How Many Shots Are Enough for a Quantum Circuit?

Este artículo presenta IncrementalExecution, un marco de trabajo en línea de caja negra que optimiza dinámicamente el número de disparos (shots) de circuitos cuánticos mediante la identificación del punto de rendimientos decrecientes para equilibrar los costos de ejecución y la fidelidad de los resultados sin depender de estructuras de circuitos o modelos de ruido específicos.

Lo esencial

El gran problema: La "prueba de sabor a ciegas"

Imagina que eres un chef intentando perfeccionar la receta de una nueva sopa. No puedes probar la olla entera de una vez; tienes que tomar pequeñas cucharadas (muestras) para adivinar el sabor.

• La Sopa: Un circuito de computadora cuántica.
• Las Cucharadas: "Shots" (disparos o ejecuciones). En la computación cuántica, no puedes simplemente ejecutar un programa una vez y obtener una respuesta perfecta. Debido a la naturaleza extraña de la física cuántica, tienes que ejecutar el mismo programa muchas veces para obtener una imagen fiable del resultado.
• El Dilema: Si tomas muy pocas cucharadas, tu suposición sobre el sabor podría ser errónea. Si tomas demasiadas, desperdicias tiempo y dinero (ya que alquilar computadoras cuánticas es costoso).

La gran pregunta que los autores plantean es: ¿Cuántas cucharadas necesitas realmente antes de poder dejar de probar y estar seguro de que conoces el sabor?

La forma antigua vs. La forma nueva

La Forma Antigua (Las conjeturas):
Anteriormente, los desarrolladores tenían que adivinar un número fijo de shots (por ejemplo, "Ejecutémoslo 10,000 veces") basándose en reglas empíricas o fórmulas matemáticas complejas que asumían que sabían exactamente cómo se comportaría la computadora cuántica.

• El Defecto: Las computadoras cuánticas son ruidosas e impredecibles. A veces, 10,000 shots son excesivos (desperdiciando dinero); otras veces, no son suficientes (dando un mal resultado). Es como suponer que necesitas exactamente 50 cucharadas de sopa sin haber probado la primera.

La Forma Nueva (El enfoque de "rendimientos decrecientes"):
Los autores introducen un nuevo marco llamado IncrementalExecution. En lugar de adivinar un número, sugieren un enfoque inteligente y paso a paso.

Piensa en esto como llenar un cubo con una manguera que tiene fugas:

1. Empiezas a verter agua (ejecutando shots).
2. Revisas el nivel del agua (los datos) después de cada pocos segundos.
3. Sigues vertiendo agua mientras el nivel del agua suba significativamente.
4. La Señal de Parada: En el momento en que notas que añadir más agua apenas cambia el nivel, te detienes. Has alcanzado el "punto de rendimientos decrecientes".

Cómo funciona (La magia de la "caja negra")

Los autores llaman a su método un enfoque de "caja negra". Esto significa que no necesitan saber:

• Cómo está escrita la receta de la sopa (la estructura del circuito).
• Cómo está rota la estufa (el modelo de ruido del hardware).

Ellos simplemente observan los resultados que salen.

1. Ejecuta un lote pequeño: Ejecuta el circuito 50 veces.
2. Revisa el patrón: Observa los resultados.
3. Ejecuta otro lote: Ejecútalo 50 veces más.
4. Compara: ¿Cambió mucho la imagen general con los nuevos 50 shots?
   • ¿Sí? Continúa.
   • ¿No? El patrón se ha estabilizado. ¡Detente ahora! Ahorraste dinero.

El concepto de "Rendimientos Decrecientes"

El artículo se basa en una idea económica simple: los Rendimientos Decrecientes.
Imagina que estás estudiando para un examen.

• Primera hora: Aprendes el 50% del material. ¡Gran ganancia!
• Segunda hora: Aprendes otro 30%. Buena ganancia.
• Tercera hora: Aprendes un 10%.
• Cuarta hora: Aprendes un 1%.
• Quinta hora: Aprendes un 0.1%.

En cierto punto, el esfuerzo (tiempo/dinero) no vale la pena por la minúscula ganancia de conocimiento. El software de los autores encuentra automáticamente ese momento exacto para los circuitos cuánticos y te dice cuándo detenerte.

Lo que encontraron (Los Resultados)

Los autores probaron esta idea en 33,750 configuraciones diferentes a través de 180 circuitos cuánticos distintos y simulaciones de computadoras con ruido. Realizaron 7.3 millones de experimentos en total.

Esto es lo que descubrieron:

1. Funciona: Pueden detenerse temprano de forma fiable sin perder precisión.
2. Ahorra recursos: Su método inteligente suele utilizar muchos menos shots que los números fijos "seguros" o las estrictas fórmulas matemáticas utilizadas anteriormente.
3. Es flexible: Descubrieron que diferentes "reglas" funcionan mejor para diferentes tipos de problemas.
   • Analogía: A veces necesitas una cuchara muy sensible para probar una sopa delicada (ajustes estrictos). Otras veces, una cuchara más tosca está bien para un guiso sustancioso (ajustes relajados). Su sistema te permite elegir la "cuchara" adecuada para el trabajo.
4. Gestiona el ruido: Aunque las computadoras cuánticas son desordenadas y ruidosas, este método es lo suficientemente robusto como para manejar el caos sin necesidad de conocer la causa específica del ruido.

Por qué esto es importante

En el mundo de la computación cuántica, el tiempo es dinero. Cada segundo adicional que una computadora cuántica se ejecuta le cuesta al usuario dinero real. Al determinar exactamente cuándo detenerse, este marco ayuda a los usuarios a:

• Ahorrar dinero.
• Obtener resultados más rápido.
• Evitar el desperdicio de recursos en cálculos innecesarios.

Resumen

El artículo presenta un inteligente "cronómetro automático" para las computadoras cuánticas. En lugar de ejecutar ciegamente un programa un millón de veces solo para estar seguros, esta nueva herramienta observa los resultados en tiempo real. Tan pronto como los resultados dejan de cambiar significativamente, dice: "Bien, ya tenemos suficientes datos. Detengámonos". Es una herramienta práctica y de ahorro de costes que funciona sin necesidad de entender la compleja física detrás de la máquina.

Resumen técnico

Resumen Técnico: ¿Cuántas ejecuciones son suficientes para un circuito cuántico?

1. Planteamiento del problema

Los algoritmos cuánticos producen inherentemente resultados probabilísticos, lo que requiere la repetición de ejecuciones de circuitos (shots) para aproximar la distribución de probabilidad subyacente. Determinar el número mínimo de ejecuciones necesarias para alcanzar una precisión objetivo es un desafío crítico de optimización de recursos, particularmente para dispositivos de Escala Intermedia con Ruido (NISQ), donde los costos de ejecución, la latencia de cola y el ruido del hardware son restricciones significativas.

Los enfoques existentes para la optimización de ejecuciones suelen depender de supuestos específicos que limitan su aplicabilidad:

• Los métodos analíticos a menudo requieren el conocimiento explícito de los modelos de ruido (por ejemplo, errores SPAM, tiempos $T_1/T_2$) o estructuras de circuito específicas.
• Las estrategias adaptativas están diseñadas para algoritmos variacionales (VQA) donde los parámetros del circuito evolucionan, induciendo distribuciones de salida no estacionarias.
• Los métodos basados en aprendizaje a menudo requieren entrenamiento en trayectorias de optimización específicas.

Este artículo aborda el problema de optimización de ejecuciones de caja negra para circuitos cuánticos estáticos y no variacionales. En este entorno, la estructura y los parámetros del circuito permanecen fijos en todas las ejecuciones, lo que resulta en una distribución de salida estacionaria pero desconocida. El objetivo es determinar el número mínimo de ejecuciones necesarias para alcanzar una precisión objetivo sin conocimiento previo de la topología del circuito, el modelo de ruido o la distribución real.

2. Metodología: Marco de trabajo IncrementalExecution

Los autores proponen IncrementalExecution, un marco de trabajo iterativo y en línea que determina dinámicamente cuándo detener la ejecución de las sesiones basándose en el punto de rendimientos decrecientes. Este se define como el estado en el que las ejecuciones adicionales ya no inducen cambios estadísticamente significativos en la distribución de salida empírica.

Conceptos fundamentales

• Optimalidad A Posteriori: El artículo define primero una línea de base teórica: el número mínimo de ejecuciones $n^*$ tal que la distribución empírica $\hat{P}_{n^*}$ esté dentro de un umbral $\delta$ de la mejor estimación posible obtenible bajo un presupuesto completo $B$ (denotada como $\hat{P}_B$). Esto sirve como una verdad de referencia retrospectiva para la evaluación, pero no es computable en línea.
• Punto de Rendimientos Decrecientes (Proxy en línea): Para permitir la toma de decisiones en línea sin acceso a la distribución del presupuesto completo, el marco utiliza un proxy observable. Monitorea la divergencia entre la distribución empírica acumulada actual y una distribución pasada (separada por una ventana de observación $\tau$). La ejecución se detiene cuando esta divergencia cae por debajo de una tolerancia $\epsilon$ durante un número requerido de iteraciones consecutivas ($k$).

Arquitectura del Marco de Trabajo

El marco es modular y consta de tres componentes de política intercambiables:

1. Criterio de Parada: Determina si el lote reciente de ejecuciones introdujo un cambio estadísticamente significativo (por ejemplo, Delta Distance o Delta Moving Average).
2. Criterio de Estabilidad: Impone un número mínimo de iteraciones estables consecutivas ($k$) para evitar paradas prematuras debido a fluctuaciones transitorias.
3. Política de Asignación de Ejecuciones: Determina dinámicamente el tamaño del siguiente lote de ejecuciones (por ejemplo, constante o adaptativo basado en las tendencias de convergencia).

El marco opera bajo estrictos supuestos de caja negra: no requiere acceso a los componentes internos del circuito, modelos de ruido o distribuciones ideales. Se basa únicamente en los resultados de las mediciones observadas.

3. Evaluación Experimental

Los autores realizaron una evaluación exhaustiva que involucró 33,750 configuraciones de marco de trabajo únicas a través de 180 combinaciones únicas de circuito-backend, totalizando 7.3 millones de experimentos independientes.

Configuración Experimental

• Circuitos: 28 circuitos estáticos (incluyendo QFT, QAOA, VQE, Random, QNN) con conteos de cúbits que van de 4 a 14.
• Backends: Cinco backends de simulador ruidoso de IBM (fake_fez, fake_kyiv, fake_marrakesh, fake_sherbrooke, fake_torino).
• Presupuesto: Se utilizó un presupuesto máximo de 20,000 ejecuciones para generar las distribuciones de referencia.
• Métricas: Se utilizaron la Distancia de Variación Total (TVD), la distancia de Hellinger y la divergencia de Jensen–Shannon (JS) para medir la estabilidad de la distribución.

Hallazgos Clave

• Validez y Parámetros: Encontrar configuraciones válidas (donde se cumple la condición de parada dentro del presupuesto) es altamente sensible al umbral de parada $\epsilon$ y a la tolerancia objetivo $\delta$. La validez es generalmente alcanzable solo cuando $\epsilon < \delta$. La política de parada Delta Moving Average (DMA) mostró una mayor robustez en regímenes estrictos en comparación con la política Delta simple.
• Impacto del Tamaño del Circuito: Los circuitos pequeños (4–8 cúbits) generalmente permiten tasas de validez altas (a menudo del 100%) con las mejores configuraciones. Los circuitos grandes (10–14 cúbits) presentan un desafío mayor, con tasas de validez que caen y configuraciones que requieren más ejecuciones, acercándose a menudo al presupuesto total de 20,000 ejecuciones bajo tolerancias estrictas.
• Sensibilidad de las Métricas:
  • TVD es la métrica más exigente, requiriendo a menudo más ejecuciones para satisfacer las restricciones de validez.
  • Hellinger y JS son más permisivas y a menudo arrojan tasas de validez más altas, particularmente para circuitos grandes y tolerancias laxas.
• Comparación con el Estado del Arte:
  • vs. Límites Analíticos: IncrementalExecution es órdenes de magnitud más eficiente en muestras que las desigualdades de concentración de caso de peor escenario (Hoeffding y Weissman), las cuales proporcionan límites superiores que ignoran la distribución y son excesivamente conservadores para escenarios prácticos de NISQ.
  • vs. Presupuestos Fijos: El marco detiene con éxito la ejecución una vez que se alcanza la precisión objetivo, evitando el desperdicio de los presupuestos de ejecuciones fijas que continúan ejecutándose incluso después de la convergencia.
• Comportamiento Algorítmico: Diferentes familias de algoritmos exhiben perfiles de estabilización distintos. Los circuitos simples (ej. dj) se estabilizan rápidamente, mientras que los circuitos complejos (ej. qft, random) requieren significativamente más ejecuciones, alcanzando a veces el límite del presupuesto, lo que indica que el presupuesto fijo por sí mismo puede ser insuficiente para regímenes de alta varianza.

4. Contribuciones Clave

1. Formulación del Problema: Una definición formal del problema de optimización de ejecuciones de caja negra para circuitos estáticos y no variacionales, evitando explícitamente supuestos sobre la estructura del circuito o los modelos de ruido.
2. Optimalidad A Posteriori: La introducción de un criterio de optimalidad retrospectiva para servir como una base rigurosa para evaluar estrategias en línea.
3. Marco de trabajo IncrementalExecution: Un marco de trabajo general, en línea e iterativo que aprovecha el punto de rendimientos decrecientes para detener la ejecución de forma adaptativa.
4. Suite de Políticas: Un conjunto integral de políticas de ejecución (parada, estabilidad y asignación) que permiten a los usuarios intercambiar costo por precisión.
5. Conjunto de Datos de Referencia (Benchmark Dataset): La publicación de un nuevo conjunto de datos que contiene trazas de ejecución iterativas, ejecución por ejecución, de circuitos estáticos en backends ruidosos, permitiendo la evaluación reproducible de técnicas de optimización de ejecuciones.

5. Significado y Reivindicaciones

El artículo afirma ser el primer trabajo en abordar la optimización del número de ejecuciones utilizando una estrategia en línea en un entorno de caja negra para circuitos estáticos sin depender de supuestos sobre la estructura del circuito o los modelos de ruido.

• Viabilidad Práctica: Los autores argumentan que el marco es inmediatamente desplegable en las plataformas cuánticas en la nube actuales. Destacan que la infraestructura emergente, como las sesiones cuánticas (IBM) y los modelos basados en reservaciones (IonQ, Rigetti), mitiga las sobrecargas de latencia típicamente asociadas con la ejecución adaptativa e iterativa, haciendo que el paradigma de "detener y verificar" sea factible.
• Reducción de Costos: Al detectar el punto de rendimientos decrecientes, el marco evita la ejecución de ejecuciones innecesarias, reduando directamente los costos monetarios y el tiempo de cola en hardware costoso.
• Generalidad: A diferencia de trabajos previos restringidos a algoritmos variacionales o modelos de ruido específicos, este enfoque se aplica a una amplia clase de cargas de trabajo estáticas, incluyendo benchmarking, calibración y ejecución de algoritmos fijos.

Los autores mantienen una postura modesta, reconociendo que su evaluación se basa en simuladores ruidosos y que la validación en hardware real (incluyendo retrasos de cola y deriva de calibración) es un paso futuro necesario. También señalan que, aunque el marco es agnóstico al número de cúbits, los parámetros de configuración óptimos dependen del tamaño y la complejidad del circuito, lo que sugiere que se requieren mecanismos de ajuste automatizados para un despliegue generalizado.