Resumen Técnico: Evaluación de la Codificación de Correlación de Pauli para Diferentes Problemas de Optimización

1. Planteamiento del Problema

El artículo aborda las limitaciones de escalabilidad de los Algoritmos Cuánticos Variacionales (VQA) en la era de la Computación Cuántica de Escala Intermedia con Ruido (NISQ). Específicamente, se dirige al desafío de codificar problemas de optimización combinatoria clásicos donde el número de qubits requeridos típicamente escala linealmente con el número de variables binarias. Esta escalabilidad lineal restringe el tamaño de los problemas que pueden resolverse en el hardware actual.

Los autores investigan la Codificación de Correlación de Pauli (PCE), un esquema de codificación propuesto recientemente capaz de representar $m$ variables binarias utilizando un número polinómico de qubits $n$ (donde $n \ll m$). El problema central es evaluar si la PCE, combinada con un marco variacional, puede resolver eficazmente problemas de optimización clásicos manteniendo la calidad de la solución y la viabilidad, particularmente bajo las restricciones de la ejecución basada en disparos (shots) y el ruido del hardware.

2. Metodología

El estudio emplea un marco híbrido cuántico-clásico donde un Circuito Cuántico Parametrizado (PQC) se optimiza para minimizar una función de costo adaptada al esquema PCE.

2.1 Esquema de Codificación

La PCE mapea $m$ variables binarias $\vec{z} \in \{-1, 1\}^m$ a los valores esperados de un subconjunto de cadenas de Pauli sin traza $\Pi$. Las variables se recuperan mediante:
$$z_i := \text{sgn}(\langle \Psi | \Pi_i | \Psi \rangle)$$
donde $|\Psi\rangle$ es el estado cuántico. La codificación utiliza un orden de compresión $k$, seleccionando cadenas de Pauli formadas por productos tensoriales de $k$ matrices de Pauli no identidad. Esto permite codificar hasta $m = 3 \binom{n}{k}$ variables con $n$ qubits.

2.2 Ansatz del Circuito y Optimización

• Ansatz: Se utiliza una estructura tipo ladrillo, eficiente para el hardware y agnóstica al problema. Alterna capas de rotaciones de un solo qubit parametrizadas ($R_X, R_Y, R_Z$) y rotaciones de dos qubits ($R_{XX}, R_{YY}, R_{ZZ}$) en qubits vecinos. La profundidad del circuito escala como $O(m^{1-1/k})$.
• Relajación: Para facilitar la optimización, la función signo discreta se relaja utilizando una tangente hiperbólica: $z_i := \tanh(\alpha \langle \Pi_i \rangle)$. También se incluye un término de regularización para concentrar los valores esperados alrededor de cero.
• Optimizador Clásico: Se utiliza la Evolución Diferencial (DE) como un optimizador libre de gradiente para navegar el paisaje de costo y evitar mínimos locales.
• Post-procesamiento: Se aplica un paso de post-procesamiento clásico a las soluciones relajadas para imponer la viabilidad y mejorar la calidad de la solución (por ejemplo, inversión de bits para MCP, reasignación de contenedores para BPP, 2-opt para TSP).

2.3 Benchmark y Problemas

El marco se evalúa contra el benchmark QOPTLib utilizando tres problemas clásicos:

1. Problema de Máximo Corte (MCP): 10 instancias ($N \in \{10, \dots, 300\}$).
2. Problema de Empaquetado de Contenedores (BPP): 10 instancias ($N \in \{3, \dots, 14\}$).
3. Problema del Viajante (TSP): 10 instancias ($N \in \{3, \dots, 25\}$).

Los resultados se comparan con soluciones de referencia del benchmark, incluyendo aquellas de D-WAVE's LeapHybridBQMSampler.

2.4 Análisis de Ruido y Ejecución

El estudio incluye una sección sobre ejecución basada en disparos utilizando el emulador CUNQA (imitando el backend IBM Sherbrooke). Analiza:

• El escalado del Error Absoluto Medio (MAE) y el Error Máximo con el número de disparos (shots).
• El impacto del ruido del hardware (ineficiencias de puertas, decoherencia) en la estimación del valor esperado.
• El papel potencial del ruido para ayudar al optimizador a escapar de mínimos locales.

3. Contribuciones Clave y Resultados

3.1 Rendimiento en Problemas Combinatorios

• Máximo Corte (MCP): El marco PCE logra un rendimiento competitivo. Para la mayoría de las instancias, la relación de aproximación es cercana a la unidad. Los órdenes de compresión más altos ($k$) generalmente producen una mejor calidad de solución debido al aumento de la expresividad del modelo (más parámetros variacionales), a pesar del compromiso con la profundidad del circuito.
• Empaquetado de Contenedores (BPP): El enfoque demuestra un fuerte potencial pero es altamente sensible a los hiperparámetros.
  • Viabilidad: Los órdenes de compresión más bajos ($k=2, 3$) fallan en producir soluciones viables para instancias más grandes ($N > 8$ y $N > 12$, respectivamente). Solo $k=4$ produce consistentemente soluciones viables en todas las instancias probadas.
  • Calidad: El post-procesamiento refina significativamente las soluciones iniciales, a menudo reduciendo el número de contenedores utilizados. El método produce soluciones de buena calidad para un amplio rango de instancias, aunque las tasas de viabilidad caen a medida que aumenta el tamaño del problema.
• Viajante (TSP): Similar al BPP, la viabilidad depende fuertemente del orden de compresión. $k=2$ falla para instancias $N > 10$, mientras que $k \in \{3, 4\}$ mantiene una alta viabilidad para $N \le 15$.
  • Calidad de la Solución: Las soluciones iniciales a menudo igualan o superan la calidad del benchmark, particularmente para $k \in \{3, 4\}$. El post-procesamiento (2-opt) mejora consistentemente la longitud del recorrido final.

3.2 Sensibilidad de los Hiperparámetros

El estudio destaca el papel crítico del hiperparámetro $\alpha$ (que controla la binarización de las variables relajadas).

• $\alpha$: Los valores más grandes generalmente conducen a mejores resultados al asegurar que las variables estén fuertemente binarizadas (evitando el régimen lineal de $\tanh$). Los valores pequeños de $\alpha$ conducen a soluciones ambiguas cerca de 0.5, degradando la calidad de la reconstrucción.
• $\beta$ (Regularización): Aunque su intención era mejorar el rendimiento, los experimentos mostraron que $\beta=0$ a menudo arroja resultados comparables a los de valores no nulos, lo que sugiere que el impacto del término de regularización puede ser dependiente del contexto o estar atenuado por otros factores.
• Pesos de Penalización: El artículo señala la dificultad de seleccionar los pesos de penalización (el "problema de Big-M"). Los pesos excesivamente grandes pueden llevar a una satisfacción de restricciones "promediada" (valores fraccionarios) en lugar de una verdadera binarización, dificultando la reconstrucción de soluciones combinatorias válidas.

3.3 Análisis de Ruido y Disparos (Shots)

• Ideal vs. Ruidoso: En simulaciones ideales, aumentar los disparos reduce el error a $10^{-3}$ o $10^{-4}$. Sin embargo, en el backend ruidoso (emulación de IBM Sherbrooke), el ruido domina, causando que el error se estanque alrededor de $0.025$ independientemente de la cantidad de disparos.
• Dinámica de Optimización: De manera contraintuitiva, se observó que la presencia de ruido a veces ayuda al optimizador a escapar de mínimos locales subóptimos, lo que conduce a un mejor rendimiento en casos específicos en comparación con la ejecución ideal sin ruido.
• Tiempo de Ejecución: Los autores estiman que la optimización completa con muestreo basado en disparos es computacionalmente costosa (decenas de millones de evaluaciones) pero factible con estrategias de paralelización en entornos de Computación de Alto Rendimiento (HPC).

4. Significado y Reivindicaciones

El artículo afirma que el marco basado en PCE es una estrategia de codificación prometedora para la optimización cuántica en las eras NISQ y de tolerancia a fallos cercana. Su principal significancia radica en:

1. Escalabilidad: Demuestra la capacidad de codificar problemas con cientos de variables utilizando un número polinómico de qubits, superando el cuello de botella de la escalabilidad lineal de enfoques estándar como QAOA.
2. Rendimiento Competitivo: El método logra soluciones equivalentes o superiores a los benchmarks establecidos (incluyendo solucionadores híbridos cuántico-clásicos) para MCP, BPP y TSP, siempre que los hiperparámetros y los órdenes de compresión se calibren cuidadosamente.
3. Viabilidad Práctica: El estudio proporciona una evaluación realista del método bajo ejecución basada en disparos y ruido de hardware, estableciendo límites de referencia para la precisión de la estimación y el tiempo de ejecución.

Los autores mantienen un tono modesto, reconociendo que el rendimiento depende fuertemente de la estructura específica del problema, la elección del orden de compresión y la calibración cuidadosa de los hiperparámetros ($\alpha$, $\beta$ y los pesos de penalización). Concluyen que, si bien la PCE muestra un potencial significativo, se necesita más investigación para optimizar la interacción entre el ansatz, los optimizadores clásicos y la selección de hiperparámetros para realizar plenamente sus capacidades en hardware cuántico real.