Sparse Quantum Voxel Encoding for Readout-Efficient Molecular Geometry Reconstruction on NISQ Devices

Resumen Técnico: Codificación de Vóxeles Cuánticos Dispersos para la Reconstrucción de la Geometría Molecular con Eficiencia de Lectura

Planteamiento del Problema
Los enfoques cuánticos actuales para el modelado generativo y el diseño molecular se enfrentan a un "cuello de botella de medición" fundamental. Mientras que métodos como la codificación de amplitud pueden representar estructuras moleculares con una densidad de información exponencial (usando $n$ qubits para almacenar $2^n$ amplitudes), la extracción de la geometría molecular completa de tales estados requiere la tomografía completa del estado cuántico. Este proceso es prohibitivamente costoso en dispositivos de escala intermedia con ruido (NISQ), requiriendo $O(3^n \times 10^{2-3})$ disparos de medición para lograr una precisión estadística. Los esquemas de codificación alternativos, como la codificación de ángulo, evitan los costos de preparación exponenciales pero sufren de ambigüedad en la reconstrucción, lo que hace que sea intratable recuperar los parámetros de entrada a partir de estados entrelazados. En consecuencia, existe una falta de representaciones prácticas y eficientes de lectura que permitan la reconstrucción directa de geometrías moleculares 3D a partir de resultados de medición crudos en hardware de corto plazo.

Metodología: Codificación de Vóxeles Cuánticos
Los autores proponen la "Codificación de Vóxeles Cuánticos", una representación de base computacional dispersa que transforma la reconstrucción molecular de un problema de tomografía exponencial en un problema de recuperación de soporte polinomial. La metodología procede de la siguiente manera:

1. Discretización (Voxelización): El espacio molecular continuo en 3D se discretiza en una rejilla regular de $V^3$ vóxeles. La posición $(x, y, z)$ y el tipo químico $\tau$ de cada átomo se mapean a un índice entero único $c_a$. Este índice combina la coordenada linealizada del vóxel $v_a$ y el tipo de átomo $\tau_a$ mediante $c_a = v_a \cdot T + \tau_a$, donde $T$ es el número de tipos de átomos distintos.
2. Preparación del Estado: La molécula se codifica como una superposición igual de los estados de la base computacional correspondientes a sus vóxeles ocupados:
   $$|\psi_{M^*}\rangle := \frac{1}{\sqrt{A}} \sum_{c_a \in M^*} |c_a\rangle$$
   donde $A$ es el número de átomos. Los autores asumen que existe un método de preparación de estados (demostrado aquí mediante inicialización basada en isometrías), pero se centran en la eficiencia de la decodificación.
3. Decodificación mediante Muestreo del Problema del Coleccionista de Cupones: En lugar de medir operadores de Pauli para la tomografía, el estado cuántico se mide repetidamente en la base computacional. Cada medición "colapsa" el estado a un único estado de la base, revelando la posición y el tipo de un átomo. El problema de reconstrucción es matemáticamente equivalente al problema del coleccionista de cupones clásico: para recuperar todos los $A$ átomos distintos, el número esperado de disparos requeridos es $E[S] \approx A \ln A$, o $O(A \log A)$ para una alta confianza.

Contribuciones Clave
El artículo formaliza y valida este esquema de codificación a través de cuatro contribuciones primarias:

1. Formalización de la Representación de Soporte Disperso: Los autores demuestran que una vez preparado un estado de soporte disperso, la reconstrucción completa de la lectura de una molécula de $A$ átomos requiere solo $O(A \log A)$ disparos en un entorno ideal sin ruido, lo que representa una reducción significativa del costo exponencial de la codificación de amplitud.
2. Caracterización del Compromiso entre Resolución y Recursos: El trabajo deriva la relación entre los requisitos de qubits ($n = \lceil \log_2(V^3 T) \rceil$) y los errores de cuantización espacial. Establece que el error euclidiano máximo por átomo está acotado por $\Delta_{max} = \frac{\sqrt{3}}{2}s_{voxel}$, donde $s_{voxel}$ es la longitud del borde del vóxel.
3. Validación Experimental en Hardware NISQ: El método se implementó en el procesador IBM Kingston de 156 qubits utilizando circuitos de 8 qubits para reconstruir una molécula de etilamina ($C_2H_7N$) de 10 átomos.
4. Demostración de Resiliencia al Ruido: El estudio demuestra que la codificación sigue siendo práctica a pesar del sustancial ruido del hardware, incluyendo una alta fracción de "disparos desperdiciados" (detecciones de vóxeles vacíos o índices inválidos).

Resultados Experimentales
Los autores realizaron experimentos con conteos de disparos que variaron de 47 a 300 en el dispositivo IBM Kingston y un simulador con ruido:

• Recuperación de la Reconstrucción (Recall): El recall medio de reconstrucción ($\bar{R}$), definido como la fracción de átomos recuperados al menos una vez, alcanzó 0.94 con $S=116$ disparos y 0.98 con $S=200$ disparos en hardware real. Con $S=200$, 8 de 10 experimentos lograron un recall perfecto ($R=1$).
• Características del Ruido: En el hardware, aproximadamente el 74% de los disparos fueron "desperdiciados" (detectando vóxeles vacíos o índices inválidos) debido a la decoherencia y los errores de lectura, con un fuerte sesgo hacia el estado fundamental ($|00\dots0\rangle$). A pesar de esto, el mecanismo del coleccionista de cupones permitió la recuperación exitosa de la estructura molecular.
• Eficiencia: El enfoque logró una reducción de dos a tres órdenes de magnitud en el costo de medición en comparación con los enfoques de tomografía de estado completo, requiriendo solo $O(10^2)$ disparos en lugar de $O(10^{4-6})$.
• Relación Señal-Ruido (SNR): Los autores introdujeron una métrica de SNR para identificar átomos válidos sin conocimiento previo de la verdad de campo, encontrando que los estados atómicos válidos eran distinguibles de las detecciones de vóxeles vacíos inducidas por el ruido (Hardware SNR $\approx 7.8$).

Significancia y Reivindicaciones
El artículo afirma que este trabajo representa la primera demostración NISQ de la recuperación de soporte para una nube de puntos de tipo átomo y vóxel cuantizada. Su significancia radica en proporcionar una "representación cuántica compatible con la lectura" donde la geometría molecular se dispone en etiquetas de la base computacional, permitiendo la recuperación de la estructura a partir de mediciones crudas sin la necesidad de una tomografía costosa.

Los autores posicionan explícitamente esto como un bloque de construcción para el modelado generativo cuántico (por ejemplo, Autoencoders Cuánticos, QGANs), donde la salida de un modelo es un estado cuántico que debe ser decodificado en una estructura químicamente válida.

Limitaciones y Reivindicaciones Modestas
El artículo mantiene un tono modesto respecto a su alcance y limitaciones:

• Cuello de Botella en la Preparación del Estado: Los autores aclaran que, si bien la decodificación es eficiente, la preparación del estado disperso arbitrario $|\psi_{M^*}\rangle$ no es resuelta por este trabajo y actualmente requiere circuitos profundos (por ejemplo, $\sim1200$ puertas para la instancia de 8 qubits), lo que sigue siendo un cuello de botella de escalabilidad.
• Precisión Espacial: La codificación sacrifica intrínsecamente la precisión espacial por la eficiencia de lectura. El método no puede recuperar información sub-vóxel, lo que limita su uso para aplicaciones que requieren precisión sub-angstrom (por ejemplo, acoplamiento preciso/docking), a menos que se aumente la resolución de la rejilla, lo que a su vez incrementa los requisitos de qubits.
• Problemas de Simetría: La rejilla de vóxeles no preserva la invariancia rotacional o traslacional, lo que significa que la codificación depende de la orientación de la molécula y de la alineación de la rejilla, lo cual es una desventaja para el aprendizaje de la física subyacente de la molécula.
• Alcance: El trabajo se centra estrictamente en la recuperación de posiciones y tipos de átomos (una nube de puntos), excluyendo explícitamente los enlaces, los estados de espín o la información de la estructura electrónica.