricciones de peso de Hamming, como la selección de características (feature selection) y la selección de conjuntos (ensemble selection).

Los autores mantienen una postura modesta respecto al despliegue práctico, reconociendo que la mitigación de ruido y las optimizaciones de transpilación de circuitos siguen siendo desafíos abiertos para el hardware de la era NISQ. Enfatizan que el presente trabajo sirve como una validación teórica y experimental del potencial del ansatz, más que como una solución comercial plenamente realizada.