An End-to-End Hybrid Quantum--Classical Sampling Workflow for Discrete Markov Random Fields: A Reproducible Case Study

Resumen Técnico: Un Flujo de Trabajo de Muestreo Híbrido Cuántico-Clásico de Extremo a Extremo para Campos Markovianos Discretos

Declaración del Problema
El muestreo de Campos Markovianos Discretos (MRF) es un desafío fundamental en la inferencia probabilística, la visión computacional y la física estadística. La dificultad central radica en extraer muestras de la distribución conjunta $P_\theta(x)$, lo que requiere la normalización por una función de partición $Z(\theta)$ que suma sobre $2^n$ configuraciones. Si bien los métodos clásicos de Monte Carlo por Cadenas de Markov (MCMC) son el estándar, a menudo sufren de una mezcla lenta y una alta autocorrelación en grafos con ciclos (loopy graphs). Por el contrario, la inferencia variacional y la propagación de creencias enfrentan límites de precisión o convergencia. Este artículo investiga si el muestreo mediante codificación de amplitud ofrece una ventaja práctica sobre los métodos clásicos, específicamente en un régimen donde la distribución completa puede precomputarse clásicamente en $O(2^n)$, lo que impide una aceleración cuántica exponencial pero permite una comparación rigurosa de la eficiencia de muestreo e independencia.

Metodología
El estudio emplea un enfoque de doble arquitectura para abordar diferentes escalas de problemas ($n$):

1. Codificación de Amplitud ($n$ pequeño): Para $n \in \{8, 10, 12\}$, los autores construyen un flujo de trabajo donde la diagonal del Hamiltoniano $H_\theta$ se computa clásicamente en tiempo $O(2^n)$. Las probabilidades objetivo se normalizan y las amplitudes $\alpha_x = \sqrt{P_\theta(x)}$ se preparan utilizando la primitiva StatePreparation de Qiskit. Esto crea un estado cuántico $|\psi\rangle = \sum_x \sqrt{P_\theta(x)}|x\rangle$. Las mediciones en la base computacional producen muestras independientes e idénticamente distribuidas (i.i.d.). Este enfoque sacrifica el potencial de aceleración exponencial del Modelado Generativo de Circuitos Cuánticos (QCGM) completo en favor de una verificación limpia y auditable del proceso de muestreo.
2. Circuitos Cuánticos Variacionales (VQC) ($n$ mayor): Para valores de $n$ más grandes, donde la enumeración completa es inviable, los autores entrenan ansätze eficientes de hardware. Estos circuitos consisten en $d$ capas de rotaciones $R_Y$ de un solo qubit intercaladas con puertas CNOT de entrelazamiento. Se probaron tres estrategias de entrelazamiento: lineal (qubits adyacentes), consciente de clics (coincidente con la topología del grafo MRF) y total (todos contra todos). Los circuitos se entrenan para minimizar la divergencia de Kullback–Leibler (KL) entre la distribución inducida y la $P_\theta$ objetivo.
3. Líneas Base Clásicas: Los métodos cuánticos se comparan con cuatro muestreadores clásicos:
   • Gibbs de sitio único (escaneo aleatorio).
   • Gibbs de bloque (actualizando clics máximos).
   • Gibbs de bloque ajustado (miembro de bloque adaptado).
   • Temple de Temperatura Paralelo (PT) con 8 réplicas.
   • Inversa-CDF Exacta: Una línea base clásica que utiliza la distribución precomputada para extraer muestras i.i.d., sirviendo como una comparación "manzana con manzana" para el codificador de amplitud una vez que los costos de preprocesamiento se amortizan.

Contribuciones Clave
El artículo no reclama una aceleración cuántica. En su lugar, sus contribuciones se caracterizan como un estudio de benchmarking riguroso y de resultados negativos:

1. Caracterización de la Brecha de ESS: Una cuantificación de la brecha del Tamaño de Muestra Efectivo (ESS) entre el muestreo i.i.d. por codificación de amplitud y cuatro líneas base de MCMC clásicas a través de 60 instancias (cinco familias de grafos).
2. Amortización de Tiempo de Reloj (Wall-Clock): Una comparación justa de tiempo de reloj que incluye explícitamente el costo de preprocesamiento clásico $O(2^n)$ requerido por el codificador de amplitud cuántico, comparándolo con el muestreo de la Inversa-CDF exacta.
3. Techo de Escalamiento Clásico: Un estudio de escalamiento de múltiples ensayos de Estados de Producto de Matrices (MPS) hasta $n=40$, estableciendo un techo concreto de fidelidad clásica para futuros enfoques variacionales.
4. Reproducibilidad: La liberación de código de fuente abierta y artefactos ejecutables que regeneran todas las tablas y figuras a partir de archivos JSON de datos comprometidos.

Resultados

• Ratios de ESS: A través de 60 instancias, la relación entre el ESS Cuántico y el ESS Clásico mostró una jerarquía clara. El muestreador cuántico superó al Gibbs de Sitio Único por un factor medio de 16.35, al Gibbs de Bloque por 7.29, al Gibbs de Bloque Ajustado por 1.82 y al Temple de Temperatura Paralelo por 1.79. Esto indica que, si bien el muestreo cuántico retiene una ventaja estructural (salida i.i.d., $\tau \approx 1$), los muestreadores clásicos modernos (específicamente el Temple de Temperatura Paralelo) cierran sustancialmente esta brecha.
• Rendimiento de Tiempo de Reloj: Cuando se amortiza el costo de preprocesamiento $O(2^n)$, el muestreador Inversa-CDF Exacta logra una tasa media de 17,683,598 ESS/s, comparado con 487,706 ESS/s para el muestreador cuántico. Esto representa una ventaja de 36× en tasas medias y una ventaja de 153× en ratios medios por instancia, confirmando que no hay ventaja de tiempo de reloj para el flujo de trabajo cuántico en este régimen.
• VQC vs. MPS (Resultado Negativo): Los VQC de hardware eficientes y poco profundos (profundidad 3) tuvieron un rendimiento significativamente inferior al MPS con presupuesto igualado en todos los tamaños probados ($n=8, 10, 12$). Las fidelidades para los VQC fueron de 0.306, 0.210 y 0.165, frente a 0.990, 0.958 y 0.878 para MPS.
• VQC vs. Campo Medio (Mean-Field): En $n=8$ y $n=10$, la aproximación de Campo Medio logró una fidelidad de distribución global mayor que el VQC, aunque el VQC superó a los métodos clásicos en errores de marginales de un solo elemento (singleton).
• Escalamiento de MPS: En $n=40$, un MPS con dimensión de enlace $\chi=32$ logró una fidelidad de 0.721 ± 0.059, estableciendo un punto de referencia para futuros enfoques cuánticos.
• Estrategias de Entrelazamiento: El entrelazamiento consciente de clics no proporcionó ninguna ventaja medible de fidelidad sobre el entrelazamiento lineal en las escalas probadas.

Significancia y Reivindicaciones
El artículo establece explícitamente que no reclama una ventaja cuántica. Su significancia reside en:

1. Clarificar la Narrativa de la "Ventaja Cuántica": Demuestra que la aparente ventaja del muestreo cuántico en MRF es altamente sensible a la elección de la línea base clásica. Mientras que el muestreo cuántico ofrece independencia estructural, el MCMC clásico optimizado (como el Temple de Temperatura Paralelo) casi elimina la brecha de ESS, y el muestreo exacto clásico (Inversa-CDF) domina en tiempo de reloj cuando se contabiliza el preprocesamiento.
2. Definir el Régimen de Validez: El codificador de amplitud es una herramienta defendible solo cuando se requieren estrictamente muestras cuánticas i.i.d. o la preparación de estados coherentes posteriores (por ejemplo, para la estimación de amplitud), o cuando la distribución completa no puede enumerarse pero no hay una línea base clásica disponible.
3. Resultados Negativos para VQCs Poco Profundos: El estudio proporciona evidencia de que los ansätze de hardware eficientes y poco profundos son insuficientes para capturar la estructura global de las distribuciones de MRF con picos en comparación con los métodos de redes de tensores como MPS.
4. Benchmarking: Establece un marco reproducible y techos numéricos específicos (por ejemplo, MPS en $n=40$) que los futuros algoritmos cuánticos deben superar para demostrar utilidad.

Los autores concluyen que los caminos más plausibles para una futura ventaja cuántica residen en el modelado completo de la simulación de Hamiltoniano QCGM, ansätze variacionales más profundos o conscientes del problema, o benchmarks de hardware ruidoso a escala, todos los cuales se identifican como trabajo futuro.