Lie Group Diffusion Models for Hardware-Aware Quantum Circuit Synthesis

Resumen Técnico: Modelos de Difusión de Grupos de Lie para la Síntesis de Circuitos Cuánticos Conscientes del Hardware

Declaración del Problema
La síntesis de circuitos cuánticos tiene como objetivo compilar una operación unitaria objetivo $U^\star$ en una secuencia de puertas ejecutables en un procesador cuántico específico. Este problema posee una estructura híbrida natural: el patrón de circuito de entrelazamiento es discreto y está dictado por las restricciones de conectividad del hardware, mientras que las puertas locales de un solo qubit son variables continuas que residen en el grupo compacto de Lie $SU(2)$. Los enfoques de aprendizaje automático existentes, incluyendo los modelos de difusión, típicamente representan los circuitos en un espacio euclidiano, ignorando la geometría curva intrínseca de la variedad $SU(2)$ y fallando al no incorporar de forma nativa las restricciones del hardware, tales como la conectividad de los qubits y las tasas de error de las puertas.

Metodología
Los autores proponen un marco generativo de dos componentes que integra las restricciones del hardware y la estructura geométrica de las puertas cuánticas directamente en el proceso de síntesis:

1. Selector de Esqueleto de Circuito: Un clasificador supervisado (un pequeño Perceptrón Multicapa) que selecciona un plantilla de circuito discreta (esqueleto) de una biblioteca de patrones de entrelazamiento CZ de vecinos cercanos. Las etiquetas de entrenamiento para este selector se derivan de una función de costo consciente del hardware que equilibra la fidelidad del proceso frente a un costo de despolarización basado en tasas de error de puerta específicas (por ejemplo, $p_{CZ}$ y $p_{1Q}$).
2. Modelo de Difusión de Grupo de Lie: Un modelo de difusión probabilística de eliminación de ruido (DDPM) condicionado por el esqueleto que genera las puertas locales de un solo qubit. A diferencia de la difusión euclidiana estándar, este modelo opera directamente sobre la variedad de producto $SU(2)^n \simeq S^{3n}$.
   • Representación: Las puertas se representan como cuaterniones unitarios.
   • Proceso de Avance (Forward Process): El ruido se añade mediante perturbaciones de la álgebra de Lie multiplicativas por la derecha (muestreando vectores tangentes gaussianos en $\mathfrak{su}(2) \simeq \mathbb{R}^3$ y mapeándolos de nuevo al grupo mediante el mapa exponencial).
   • Proceso Inverso (Reverse Process): El modelo predice el ruido utilizando un codificador Transformer condicionado por el Hamiltoniano objetivo, el tiempo de evolución y el esqueleto seleccionado. El objetivo de la eliminación de ruido se deriva del núcleo de calor (heat kernel) en $SU(2)$, asegurando que el score aprendido respete la geometría no lineal de la variedad.
   • Refinamiento: El modelo de difusión actúa como un generador de propuestas. Los circuitos de salida pasan por un paso final de optimización local (descenso de gradiente sobre los parámetros de las puertas) para maximizar la fidelidad.

Contribuciones Clave

• Difusión Consciente de la Variedad: Este trabajo introduce un proceso de difusión que respeta la geometría de $SU(2)$ al utilizar el núcleo de calor y los espacios tangentes del álgebra de Lie, en lugar de tratar los parámetros de las puertas como vectores euclidianos.
• Síntesis Consciente del Hardware: El marco incorpora explícitamente las restricciones del hardware (conectividad y tasas de error) en el objetivo de entrenamiento, permitiendo al modelo aprender un compromiso entre la fidelidad del circuito y el costo de implementación.
• Arquitectura Híbrida Discreta-Continua: Al desacoplar la selección del esqueleto discreto de la generación de puertas continuas, el modelo aborda la naturaleza de estructura mixta del problema de síntesis.
• Estilos de Solución Controlables: Los autores demuestran que la prioridad de difusión puede dirigirse para producir circuitos con propiedades físicas específicas (por ejemplo, ángulos de rotación de puerta grandes vs. pequeños) sesgando los datos de entrenamiento, sin alterar la unitaria objetivo.

Resultados
El modelo fue evaluado en objetivos de simulación de Hamiltoniano de tres qubits, incluyendo el Modelo de Ising de Campo Transverso (TFIM), el Modelo Heisenberg-XXZ y varios objetivos basados en Pauli.

• Éxito de Compilación: El pipeline completo (Selector + Difusión de Grupo de Lie + Refinamiento Local) logró una tasa de éxito del 75.8% (fidelidad $F \ge 0.99$) a través de diversas familias de Hamiltonianos. Esto superó tanto a un baseline de búsqueda Haar-random (65.3%) como a un baseline de "búsqueda generada" utilizando un prior near-Clifford aprendido (68.3%).
• Estudios de Ablación:
  • Necesidad de Refinamiento: La difusión sin refinamiento local produjo una tasa de éxito muy baja (8.6%), mientras que el refinamiento partiendo de puertas Haar-random también tuvo un desempeño inferior. La combinación de difusión y refinamiento local demostró ser complementaria: la difusión proporciona una propuesta global consciente de la geometría, mientras que el refinamiento realiza una optimización de alta fidelidad local.
  • Desempeño del Selector: El selector de esqueleto aprendido logró una precisión del 75.6% en la coincidencia con el esqueleto "oráculo" (la mejor elección posible dado el costo del hardware). El selector evitó con éxito el entrelazamiento innecesario para objetivos locales y seleccionó plantillas de entrelazamiento más profundas solo cuando era necesario.
• Frontera de Fidelidad-Complejidad: El análisis del paisaje de fidelidad-costo mostró que el selector aprende a concentrar la probabilidad en la "primera clase de complejidad exitosa" (por ejemplo, seleccionando un esqueleto de 4-CZ sobre uno de 5-CZ si ambos cumplen con el umbral de fidelidad, pero el primero tiene un menor costo de hardware).
• Direccionamiento (Steering): El modelo generó con éxito circuitos para el mismo objetivo con ángulos de rotación total significativamente diferentes, demostrando control sobre el estilo de la solución.

Significancia y Reivindicaciones
El artículo afirma que la difusión de grupos de Lie proporciona un "marco generativo natural" para la síntesis de circuitos cuánticos conscientes del hardware. La significancia radica en tratar la síntesis de circuitos como un problema de diseño físico restringido donde el prior generativo respeta la geometría subyacente de las puertas cuánticas. Los autores postulan que este enfoque va más allá de la generación de circuitos aleatorios para crear priors de propuesta estructurados que equilibran la fidelidad con la sobrecarga del hardware. Señalan que, aunque el trabajo actual se centra en sistemas de tres qubits como un banco de pruebas no trivial, la arquitectura modular (selector separado y componentes de difusión) está diseñada para ser extensible a un mayor número de qubits y arquitecturas de conectividad más complejas (por ejemplo, rejillas 2D o arquitecturas heavy-hex) en trabajos futuros. El método ofrece un enfoque de aprendizaje automático interpretable donde la selección discreta es impulsada por los costos del hardware y la generación continua está fundamentada en la teoría de los grupos de Lie.