GroverFigureOfMerit: An Agnostic Figure of Merit for Quantum Backend Characterization in the NISQ Era

Resumen Técnico: GroverFigureOfMerit para la Caracterización de Backends Cuánticos

Declaración del Problema

La era de la Computación Cuántica de Escala Intermedia con Ruido (NISQ) presenta un desafío significativo para los desarrolladores que intentan seleccionar el hardware cuántico adecuado. Los proveedores actuales de hardware cuántico exponen sus capacidades a través de interfaces heterogéneas y métricas propietarias (por ejemplo, tiempos de coherencia $T_1/T_2$, tasas de error de puerta) que varían ampliamente entre arquitecturas (superconductores, iones atrapados, fotónicos, etc.). Estas métricas estáticas sufren tres limitaciones primarias:

1. Poder Predictivo Limitado: No logran contabilizar el impacto del proceso de transpilación, donde los circuitos de alto nivel se descomponen en puertas nativas, lo que a menudo resulta en profundidades físicas sustancialmente mayores que la profundidad lógica original.
2. Falta de Relevancia Contextual: Las métricas estáticas no encapsulan el comportamiento específico de los algoritmos, ignorando cómo las interacciones de las puertas, los tiempos de inactividad (idle times) y la topología afectan los resultados finales.
3. Variabilidad Temporal: Las propiedades del hardware fluctúan debido a factores ambientales, lo que causa que las instantáneas estáticas pieran validez rápidamente.

En consecuencia, existe la necesidad de un Figura de Mérito (FoM) agnóstico al backend que evalúe el rendimiento holístico de los backends cuánticos capturando los efectos combinados de ruido, transpilación y restricciones topológicas.

Metodología

Los autores proponen el GroverFigureOfMerit, una prueba de estrés algorítmica basada en el algoritmo de búsqueda de Grover. La metodología se implementa utilizando el framework Qonscious, una plataforma de código abierto diseñada para la ejecución condicional consciente de los recursos.

1. Plataforma de Implementación (Qonscious):
El framework utiliza Adaptadores Polimórficos (BackendAdapters) para abstraer las diferencias entre los SDK y las API de los proveedores (por ejemplo, IBM, IonQ). Esto permite que el mismo circuito lógico sea transpilado y ejecutado en cualquier backend compatible sin modificar el código del FoM. El flujo de ejecución es condicional, permitiendo que el resultado del FoM alimente una función de decisión para la optimización en tiempo de ejecución.

2. Diseño de la Métrica:
El GroverFigureOfMerit adapta la función de puntuación del enfoque GRADE (Manor et al., 2025) a la arquitectura Qonscious. La métrica evalúa el rendimiento del algoritmo de Grover, el cual amplifica cuadráticamente la probabilidad de los estados objetivo. La puntuación se calcula después de $S=2000$ disparos (shots) e incorpora:

• Frecuencia Relativa Acumulativa en los Objetivos ($P_T$): La suma de las probabilidades de los estados marcados.
• Probabilidad en los No-Objetivos ($P_N$): La masa de probabilidad que se filtra hacia estados no marcados.
• Desviación Estándar entre los Objetivos ($\sigma_T$): Una medida de uniformidad para penalizar errores coherentes donde un objetivo es amplificado significativamente más que otros.

La puntuación final se define como:
$$\text{Score} = \max(0, P_T - \lambda \cdot \sigma_T - \mu \cdot P_N)$$
Donde $\lambda$ y $\mu$ son factores de equilibrio (típicamente establecidos en 1) que penalizan la falta de uniformidad y la fuga de probabilidad, respectivamente. Si la penalización por fuga excede la probabilidad del objetivo, la puntuación es cero.

3. Configuración Experimental:
Para validar la métrica sin depender de la disponibilidad en tiempo real de QPUs en la nube, los autores utilizaron modelos de ruido derivados de procesadores reales:

• Proveedores Falsos de IBM (IBM Fake Providers): Modelos que preservan la topología y los perfiles de error de procesadores específicos de IBM.
• Modelo IonQ Aria 1: Un modelo de ruido para la arquitectura IonQ Aria 1.
• Simuladores Ideales: AerSimulator e IonQ Simulator para la comparación de base.

Los experimentos variaron el tamaño del espacio de búsqueda ($N$) y el número de estados objetivo ($M$) para probar la sensibilidad a la profundidad del circuito y la acumulación de ruido.

Resultados Clave

Los experimentos demostraron que el GroverFigureOfMerit es sensible al ruido, la topología y la sobrecarga de transpilación:

• Escala Pequeña ($N=8, n=3$): Los simuladores ideales lograron una puntuación perfecta de 1.0 en el recuento de iteraciones óptimo ($M=2$). Los modelos con ruido (IBM Fake Providers) mostraron puntuaciones degradadas (oscilando entre 0.495 y 0.792). En el límite algorítmico ($M=4$), todas las puntuaciones del hardware con ruido colapsaron hacia 0.5, reflejando el azar clásico.
• Escala Media ($N=32, n=5$): Se observó una degradación más severa. Mientras que los simuladores ideales mantuvieron una alta fidelidad, los modelos de IBM colapsaron completamente debido a la decoherencia, reduciendo las puntuaciones a probabilidades de azar clásico ($\approx 0.25$). En contraste, el modelo IonQ Aria 1 demostró una resistencia superior, manteniendo puntuaciones significativamente por encima del límite aleatorio.
• Escalabilidad ($N=8$ a $N=128$): A medida que el espacio de búsqueda escalaba, los procesadores de IBM exhibieron una caída brusca en las puntuaciones (por ejemplo, colapsando a $\approx 0.040$ en $N=32$). Esta degradación se atribuyó no solo a los errores de puerta estáticos, sino específicamente al costo topológico de la descomposición de puertas de control múltiple (mcx) para conectar qubits distantes, lo que aumentó drásticamente la profundidad del circuito.

Significancia y Reivindicaciones

El artículo afirma que el GroverFigureOfMerit proporciona una puntuación unificada y comparable entre arquitecturas de hardware físicamente distintas. Su principal significancia radica en:

1. Caracterización Agnóstica: Permite la comparación directa de backends heterogéneos mediante la abstracción de llamadas a API propietarias y conjuntos de puertas nativas.
2. Evaluación Holística: A diferencia de las métricas estáticas, captura el rendimiento de extremo a extremo, incluyendo los efectos acumulativos de la transpilación, el ruido y las restricciones topológicas.
3. Optimización de Recursos: Al integrarse con Qonscious, la métrica puede disparar o cancelar la ejecución condicionalmente, lo que potencialmente reduce los costos en entornos de computación cuántica en la nube.

Los autores declaran explícitamente que la elección del algoritmo de Grover es estrictamente por su utilidad como "prueba de estrés" para evaluar las capacidades de enrutamiento y coherencia, más que para demostrar la ventaja algorítmica en el hardware ruidoso actual. El documento identifica la validación en procesadores físicos reales como el siguiente paso necesario para capturar fenómenos dinámicos como el crosstalk y las fluctuaciones térmicas que los modelos de ruido pueden no representar plenamente. Además, los autores destacan el cuello de botella actual del ecosistema: el alto costo de la transpilación al delegar la compleja descomposición de puertas a los compiladores específicos de cada proveedor, sugiriendo la necesidad de abstracciones o representaciones intermedias más inteligentes para mitigar la sobrecarga topológica.