Scalable quantum circuit knitting using a weak-coupling approximation

Resumen Técnico: Tejido de Circuitos Cuánticos Escalable mediante una Aproximación de Acoplamiento Débil

Planteamiento del Problema
La Computación Cuántica Distribuida (DQC, por sus siglas en inglés) es una vía crítica para escalar algoritmos cuánticos más allá de los límites de qubits de las Unidades de Procesamiento Cuántico (QPUs) monolíticas. Una técnica principal para la DQC es el "tejido de circuitos" (circuit knitting), que consiste en particionar un circuito cuántico grande en subcircuitos más pequeños ejecutados en hardware separado, cuyos resultados se recombinan clásicamente. Sin embargo, el tejido de circuitos exacto (específicamente el protocolo CutQC) requiere una cantidad exponencial de información clásica y muestreo para reconstruir el proceso cuántico global. El número de procesos clásicos requeridos escala como $4^{N_x}$, donde $N_x$ es el número de cortes, lo que hace que el enfoque sea intratable para circuitos con muchos cortes. Aunque existen aproximaciones (por ejemplo, basadas en tomografía o redes de tensores), existe la necesidad de métodos que aprovechen propiedades físicas específicas de los problemas para reducir esta sobrecarga clásica sin sacrificar la calidad de la solución.

Metodología
Los autores proponen un método para realizar computación cuántica distribuida explotando un acoplamiento débil entre subsistemas. El enfoque es una especialización del paradigma de corte de cables de CutQC, adaptado para escenarios donde un circuito cuántico puede particionarse a lo largo de una única línea de qubit ($q_x$) que está débilmente acoplada al resto del sistema.

1. Modelo de Acoplamiento Débil: El método asume que la interacción entre el qubit de corte $q_x$ y el resto del sistema está gobernada por un pequeño parámetro de acoplamiento $\lambda$. Las puertas que actúan a través del corte se modelan como $\hat{G} = \eta \hat{E} + \lambda \hat{O}_i \hat{O}_j$. Bajo esta condición, la probabilidad de que el qubit de corte cambie de estado debido a una puerta es $\mathcal{O}(\lambda)$.
2. Representación Simbólica: El circuito se divide en subcircuitos $\mathcal{C}_1$ y $\mathcal{C}_2$. Los autores introducen un marco simbólico donde las operaciones de entrada y salida en el corte se representan mediante cadenas de símbolos ($\alpha$-tipo: $\{0, 1, +, i\}$ para reset/preparación; $\sigma$-tipo: $\{X, Y, Z, E\}$ para medición).
3. La Regla de "No Cambio" (No-Flip): En el límite de acoplamiento débil, la probabilidad de un "cambio" (un cambio en el estado del símbolo del qubit de corte a través de las capas) está suprimida por $\lambda$. En consecuencia, las amplitudes de probabilidad para cadenas con $k$ cambios escalan como $\mathcal{O}(\lambda^k)$.
4. Truncamiento Polinomial: En lugar de sumar sobre todas las cadenas (lo cual es exponencial), el método trunca el cálculo a un conjunto de cadenas $\mathcal{S}_n$ que contiene como máximo $n$ cambios. El número de procesos clásicos requeridos escala polinomialmente como $N_S = \mathcal{O}(N_x^n)$.
5. Reconstrucción: Los autores definen una matriz de transformación $\Gamma$ para convertir las probabilidades de tipo $\sigma$ medidas en las probabilidades de tipo $\alpha$ requeridas para el tejido. Para mantener la estabilidad numérica e invertibilidad al realizar el truncamiento, emplean una estrategia de Correspondencia Posicional-Simbólica (PSC) para seleccionar un subconjunto específico de cadenas de tipo $\sigma$ que asegure que la matriz de reconstrucción sea no singular.
6. Límites de Error: El error total en la probabilidad reconstruida está acotado por $\mathcal{O}((N_x \lambda)^{(n+1)/3})$.

Contribuciones Clave

• Escalabilidad Polinomial: El artículo demuestra que, para sistemas débilmente acoplados, el costo clásico del tejido de circuitos puede reducirse de exponencial a polinomial ($N_S = \mathcal{O}(N_x^n)$) mediante el truncamiento del espacio de probabilidad basado en la fuerza del acoplamiento.
• Estrategia PSC: Los autores introducen un algoritmo específico (PSC) para la selección de las bases de medición ($\sigma$-strings) para asegurar que la matriz de reconstrucción $\Gamma$ sea invertible y numéricamente estable, incluso cuando no se utiliza el conjunto completo de cadenas.
• Análisis de Ruido: El artículo proporciona un análisis que muestra que la matriz de reconstrucción $\Gamma$ no amplifica exponencialmente el ruido nativo del hardware cuántico, sino que actúa como un filtro estabilizador. También establece que el número de condición de la matriz truncada escala polinomialmente.
• Demostración: El método se demuestra en un circuito por capas de 5 qubits que asemeja al Algoritmo de Optimización Aproximada Cuántica (QAOA). Los resultados muestran que el error disminuye rápidamente a medida que aumenta el nivel de aproximación $n$ y a medida que disminuye el acoplamiento $\lambda$.

Resultados
En la demostración utilizando un circuito de 5 qubits con un parámetro de acoplamiento $\lambda$:

• Se mostró que el error en la probabilidad final para el estado de salida $F=00000$ es idénticamente cero cuando $\lambda=0$.
• A medida que $|\lambda|$ aumentó, el error creció, pero se mantuvo significativamente por debajo del límite teórico general para valores mayores del nivel de aproximación $n$ (por ejemplo, $n=1, 2$).
• La distribución de probabilidad de las combinaciones de cadenas mostró un decaimiento exponencial con el número de cambios, validando la justificación para el truncamiento.
• La aproximación de segundo orden ($n=2$) mostró una dependencia de $\lambda^2$, consistente con la derivación teórica de que ciertas estructuras de circuitos pueden suprimir aún más los términos de error.

Significancia y Reivindicaciones
Los autores afirman que este método proporciona una vía teórica para sortear las barreras de muestreo exponencial asociadas típicamente con la DQC. Al identificar que muchos problemas prácticos (como el Problema de Rutas de Vehículos con depósitos distantes o simulaciones de Hamiltonianos con espacios de Hilbert débilmente acoplados) poseen un acoplamiento débil inherente, el método hace accesibles aplicaciones de gran escala previamente intratables para computadoras cuánticas de pequeña escala.

El artículo enfatiza que, si bien el CutQC general requiere recursos exponenciales, esta aproximación de acoplamiento débil permite una especialización donde el número de circuitos requeridos crece polinomialmente. Los autores señalan que aplicaciones previas han explotado el límite $n=0$ (sin cambios) para reducciones masivas de qubits; este trabajo extiende la capacidad hacia $n > 0$ para mejorar la precisión de la aproximación manteniendo la escalabilidad polinomial. El método se presenta como un enfoque viable para problemas motivados físicamente donde las separaciones de subsistemas ocurren de forma natural, ofreciendo un compromiso entre el error de aproximación y el costo de computación clásica que es favorable para el hardware de la era NISQ.