💻 computer science

A Distributed Quantum Approximate Optimization Algorithm Simulator for Engineering Design Optimization

Este artículo presenta un simulador de algoritmo de optimización aproximada cuántica distribuida (DQAOA) de código abierto y compatible con Qiskit que permite la resolución y comparación eficiente de problemas de optimización binaria cuadrática no restringida (QUBO) a través de una y múltiples unidades de procesamiento cuántico, contando con una interfaz gráfica y efectividad demostrada en aplicaciones de ingeniería como el compromiso de unidades de generación de energía.

Autores originales: Ali Rajabi, Milad Hasanzadeh, Amin Kargarian

Publicado 2026-06-26

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ali Rajabi, Milad Hasanzadeh, Amin Kargarian

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La visión general: Una nueva herramienta para la resolución de problemas cuánticos

Imagina que tienes un rompecabezas masivo e increíblemente complejo. Debes encontrar la mejor manera de organizar las piezas para obtener la puntuación más alta. En el mundo de la ingeniería, esto se llama optimización. Por lo general, resolvemos estos rompecabezas con potentes computadoras clásicas. Pero a medida que los rompecabezas se vuelven más grandes, incluso las mejores computadoras clásicas empiezan a tener dificultades.

Entran en escena las Computadoras Cuánticas. Son como súper resolutores de rompecabezas que pueden observar muchos arreglos a la vez. Sin embargo, todavía están en su "infancia". Son pequeñas, frágiles y solo pueden contener unas pocas piezas del rompecabezas (qubits) a la vez.

Este artículo presenta un nuevo simulador de software (un campo de entrenamiento digital) llamado DQAOA. Piensa en él como un "simulador de vuelo" para computadoras cuánticas. Permite a los ingenieros probar cómo resolver grandes rompecabezas de optimización utilizando computadoras cuánticas, incluso antes de que tengan una computadora cuántica lo suficientemente grande como para contener todo el rompecabezas.

El problema central: Una habitación frente a muchas habitaciones

El artículo se centra en un tipo específico de rompecabezas llamado QUBO (Optimización Binaria Cuadrática sin Restricciones). Puedes pensar en un problema QUBO como una cuadrícula de interruptores de luz que están en ENCENDIDO (1) o APAGADO (0). El objetivo es mover los interruptores para obtener la mejor puntuación total posible.

La forma antigua (QAOA Monolítico): Imagina intentar resolver este rompecabezas en una sola habitación. Todos los interruptores están en una sola mesa, y una persona (el procesador cuántico) intenta moverlos todos. Esto funciona de maravilla para rompecabezas pequeños. Pero si el rompecabezas es enorme, la habitación se vuelve demasiado concurrida y la mesa no es lo suficientemente grande.
La nueva forma (QAOA Distribuido): ¿Qué pasa si el rompecabezas es demasiado grande para una sola habitación? El artículo propone dividir el romabezas entre múltiples habitaciones (múltiples procesadores cuánticos).
- El desafío: Si el Interruptor A está en la Habitación 1 y el Interruptor B está en la Habitación 2, pero necesitan interactuar para determinar la puntuación, ¿cómo se comunican entre sí?
- La solución: El simulador utiliza un truco de "teletransportación" (llamado TeleGate). No mueve los interruptores; en su lugar, crea una "línea telefónica" especial (entrelazamiento) entre las habitaciones para que los interruptores puedan coordinar sus movimientos sin moverse físicamente.

Lo que este artículo construyó realmente

Los autores no solo escribieron una teoría; construyeron un paquete de software completo y de código abierto que realiza el trabajo pesado. Esto es lo que hace, paso a paso:

El Traductor: Toma un problema de ingeniería desordenado (como la planificación de plantas de energía) y lo traduce al lenguaje de los "interruptores de luz" (QUBO) que las computadoras cuánticas entienden.
El Arquitecto: Decide cómo dividir el rompecabezas. ¿Deberían el Interruptor 1 y el Interruptor 2 ir en la Habitación 1? ¿Debería el Interruptor 3 ir a la Habitación 2? Intenta diferentes diseños para minimizar el número de "llamadas telefónicas" (interacciones entre habitaciones) necesarias, porque esas llamadas son lentas y costosas.
El Constructor: Construye el circuito cuántico (la receta para la computadora cuántica). Sabe exactamente qué interruptores mover localmente y cuáles necesitan el truco de "teletransportación".
El Entrenador: Ejecuta la simulación, comete errores, aprende e intenta de nuevo. Utiliza un método de entrenamiento inteligente (SPSA) para encontrar las mejores configuraciones para los interruptores más rápido.
El Panel de Control: Construyeron una interfaz visual (como un sitio web) para que no necesites ser un experto en programación. Puedes cargar tu rompecabezas, hacer clic en un botón y ver los resultados, la mejor solución y cuánto tiempo tomó.

Los "Trucos de Velocidad" (Optimización en Tiempo de Ejecución)

Los autores se dieron cuenta de que su simulador funcionaba demasiado lento porque estaba haciendo demasiado trabajo repetitivo. Imagina a un chef que reconstruye toda la cocina cada vez que necesita picar una cebolla.

Agregaron varios "trucos de velocidad":

Reutilizar la Cocina: En lugar de reconstruir el circuito cada vez, lo construyen una vez y solo cambian el "sazón" (parámetros).
Procesamiento por Lotes (Batching): En lugar de probar una configuración a la vez, prueban un grupo entero de configuraciones a la vez.
Cocina en Paralelo: Ejecutan múltiples experimentos simultáneamente en diferentes partes de la computadora.

Estos trucos hicieron que el simulador funcionara mucho más rápido, especialmente para la versión de "múltiples habitaciones" (distribuida).

Los Resultados: ¿Funciona?

El equipo probó su herramienta en dos tipos de problemas:

Rompecabezas Matemáticos Estándar: Tomaron rompecabezas conocidos y los resolvieron.
- Resultado: El método de "Una Habitación" y el método de "Múltiples Habitaciones" encontraron la misma mejor solución exacta que los métodos tradicionales de computación.
- Velocidad: El método de "Múltiples Habitaciones" tardó más en ejecutarse. Esto es de esperarse, ya que coordinar entre habitaciones toma tiempo adicional (las "llamadas telefónicas"). Sin embargo, el software lo hizo lo suficientemente rápido como para ser útil para la investigación.
Ingeniería del Mundo Real (Redes Eléctricas): Utilizaron la herramienta para resolver un problema de Compromiso de Unidad (Unit Commitment). Esto es como decidir qué plantas de energía encender o apagar para ahorrar dinero y mantener las luces encendidas.
- Resultado: La herramienta se integró con éxito en un flujo de trabajo de ingeniería más amplio. Ya sea que usaran el método de fuerza bruta, el método cuántico de una sola habitación o el método cuántico de múltiples habitaciones, todos llegaron al mismo plan óptimo con el mismo costo.

La Conclusión

Este artículo presenta un kit de herramientas universal para ingenieros que desean utilizar computadoras cuánticas para resolver grandes problemas de optimización.

Cierra la brecha: Permite probar la "Computación Cuántica Distribuida" (usar muchas computadoras cuánticas pequeñas juntas) hoy mismo, incluso si no tienes una computadora cuántica gigante todavía.
Es fácil de usar: No necesitas escribir código; puedes usar un panel visual.
Está probado: Funciona consistentemente con los métodos clásicos y maneja tareas de ingeniería del mundo real como la gestión de redes eléctricas.

En resumen, construyeron el sistema operativo y el manual de instrucciones para ejecutar complejos problemas de optimización cuántica a través de múltiples procesadores cuánticos, haciendo que esta tecnología avanzada sea accesible para los ingenieros ahora mismo.

Resumen Técnico: Un simulador de Algoritmo de Optimización Aproximada Cuántica Distribuida para la Optimización del Diseño de Ingeniería

Planteamiento del Problema
Los problemas de optimización binaria, particularmente aquellos formulados como instancias de Optimización Binaria Cuadrática No Restringida (QUBO, por sus siglas en inglés), son ubicuos en el diseño de ingeniería, incluyendo las operaciones de redes eléctricas, la asignación de recursos y la planificación de redes. Aunque los solvers clásicos (por ejemplo, rama y cota, metaheurísticas) se utilizan ampliamente, enfrentan desafíos de escalabilidad a medida que aumenta el número de variables y las restricciones de acoplamiento. La computación cuántica ofrece un marco alternativo, específicamente a través del Algoritmo de Optimización Aproximada Cuántica (QAOA), que utiliza la superposición y el entrelazamiento para explorar grandes espacios de búsqueda binaria. Sin embargo, las implementaciones prácticas de QAOA están actualmente limitadas por las restricciones de hardware de las Unidades de Procesamiento Cuántico (QPU) individuales, que no pueden acomodar el recuento de qubits o las profundidades de interacción requeridas para problemas a gran escala. Además, la literatura existente a menudo se centra en configuraciones de problemas o supuestos de hardware específicos, careciendo de un marco de software general y reutilizable que pueda resolver consistentemente instancias QUBO a través de modos de ejecución tanto monolíticos (QPU única) como distribuidos (multi-QPU).

Metodología
Los autores presentan un paquete simulador de código abierto, compatible con Qiskit, para un marco de QAOA Distribuido (DQAOA). El sistema está diseñado para manejar problemas QUBO generales a través de un flujo de trabajo unificado que soporta modos de referencia clásica, QAOA monolítico y QAOA distribuido.

Formulación y Mapeo del Problema: El marco acepta entradas QUBO (matriz cuadrática, vector lineal, término constante) y las convierte en una representación canónica. Esto se mapea a un Hamiltoniano de costo ( $H_C$ ) donde los valores de la función objetivo corresponden a los autovalores del Hamiltoniano.
Asignación de Variables e Identificación de Acoplamientos: Un componente crítico del marco DQAOA es la asignación de variables binarias a un número especificado por el usuario de QPUs con capacidades configurables. El paquete soporta tres estrategias de asignación:
- Contigua: Asignación secuencial basada en la capacidad.
- Conciencia de Grafo (Graph-aware): Un enfoque codicioso que coloca variables fuertemente acopladas en la misma QPU para minimizar la comunicación entre QPUs.
- Manual: Asignación definida por el usuario.
  Una vez asignadas, las interacciones cuadráticas se clasifican como locales (variables en la misma Q dedicada) o entre-QPU (variables en diferentes QPUs).
Construcción de Circuitos:
- Modo Monolítico: Todas las operaciones de costo y de mezclador se implementan dentro de un único circuito de QPU.
- Modo Distribuido: Los acoplamientos locales se implementan mediante interacciones ZZ estándar. Los acoplamientos entre-QPU se realizan utilizando el protocolo TeleGate. Este enfoque emplea pares de comunicación entrelazados, mediciones de mitad de circuito y correcciones de retroalimentación clásica para simular puertas de dos qubits remotos sin mover físicamente los qubits de datos.
Optimización y Entrenamiento: El marco emplea un bucle variacional donde un optimizador clásico (Adam con estimación de gradiente SPSA) actualiza los parámetros del circuito ( $\gamma, \beta$ ) para minimizar el costo esperado. Para mejorar la robustez, el sistema utiliza progresión de profundidad (comenzando desde $p=1$ e incrementando) y búsqueda de múltiples inicios (combinando arranques en caliente de profundidades anteriores con inicializaciones aleatorias).
Estrategias de Optimización en Tiempo de Ejecución: Para abordar la alta sobrecarga computacional de los bucles variacionales, el paquete implementa varias medidas de eficiencia:
* Reutilización de Circuitos Parametrizados: Los circuitos se construyen y transpilan una sola vez por configuración de problema; las evaluaciones subsecuentes solo vinculan nuevos valores de parámetros.
* Gradientes SPSA: Reemplaza los gradientes de diferencia finita por coordenadas con perturbación simultánea, requiriendo solo dos evaluaciones de objetivo por iteración.
* Evaluaciones por Lotes (Batched): Múltiples vectores de parámetros se evalúan en una sola solicitud de ejecución.
* Ejecución Paralela: Las ejecuciones de optimización de múltiples inicios independientes se ejecutan concurrentemente.
Interfaz de Usuario: Una interfaz gráfica de usuario (GUI) basada en Streamlit permite a los usuarios configurar entradas, ajustes del solver y visualizar resultados sin editar scripts de Python.

Contribuciones Clave

Simulador Generalizado: El artículo introduce el primer simulador de código abierto, compatible con Qiskit, capaz de resolver instancias QUBO generales a través de modos QAOA monolíticos y distribuidos dentro de un único flujo de trabajo consistente.
Marco de Ejecución Distribuida: Proporciona una implementación completa de asignación de variables, identificación de acoplamiento local/entre-QPU y realización de puertas remotas basadas en TeleGate para la ejecución multi-QPU.
Optimización en Tiempo de Ejecución: Los autores demuestran que se pueden lograr reducciones significativas en el tiempo de ejecución mediante optimizaciones a nivel de software (reutilización de circuitos, SPSA, lotes) sin alterar el problema matemático subyacente o el algoritmo.
Integración de Ingeniería: El paquete se demuestra como un solver modular dentro de un flujo de trabajo de ingeniería más amplio, específicamente integrado en un marco de tres bloques del Método de Dirección Alternante de Multiplicadores (ADMM) para el Compromiso de la Unidad de Generación (UC) de Energía.

Resultados
El marco fue evaluado en instancias QUBO con 6, 12, 15 y 20 variables, así como en un problema de Compromiso de Unidad (UC) de 15 variables.

Precisión de la Solución: En todos los casos probados (incluyendo la aplicación de UC), el modo QAOA monolítico, el QAOA distribuido y los modos de referencia clásica/fuerza bruta recuperaron la misma cadena de bits óptima y el mismo costo operativo. Esto confirma que la implementación distribuida preserva la consistencia de la solución con la línea base monolítica.
Rendimiento de Tiempo de Ejecución:
- Impacto de la Optimización: El análisis de tiempo de ejecución por etapas mostró reducciones sustancialas. Para una instancia de 12 variables, el tiempo de ejecución de QAOA distribuido cayó de ~18,929 segundos (línea base) a ~1,224 segundos (totalmente optimizado) mediante la implementación de la reutilización de circuitos, SPSA y procesamiento por lotes.
- Sobrecarga Distribuida: A pesar de las optimizaciones, el DQAOA permaneció significativamente más lento que el QAOA monolítico (por ejemplo, 62s vs 4s para 6 variables; 1224s vs 11s para 12 variables). Los autores atribuyen esto a la complejidad estructural de las operaciones TeleGate (qubits adicionales, mediciones, reinicios y retroalimentación) requeridas para las interacciones entre-QPU.
- Escalabilidad: A medida que el tamaño del problema aumentaba, la brecha de tiempo de ejecución entre el método clásico de fuerza bruta y los métodos cuánticos se ampliaba, y la sobrecarga de la ejecución multi-QPU se volvía más dominante.

Significancia y Reclamaciones
El artículo afirma que la principal significancia de este trabajo radica en proporcionar una base de software reutilizable, accesible y reproducible para estudiar la optimización cuántica distribuida. Aborda la brecha en la literatura existente al ofrecer una herramienta que permite a los investigadores:

Comparar el rendimiento de QAOA monolítico y distribuido en instancias de problemas idénticas sin reconstruir los flujos de trabajo.
Analizar el impacto específico de las estrategias de asignación de variables y el recuento de acoplamientos entre-QPU en el tiempo de ejecución y la calidad de la solución.
Embeber solvers cuánticos en marcos de optimización de ingeniería clásica más grandes (demostrado mediante la aplicación ADMM-UC).

Los autores enmarcan modestamente la herramienta como un "instrumento de investigación habilitador" en lugar de una reclamación de ventaja cuántica. Reconocen que, si bien el DQAOA introduce la sobrecarga necesaria para la ejecución distribuida, el simulador hace posible la evaluación sistemática de estos compromisos y el refinamiento de las estrategias de implementación para el hardware cuántico de la era actual (near-term). El software está disponible públicamente a través del repositorio de GitHub de RAISE LAB.