⚛️ quantum physics

An Analytically Trained Variational Surrogate for Quantum Phase Estimation on NISQ Hardware

Este artículo introduce un marco de sustitución variacional entrenado analíticamente que permite a los dispositivos NISQ reproducir eficientemente las distribuciones de Estimación de Fase Cuántica y alcanzar la precisión química para las energías del estado fundamental molecular mediante el uso de un circuito poco profundo, entrenado clásicamente, que evita los cuellos de botella de simulación exponencial.

Autores originales: Mousumi Kundu, Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Alok Shukla, Jaiganesh G

Publicado 2026-07-24

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mousumi Kundu, Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Alok Shukla, Jaiganesh G

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

Imagina que estás intentando escuchar una nota única y perfecta tocada por un violín, pero la habitación está llena del rugido de un motor de un avión de combate. En el mundo de la computación cuántica, los científicos están tratando de hacer algo similar: quieren medir la "nota" exacta (o nivel de energía) de una molécula para entender cómo funciona. La herramienta que utilizan para esto es la Estimación de Fase Cuántica (QPE, por sus siglas en inglés). Piensa en la QPE como un micrófono de alta tecnología y súper preciso que puede escuchar esa nota perfecta. Sin embargo, para funcionar, este micrófono necesita ser increíblemente profundo y complejo, como una catedral de sonido masiva. Desafortunadamente, las computadoras cuánticas que tenemos hoy son como tiendas de campaña pequeñas y ruidosas. Son dispositivos de "Escala Intermedia con Ruido" (NISQ), lo que significa que son pequeños y propensos a la estática. Si intentas ejecutar la enorme catedral dentro de una tienda de campaña ruidosa, el sonido se distorsiona y la nota se pierde.

Durante mucho largo tiempo, los científicos intentaron solucionar esto construyendo un micrófono más pequeño y simple (un Circuito Cuántico Variacional) y entrenándolo para imitar al grande. Pero había un inconveniente: para entrenar este micrófono pequeño, tenían que simular la gran y ruidosa catedral en una computadora convencional primero. A medida que las moléculas se vuelven más grandes, simular esa catedral se vuelve imposible incluso para las supercomputadoras más rápidas, creando un cuello de botella que detiene el progreso. Este artículo aborda exactamente ese problema. Los investigadores se preguntaron: "¿Podemos enseñar al micrófono pequeño cómo debería sonar el grande sin siquiera intentar simular la gran catedral?". Encontraron un ingenioso atajo matemático que les permite saltarse la simulación imposible por completo, permitiéndoles entrenar un circuito diminuto y eficiente que realmente pueda ejecutarse en el hardware cuántico ruidoso de hoy y aun así escuchar la verdadera energía de la molécula.

El Problema: El Circuito "Demasiado Profundo"

Imagina que estás intentando hornear un pastel perfecto (la respuesta a un problema de química). La receta original (Estimación de Fase Cuántica) es increíble, pero requiere una cocina con 100 hornos apilados uno encima del otro. Nuestras computadoras cuánticas actuales son como una cocina que solo tiene dos hornos. Si intentas usar la receta de los 100 hornos, el pastel se quema antes de que esté listo porque los hornos se sobrecalientan y se rompen (esto se llama "ruido" y "decoherencia").

Los científicos probaron un método alternativo: construyeron una receta pequeña de 2 hornos (un Circuito Cuántico Variacional) y la entrenaron para copiar la receta de los 100 hornos. Pero aquí estaba el problema: para enseñar a la receta pequeña cómo hornear, primero tenían que ejecutar la receta de los 100 hornos en una supercomputadora clásica gigante para ver cómo era el pastel perfecto. A medida que el pastel se volvía más complejo (moléculas más grandes), la supercomputadora ya no podía manejar la simulación de los 100 hornos; era como intentar dibujar un mapa de todo el universo en una sola nota adhesiva; la nota simplemente no podía contener los detalles.

La Solución: La "Fórmula Mágica"

Los autores de este artículo se dieron cuenta de que no necesitaban simular la cocina de 100 hornos en absoluto. Descubrieron que el "pastel perfecto" (el patrón de medición del gran circuito cuántico) sigue una forma matemática conocida llamada núcleo de Dirichlet.

Piénsalo de esta manera: en lugar de intentar hornear el pastel gigante para ver cómo es, los científicos simplemente usaron una fórmula matemática para saber exactamente cómo debería ser el pastel perfecto. Tomaron la energía exacta de la molécula (que podían calcular fácilmente), la introdujeron en esta fórmula e instantáneamente generaron el patrón "objetivo". Esto significó que pudieron entrenar su diminuto circuito de 2 hornos usando una computadora que no necesitaba simular ninguna magia cuántica en absoluto. Fue como enseñarle a un estudiante a dibujar un círculo perfecto mostrándole la ecuación matemática de un círculo, en lugar de hacerle copiar un dibujo de un círculo que le tomaría toda una vida crear.

El Experimento: Pruebas en Hardware Real

El equipo tomó este nuevo método de entrenamiento basado en matemáticas y lo probó en una computadora cuántica real fabricada por IBM. Utilizaron una molécula simple, el hidrógeno (H₂), como su sujeto de prueba. Configuraron un experimento de cuatro etapas para determinar la mejor manera de construir su circuito diminuto:

La Forma del Circuito: Probaron dos formas diferentes de conectar los bits cuánticos (qubits). Una era un "entrelazador completo" (conectando cada bit con todos los demás, como una red caótica) y la otra era un "entrelazador lineal" (conectando los bits solo con sus vecinos inmediatos, como una línea recta).
- El Resultado: En el hardware real y ruidoso, la red caótica falló estrepitosamente. La línea recta ganó. Resulta que, en las máquinas ruidosas de hoy, mantener las cosas simples y lineales es mucho mejor que intentar conectar todo con todo.
Qué tan Profundo Ir: Probaron circuitos con 1 capa hasta 5 capas de complejidad.
- El Resultado: Sorprendentemente, el circuito más simple (de solo 1 capa) fue el que mejor funcionó. Añadir más capas solo añadía más ruido, empeorando la respuesta. La regla de "menos es más" se mantuvo firme.
El Truco de Entrenamiento: Compararon el entrenamiento del circuito usando una simulación "perfecta" (sin ruido) frente a una simulación "ruidosa" (imitando a la máquina real).
- El Resultado: Contraintuitivamente, entrenar con la simulación "perfecta" funcionó mejor cuando lo ejecutaron en la máquina real y ruidosa. El entrenamiento "perfecto" le dio al circuito un plano más limpio que sobrevivió mejor el viaje al hardware ruidoso que un plano diseñado específicamente para el ruido.
La Verificación Final: Probaron una versión simplificada del circuito (eliminando algunos pasos de rotación adicionales) para ver si aún podía hacer el trabajo.
- El Resultado: ¡Sí! El circuito simplificado funcionó tan bien como el complejo, pero era incluso más rápido y económico de ejecutar.

La Gran Victoria: Precisión Química

El objetivo final era medir la energía de la molécula de hidrógeno con la precisión suficiente para ser útil en química. Los científicos tienen un estándar de oro llamado "precisión química", que es un margen de error muy pequeño (específicamente, menos de 1.59×10⁻³ Hartree).

El método del equipo, utilizando su diminuto circuito entrenado matemáticamente en hardware real, logró un error de 1.786×10⁻⁴ Hartree. Esto está dentro del límite de la precisión química. En otras palabras, lograron escuchar la "nota" de la molécula claramente, incluso a través del ruido de un motor de avión de la computadora cuántica actual, sin necesidad de una supercomputadora que los ayudara a entrenar.

Lo que Descartaron

El artículo también nos dijo explícitamente qué es lo que no funciona bien en este entorno:

Conexiones Complejas: Intentar conectar cada qubit con todos los demás (el "entrelazador completo") hace que el circuito sea demasiado profundo y ruidoso para el hardware actual. Es un callejón sin salida por ahora.
Circuitos Profundos: Hacer el circuito más profundo (más capas) no ayuda; solo introduce más errores. La versión de una sola capa es el punto ideal.
Entrenamiento Consciente del Ruido: Entrenar el circuito específicamente para imitar el ruido del hardware no ayudó tanto como entrenarlo en una simulación perfecta y libre de ruido. El entrenamiento "perfecto" fue más robusto.
Desacoplamiento Dinámico: Probaron una técnica llamada "Desacoplamiento Dinámico" (que es como dar golpecitos rítmicos a los qubits para cancelar el ruido), pero en estos circuitos específicos, en realidad empeoró las cosas. Los pulsos adicionales añadieron más errores de los que repararon.

La Conclusión

Este artículo demuestra que no necesitas una simulación masiva e imposible para entrenar un pequeño circuito cuántico. Al usar una ingeniosa fórmula matemática (el núcleo de Dirichlet) para generar el objetivo de entrenamiento, los científicos ahora pueden entrenar circuitos diminutos y eficientes que se ejecutan en las computadoras cuánticas ruidosas de hoy y aun así ofrecen respuestas con precisión química. Es un camino escalable y práctico para usar las computadoras cuánticas para entender las moléculas, demostrando que, a veces, el circuito más simple y superficial es el que realmente funciona.

Resumen Técnico: Un Sustituto Variacional Entrenado Analíticamente para la Estimación de Fase Cuántica en Hardware NISQ

1. Planteamiento del Problema

La Estimación de Fase Cuántica (QPE) es un algoritmo fundamental para determinar las energías del estado fundamental molecular con precisión química, sirviendo como una subrutina crítica para algoritos como la factorización de Shor y las simulaciones de química cuántica. Sin embargo, la QPE estándar requiere circuitos profundos dominados por la transformada de Fourier Cuántica inversa (QFT†) y operadores de evolución temporal controlados. Para Hamiltonianos moleculares mapeados mediante transformaciones de Jordan-Wigner, la profundidad del circuito escala como $O(2^{n_a} \cdot m \cdot n_s^4)$ , donde $n_a$ es el número de qubits ancilla y $n_s$ es el número de orbitales de espín. Este escalamiento exponencial hace que la ejecución directa de QPE sea impracticable en dispositivos de Escala Intermedia con Ruido (NISQ) debido a los errores de puerta y la decoherencia.

Intentos previos para eludir esto utilizando Circuitos Cuánticos Variacionales (VQC) como sustitutos enfrentaron un cuello de botella diferente: la distribución objetivo de entrenamiento (las probabilidades de medición de la QPE) era generada mediante la simulación clásica del circuito QPE completo. Esta simulación clásica escala exponencialmente con el número de qubits ( $O(2^{n_s + n_a})$ ), creando un costo computacional prohibitivo que socava la escalabilidad del enfoque de sustitución mismo.

2. Metodología

Los autores proponen un marco que elimina la necesidad de simulación de circuitos cuánticos durante la fase de entrenamiento, aprovechando la forma analítica de la distribución de medición de la QPE.

2.1 Objetivo de Entrenamiento Analítico mediante el Núcleo de Dirichlet

En lugar de simular el circuito QPE, el objetivo de entrenamiento $P_{gt}(k; \phi)$ se calcula directamente utilizando el núcleo de Dirichlet de forma cerrada. Dados la energía exacta del estado fundamental ( $E_{true}$ ), el número de qubits ancilla ( $n_a$ ) y el parámetro de evolución temporal ( $\tau$ ), se calcula la fase reescalada $\phi$ . La distribución de probabilidad objetivo es entonces:
$P_{gt}(k; \phi) = \frac{1}{2^{2n_a}} \frac{\sin^2(\pi(\phi - k))}{\sin^2\left(\frac{\pi(\phi - k)}{2^{n_a}}\right)}$
Esto permite que la distribución objetivo se calcule enteramente de forma clásica en tiempo $O(2^{n_a})$ , independiente del tamaño del sistema molecular ( $n_s$ ), desacoplando efectivamente el flujo de entrenamiento del cuello de botella de la simulación exponencial.

2.2 Arquitectura del Circuito Cuántico Variacional (VQC)

Se entrena un VQC poco profundo para reproducir esta distribución analítica. El estudio investiga dos arquitecturas de ansatz en un registro de $n_a=11$ qubits:

Ansatz RY-RZ-CZ: Capas de rotaciones $RY $y$ RZ$ seguidas de puertas de entrelazamiento $CZ$.
Ansatz RY-CZ: Una variante reducida que utiliza solo rotaciones $RY$ y puertas $CZ$, reduciendo a la mitad el recuento de parámetros.

Se comparan dos topologías de entrelazador:

Entrelazador Lineal: Conecta qubits vecinos cercanos ( $O(p \cdot n_a)$ de profundidad).
Entrelazador Completo (Full): Conecta todos los pares de qubits ( $O(p \cdot n_a^2)$ de profundidad).

2.3 Optimización y Ejecución en Hardware

Los parámetros del VQC se optimizan utilizando el algoritmo COBYLA (Optimización por Aproximación Lineal Restringida) para minimizar la función de costo de la norma $L_1$ entre la salida del VQC y el objetivo de Dirichlet analítico. El entrenamiento se realiza en dos modos:

Simulador Ideal: Ejecución sin ruido.
Simulador con Ruido: Ejecución utilizando un modelo de ruido calibrado a partir del dispositivo ibm_boston de IBM.

Los parámetros entrenados se transfieren luego al hardware real de IBM Quantum de superconducción. El estudio también evalúa el impacto de las secuencias de Desacoplamiento Dinámico (DD) $X_pX_m$ destinadas a suprimir el ruido de desfase.

3. Contribuciones Clave

Flujo de Entrenamiento Analítico: La contribución principal es el reemplazo de la simulación del circuito QPE clásica por un cálculo del núcleo de Dirichlet de forma cerrada. Esto elimina el escalamiento exponencial de memoria y tiempo de ejecución asociado con la generación de objetivos de entrenamiento, haciendo que el marco de sustitución sea escalable a tamaños de problema mayores.
Investigación Sistemática de Hardware: Un flujo de trabajo experimental de cuatro etapas en hardware real:
- Etapa 1: Comparación de topologías de entrelazador lineal vs. completo.
- Etapa 2: Análisis de la profundidad del circuito ( $p=1$ a $5$) y el efecto del Desacoplamiento Dinámico.
- Etapa 3: Comparación de los ansatz RY-RZ-CZ vs. RY-CZ y entornos de entrenamiento (ideal vs. ruidoso).
- Etapa 4: Análisis de ruido suplementario en profundidades de circuito mayores ( $p=8, 64$ ).
Hallazgos Empíricos sobre Restricciones NISQ: El trabajo proporciona datos concretos sobre cómo interactúan la profundidad del circuito, la topología del entrelazador y las estrategias de mitigación de ruido en el hardware de superconducción actual.

4. Resultados

Los experimentos se realizaron en la molécula de hidrógeno ( $H_2$ ) utilizando un Hamiltoniano con reducción de simetría (reducido a 2 qubits) con 11 qubits ancilla.

Topología: El entrelazador lineal superó significativamente al entrelazador completo en hardware real. Aunque ambos se comportaron de manera similar en la simulación ideal, el entrelazador completo acumuló excesivos errores en dispositivos reales debido a su mayor profundidad de circuito, reduciendo el recuento de bitstrings dominante de ~92,000 (lineal) a ~65,000 (completo).
Profundidad del Circuito: Una configuración de una sola capa ( $p=1$ ) fue la óptima. Aumentar la profundidad a $p=5$ provocó una degradación monótona en todas las métricas distributivas (distancia de Hellinger, error de fidelidad, TVD, JSD) en hardware real, a pesar de que las simulaciones ideales no mostraban tal tendencia.
Desacoplamiento Dinámico (DD): Contrariamente a las expectativas, la aplicación de secuencias de DD $X_pX_m$ degradó el rendimiento en todos los recuentos de capas y entornos de entrenamiento. Los autores atribuyen esto a la falta de tiempo de espera suficiente en circuitos poco profundos y a posibles errores de calibración de pulsos.
Comparación de Ansatz: El ansatz RY-CZ reducido funcionó de manera comparable al ansatz más complejo RY-RZ-CZ en hardware real. Dado su menor recuento de parámetros y profundidad de puerta, se identifica como la opción más eficiente para el hardware.
Entorno de Entrenamiento: Los parámetros entrenados en un simulador ideal (sin ruido) se generalizaron mejor al hardware real que aquellos entrenados en un simulador con ruido. La configuración RY-CZ entrenada con el modelo ideal logró un recuento de bitstrings dominante de 91,499 (frente a 90,267 para la entrenada con ruido) y menores errores métricos.
Recuperación de Energía: El marco logró recuperar la energía del estado fundamental molecular con un error absoluto de $|\Delta E| = 1.786 \times 10^{-4}$ Hartree. Esto se encuentra bien dentro del umbral de precisión química ( $1.59 \times 10^{-3}$ Hartree).
Fidelidad Distributiva: El VQC no solo identificó la bitstring dominante correcta, sino que también reprodujo la estructura de lóbulos laterales decrecientes del núcleo de Dirichlet, confirmando que el sustituto aprende la estructura de fase subyacente en lugar de simplemente colapsar al resultado más probable.

5. Significado y Reivindicaciones

El artículo afirma establecer un paradigma escalable y eficiente para el hardware para la estimación de energía molecular basada en QPE en dispositivos NISQ. Al eliminar el cuello de botella de la simulación clásica, el marco permite el entrenamiento de sustitutos variacionales para problemas donde la simulación directa de QPE es inviable.

Los autores enfatizan que su enfoque:

Logra la precisión química utilizando un circuito VQC de escalamiento lineal en lugar de un circuito QPE de escalamiento exponencial.
Demuestra que los circuitos poco profundos ( $p=1$ ) con entrelazadores lineales son óptimos para el hardware actual, ya que los circuitos más profundos y los entrelazadores complejos acumulan demasiado ruido.
Sugiere que, para tareas variacionales poco profundas, el entrenamiento con simulador ideal puede ser más robusto que el entrenamiento consciente del ruido, desafiando la suposición de que los modelos de ruido son siempre necesarios para la generalización.
Proporciona una alternativa analítica rigurosa a los métodos de sustitución dependientes de la simulación, haciendo que el enfoque sea aplicable a sistemas moleculares más grandes sin aumentar el costo del entrenamiento clásico.

El trabajo concluye que, si bien las limitaciones del hardware NISQ (ruido, falta de tiempo de espera para DD) restringen la utilidad de los circuitos profundos, el sustituto variacional entrenado analíticamente ofrece un camino viable para extraer información espectral de alta precisión a partir de circuitos cuánticos poco profundos y resilientes al ruido.