When Close Enough Is Not Enough: Autoregressive Drift in Quantum Circuit Synthesis

Planteamiento del Problema

El artículo aborda el desafío de optimizar circuitos cuánticos para la computación tolerante a fallos, centrándose específicamente en la minimización del conteo de T (el número total de puertas no Cliffordianas T y T†). En las arquitecturas tolerantes a fallos, las puertas T requieren una costosa destilación de estados mágicos, lo que convierte su minimización en un paso de compilación crítico.

Los autores investigan si una red neuronal aprendida puede realizar esta tarea de optimización, reemplazando o aumentando las librerías de reglas diseñadas a mano (como las basadas en el cálculo ZX o la partición de matroides). Formulan el problema como una tarea de traducción de secuencia a secuencia: dado un circuito de entrada, el modelo debe generar un circuito de salida equivalente con un menor conteo de T. El estudio contrasta dos entornos distintos:

1. Circuitos Parametrizados: Circuitos que contienen ángulos de rotación continuos.
2. Circuitos Clifford+T: Circuitos compuestos enteramente por puertas discretas (H, S, T, CNOT, etc.) sin parámetros continuos, que requieren equivalencia funcional exacta.

Metodología

Los autores emplean un transformador codificador-decodificador compacto (44.8 millones de parámetros) entrenado en 200,000 pares de circuitos.

• Tokenización Estructurada: A diferencia de los enfoques basados en texto que analizan cadenas QASM sin procesar, el modelo utiliza un esquema de tokenización estructurada donde cada token porta información semántica del circuito (tipo de puerta, índice de qubit). El vocabulario es pequeño (~102 tokens), con solo 25 tokens activos para circuitos Clifford+T.
• Arquitectura: El modelo utiliza normalización de capa previa y enmascaramiento causal. Para los circuitos parametrizados, una cabeza de regresión separada predice pares de $(\sin \theta, \cos \theta)$ para los ángulos de rotación. Para Clifford+T, esta cabeza se desactiva, ya que todas las puertas son discretas.
• Datos de Entrenamiento:
  • Parametrizados: Generados mediante la optimización O3 de Qiskit.
  • Clifford+T: Generados creando circuitos aleatorios, inyectando redundancia (por ejemplo, $HH=I$) y optimizándolos usando PyZX (un optimizador basado en el cálculo ZX) para crear los objetivos de verdad fundamental (ground-truth).
• Estrategias de Decodificación: El estudio evalúa cinco estrategias, todas las cuales utilizan una política de reclasificación basada primero en el verificador (verifier-first reranking). Los candidatos se generan (mediante búsqueda codiciosa (greedy), búsqueda de haz (beam search) o muestreo de temperatura), se verifican para asegurar la equivalencia unitaria ($F > 0.999$) y se selecciona el candidato válido con el menor conteo de T.

Hallazgos Clave y Resultados

1. La Dicotomía del Éxito y el Fracaso

El artículo identifica un fuerte contraste entre los dos entornos de circuitos:

• Circuitos Parametrizados: El modelo logra una mediana de fidelidad de 1.000 en circuitos de 3 a 6 qubits. El transformador aprende la estructura del circuito con una validez casi perfecta (100%). Aunque las predicciones de los ángulos son imprecisas, el post-procesamiento clásico (optimización de Nelder-Mead) logra refinar con éxito los ángulos, rescatando el resultado.
• Circuitos Clifford+T: El modelo aprende la sintaxis válida y estadísticas precisas de conteo de T (prediciendo la distribución correcta de conteos de puertas). Sin embargo, la equivalencia funcional exacta se degrada drásticamente a medida que aumenta la longitud del circuito objetivo.
  • En circuitos cortos ($\le$ 9 puertas), las tasas de coincidencia exacta son altas (88% con búsqueda de haz).
  • En circuitos más largos ($\ge$ 26 puertas), las tasas de coincidencia exacta caen a casi cero.

2. Deriva Autoregresiva (Autoregressive Drift)

El principal modo de fallo identificado es la deriva autoregresiva.

• Mecanismo: El modelo a menudo diverge del resultado correcto dentro de los primeros pocos tokens (la mediana del primer error es aproximadamente al 3% de la longitud de la secuencia). Debido a que la decodificación es de izquierda a derecha, un error temprano en un token discreto (por ejemplo, cambiar una puerta S por una T) corrompe el contexto para todos los tokens subsiguientes.
• Irrecuperabilidad: A diferencia de los circuitos parametrizados donde los ángulos pueden ser re-optimizados, una sola puerta discreta errónea en un circuito Clifford+T cambia irreversiblemente la unitaria. La distribución de la fidelidad es bimodal ($F \approx 1$ o $F \approx 0$), sin un punto medio de "suficientemente cerca".
• Predictor Dominante: El fallo es impulsado por la longitud del circuito objetivo, no por el número de qubits. El rendimiento colapsa a medida que los conteos de puertas pasan de unidades simples a decenas.

3. Evaluación de Intervenciones

Los autores probaron varias estrategias para mitigar la deriva:

• Cómputo en Tiempo de Inferencia: Escalar el número de candidatos ($N$) mejora los resultados. El muestreo de temperatura con $N=200$ eleva las tasas de coincidencia exacta del 7% (codicioso) al 22.5%. Sin embargo, esto sigue una curva de saturación con rendimientos decrecientes.
• Escalamiento de Datos: Aumentar el conjunto de datos de entrenamiento en 2.5× (de 200K a 500K pares) casi duplica la tasa de coincidencia exacta a 39.5%. Esta es la palanca más efectiva.
• Ajuste Fino y Diversificación: El ajuste fino dirigido en circuitos largos, el muestreo ponderado, la búsqueda híbrida y el ensamblaje de modelos produjeron solo ganancias marginales (por ejemplo, del 21.0% al 24.5%) y no alteraron el patrón fundamental de degradación.
• Persistencia de la Deriva: Incluso con 2.5× más datos, la degradación dependiente de la longitud persiste. La equivalencia exacta cae del 94% en circuitos cortos a menos del 4% en circuitos de 26+ puertas.

Significado y Reivindicaciones

La contribución central del artículo es el diagnóstico de la deriva autoregresiva como el cuello de botella fundamental para la compilación de circuitos cuánticos aprendidos cuando se requiere exactitud discreta.

• El Límite de "Suficientemente Cerca": Los autores demuestran que, si bien los transformadores pueden aprender patrones de optimización y validez estructural, no pueden recuperarse de manera confiable de los errores de los primeros tokens en dominios discretos. El post-procesamiento no puede rescatar errores discretos, a diferencia de la optimación de parámetros continuos.
• Implicaciones Prácticas: El modelo es más viable como una pasada de optimización de "ojo de cerradura" (peephole optimization) para subcircuitos cortos (por ejemplo, $\le$ 14 puertas) dentro de compiladores de producción, donde puede lograr altas tasas de coincidencia exacta. Para circuitos más largos, el enfoque autoregresivo actual es poco fiable.
• Leyes de Escalamiento: El estudio destaca que para tareas con verificadores eficientes (como la comparación de unitarias), escalar los datos de entrenamiento es más efectivo que escalar los parámetros del modelo o las estrategias complejas de búsqueda en tiempo de inferencia.
• Dirección Futura: Los autores sugieren que superar este cuello de botella probablemente requiere alejarse de la decodificación puramente autoregresiva hacia métodos no autoregresivos (por ejemplo, difusión discreta, refinamiento iterativo) o estrategias de descomposición de subcircuitos que operen dentro del régimen de alta precisión del modelo.

El artículo concluye que, aunque los modelos aprendidos muestran promesa para entender la estructura de los circuitos, el mecanismo de deriva autoregresiva limita actualmente su fiabilidad para la síntesis exacta de circuitos cuánticos discretos complejos.