⚛️ quantum physics

Practical Quantum Topological Data Analysis with Applications to High-Dimensional Feature Extraction and Time Series Analysis

Este artículo establece la utilidad práctica del análisis de datos topológicos cuánticos al redefinirlo como un método de extracción de características que utiliza momentos espectrales de bajo orden del Laplaciano combinatorio para mejorar el rendimiento predictivo en aplicaciones de series temporales, respaldado por un novedoso algoritmo cuántico basado en momentos y una validación experimental en hardware cuántico basado en Bario.

Autores originales: Jason Iaconis, Sayonee Ray, Samwel Sekwao, Claudio Girotto, Martin Roetteler

Publicado 2026-07-30

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jason Iaconis, Sayonee Ray, Samwel Sekwao, Claudio Girotto, Martin Roetteler

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 tratando de entender un sistema complejo, como una ciudad bulliciosa, un cerebro humano o el mercado de valores. Normalmente, observamos estos sistemas revisando las partes individuales o cómo se comunican dos partes entre sí. Pero, ¿y si el verdadero secreto reside en cómo interactúan los gruros de partes al mismo tiempo? Este es el reino del Análisis de Datos Topológicos (TDA). Piensa en el TDA como una forma de observar la "forma" de los datos. En lugar de solo contar puntos, pregunta: "¿Hay bucles?", "¿Hay burbujas huecas?", "¿Hay un túnel gigante atravesado por el medio?". Estas formas, llamadas características topológicas, pueden revelar patrones ocultos que las matemáticas estándar pasan por alto.

Sin embargo, hay un inconveniente. Calcular estas formas para datos de alta dimensión es increíblemente difícil para las computadoras clásicas. Es como intentar contar todas las formas posibles en que un grupo de amigos puede formar un club secreto en una ciudad de millones de personas; el número de posibilidades explota tan rápido que incluso las supercomputadoras más rápidas se quedan estancadas. Aquí es donde la Computación Cuántica entra en la historia. Las computadoras cuánticas utilizan las extrañas reglas de la física para manejar cantidades masivas de posibilidades simultáneamente. La gran pregunta ha sido: ¿Pueden las computadoras cuánticas realizar realmente este trabajo útil para problemas del mundo real, o es solo un sueño teórico?

Este artículo, escrito por investigadores de IonQ, dice "Sí, pero con un giro". Argumentan que no debemos intentar usar las computadoras cuánticas para calcular el número exacto de estas formas (lo cual sigue siendo muy difícil). En su lugar, debemos usarlas para extraer "huellas dactilares" o características específicas de la forma que sean lo suficientemente buenas como para ayudarnos a hacer predicciones. Los autores probaron esta idea en dos problemas del mundo real muy diferentes: diagnosticar enfermedades cerebrales mediante escaneos de RM y predecir caídas en el mercado de valores. Descubrieron que estas características de "forma" de nivel superior contienen información valiosa que ayuda a las computadoras a predecir enfermedades y la inestabilidad del mercado mejor que si solo se miraran las conexiones simples.

Para demostrar que esto funciona, el equipo no solo realizó simulaciones; construyeron un circuito cuántico y lo ejecutaron en una computadora cuántica real y funcional hecha de iones de bario atrapados. Extrajeron con éxito estas "huellas dactilares de forma" de grafos pequeños y demostraron que los resultados coincidían con lo que predecían las matemáticas clásicas. Aunque la computadora cuántica que utilizaron es todavía pequeña, su trabajo sugiere un camino claro a seguir: al enfocarse en estas características específicas y útiles, en lugar de en la exactitud perfecta, las computadoras cuánticas podrían pronto ayudar a resolver problemas de datos que son actualmente imposibles para las máquinas clásicas.

La forma de lo que está por venir

Sumerjámonos en los detalles. Los investigadores comenzaron observando dos mundos muy diferentes: el cerebro humano y el mercado financiero.

1. El Cerebro: Encontrando la enfermedad en la forma de los pensamientos
El equipo analizó datos de escaneos de resonancia magnética funcional (fMRI), que rastrean el flujo sanguíneo en el cerebro para ver qué partes están activas. Usualmente, los científicos observan cómo se conectan dos regiones cerebrales. Pero los investigadores se preguntaron: ¿Qué pasa si observamos cómo se conectan los grupos de regiones? Convirtieron los datos de actividad cerebral en una "nube de puntos" (un montón de puntos en el espacio) y luego usaron TDA para encontrar bucles y vacíos en la forma formada por estos puntos.

Probaron esto con datos de pacientes con la enfermedad de Alzheimer e individuos sanos. Descubrieron que observar formas de mayor dimensión (como vacíos 3D o túneles 4D) les daba mejores pistas sobre quién tenía la enfermedad que simplemente mirar las conexiones simples. Por ejemplo, cuando utilizaron una red neuronal para clasificar pacientes, añadir estas características de forma complejas aumentó la precisión. Aunque la precisión aún no era perfecta (alrededor del 74% para el mejor modelo), la conclusión clave es que las formas de "orden superior" contenían información que los métodos más simples pasaban por alto. Esto sugiere que la forma en que las regiones cerebrales interactúan en grupos podría ser una pista crucial para diagnosticar enfermedades neurodegenerativas.

2. El Mercado: Viendo el desplome antes de que ocurra
Después, se dirigieron al mercado de valores. Los datos financieros son desordenados y ruidosos, pero los investigadores creían que la "forma" de cómo se mueven diferentes acciones juntas podría predecir una caída. Tomaron los precios de cierre diarios de 17 de los principales índices bursátiles y los convirtieron en una nube de puntos utilizando una técnica de "embebido de retardo temporal" (time-delay embedding). Esto es como tomar una instantánea de la forma del mercado cada día.

Descubrieron que, a medida que el mercado se acercaba a una caída importante (como en 2008, 2020 o 2022), la "forma" de los datos cambiaba drásticamente. Específicamente, las características de mayor dimensión (como los vacíos 3D y 4D) mostraron picos enormes justo antes de que el mercado cayera. Estos picos eran mucho más claros y predictivos que los bucles simples (características 1D) que otros analistas habían observado anteriormente. De hecho, su señal de "forma" actuó como un indicador adelantado, advirtiendo de una caída aproximadamente 100 días antes de que sucediera, superando a las herramientas financieras tradicionales como el indicador MACD.

El salto cuántico: De la teoría al hardware

Entonces, sabemos que estas "características de forma" son útiles. Pero, ¿puede una computadora cuántica encontrarlas realmente? La forma tradicional de usar computadoras cuánticas para esto era intentar calcular el número exacto de agujeros (números de Betti) en los datos. Los autores argumentan que esto es demasiado difícil e innecesario. En su lugar, propusieron un nuevo método: TDA Cuántico Basado en Momentos.

Piensen en esto de la siguiente manera: En lugar de contar cada uno de los agujeros en un queso suizo para saber si es un buen queso, simplemente miden la densidad promedio de los agujeros. Si la densidad es la correcta, saben que es un buen queso. Los investigadores desarrollaron un algoritmo cuántico que mide estos "momentos" (específicamente, la traza relativa de un objeto matemático llamado Laplaciano Combinatorio). Demostraron mediante simulaciones que estos momentos están fuertemente correlacionados con el número real de agujeros, incluso cuando el número de agujeros es diminuto.

La prueba de Hardware
Para demostrar que esto no era solo una simulación por computadora, ejecutaron su algoritmo en una computadora cuántica real en IonQ. Utilizaron un sistema con 40 qubits (bits cuánticos) basado en iones de bario atrapados. Probaron en dos tipos de grafos:

Un grafo pequeño con 8 nodos.
Un grafo ligeramente más grande con 16 nodos.

Los resultados fueron prometedores. La computadora cuántica midió con éxito las "huellas dactilares de forma" (la traza relativa) y los valores coincidieron muy de cerca con los cálculos clásicos exactos. Incluso con el ruido inherente al hardware cuántico actual, el dispositivo pudo distinguir entre grafos con diferentes características topológicas. Esto es algo importante porque es una de las primeras veces que una computadora cuántica se ha utilizado para extraer características topológicas de datos reales y compararlas directamente con la "verdad fundamental" (ground truth).

Por qué esto importa

El artículo concluye que no necesitamos esperar a una computadora cuántica perfecta y libre de errores para empezar a realizar un trabajo útil. Al cambiar el objetivo de "cálculo exacto" a "extracción de características", la ventaja cuántica se vuelve alcanzable mucho más pronto.

Los investigadores sugieren que, para datos complejos y de alta dimensión como los escaneos cerebrales o los mercados financieros, el "punto ideal" para la ventaja cuántica podría estar a la vuelta de la esquina. Estiman que para grafos con alta conectividad (redes densas), una computadora cuántica podría resolver estos problemas más rápido que una supercomputadora clásica una vez que el tamaño del grafo alcance entre 70 y 1,200 nodos, dependiendo de la complejidad.

En resumen, este artículo cierra la brecha entre las matemáticas abstractas y la utilidad del mundo real. Muestra que las computadoras cuánticas ya pueden ayudarnos a ver las formas ocultas en nuestros datos, ofreciendo un nuevo lente para entender desde la mente humana hasta la economía global. Aunque la tecnología está todavía en sus primeras etapas, el camino a seguir es claro: usar las computadoras cuánticas para encontrar la "forma" del problema, y dejar que las computadoras clásicas hagan el resto.

Resumen Técnico: Análisis de Datos Topológicos Cuánticos Prácticos con Aplicaciones a la Extracción de Características de Alta Dimensión y Análisis de Series Temporales

Planteamiento del Problema

El Análisis de Datos Topológicos (TDA, por sus siglas en inglés) ofrece un marco robusto para caracterizar la forma de datos complejos y no estructurados a través de invariantes topológicos como los números de Betti. Sin embargo, el costo computacional de calcular características topológicas de alta dimensión (específicamente, números de Betti para grados homológicos $d > 1$ ) en hardware clásico presenta un cuello de botella significativo. El número de posibles $d$ -simplicios en un complejo crece de forma combinatoria, lo que hace que el cálculo de características de orden superior sea inviable para conjuntos de datos grandes y densos. Si bien se han propuesto algoritmos cuánticos para el TDA con el fin de superar este obstáculo, los enfoques existentes suelen centrarse en la estimación exacta o de alta precisión de los números de Betti. Este enfoque estrecho limita el régimen de ventaja cuántica práctica, ya que a menudo requiere que el número de Betti relativo (la relación entre los números de Betti y el número total de cliques) sea grande, una condición que no siempre se cumple en los datos del mundo real.

Los autores argumentan que, para aplicaciones prácticas de ciencia de datos, el objetivo no es computar números de Betti exactos en el entorno más general, sino extraer información topológica que mejore las tareas predictivas posteriores (por ejemplo, clasificación o detección de anomalías). Postulan que un enfoque cuántico debe replantearse como un método de extracción de características, utilizando información espectral de bajo orden del Laplaciano combinatorio como un sustituto (proxy) de la topología de alta dimensión.

Metodología

El artículo adopta un enfoque de dos vertientes: validar la utilidad de las características de TDA de orden superior en aplicaciones clásicas y desarrollar un algoritmo cuántico eficiente en recursos para extraer estas características.

1. Validación Clásica de Características de Orden Superior

Los autores demuestran primero que las características homológicas de orden superior ( $H_2$ a $H_4$ ) contienen señales predictivas en dos dominios de series temporales comercialmente relevantes:

Clasificación de Enfermedades Neurodegenerativas: Utilizando datos de resonancia magnética funcional (fMRI) del conjunto de datos OASIS, los autores construyen nubes de puntos a partir de series temporales de Regiones de Interés (ROI) mediante el embebimiento de Takens. Computan la homología persistente hasta la dimensión 4. Los clasificadores de aprendizaje automático (Redes Neuronales y SVM) entrenados con estas características muestran que la inclusión de homologías de orden superior ( $H_2, H_3, H_4$ ) mejora la precisión de la clasificación para la enfermedad de Alzheimer en comparación con modelos que utilizan solo $H_0$ y $H_1$ .
Análisis de Series Temporales Financieras: Utilizando datos del mercado de valores (17 índices de 2005–2024), los autores construyen nubes de puntos mediante el embebimiento de retardo temporal. Analizan la homología persistente para detectar cambios estructurales que preceden a las caídas del mercado. Los resultados indican que las homologías de orden superior ( $H_3, H_4$ ) producen señales más fuertes y predictivas (picos en la persistencia) durante las crisis del mercado (por ejemplo, la crisis de 2008, la pandemia de 2020) que las características de orden inferior. Además, el análisis de correlación de Pearson con retardo temporal muestra que las señales de TDA de orden superior actúan como indicadores adelantados, precediendo a los cambios de precios del mercado, mientras que los indicadores tradicionales como el MACD no exhiben este comportamiento de anticipación.

2. Algoritmo Cuántico: Extracción de Características Basada en Momentos

Para abordar el cuello de botella computacional, los autores proponen un algoritmo cuántico basado en momentos que estima los momentos espectrales de bajo orden del Laplaciano combinatorio ( $\Delta_k^\Gamma$ ), en lugar de computar números de Betti exactos.

Concepto Central: En lugar de contar los autovalores cero (lo que requiere alta precisión cuando el número de Betti relativo es pequeño), el algoritmo estima la traza relativa del Laplaciano, $\text{tr}[\Delta_k^\Gamma]$ . Los autores demuestran numéricamente que la traza relativa está fuertemente correlacionada con el número de Betti $\beta_{k-1}$ , incluso cuando el número de Betti relativo es pequeño.
Construcción del Circuito: El algoritmo utiliza tres componentes principales:
1. Carga de Datos: Preparación de un estado Dicke $|D_N^k\rangle$ que representa una superposición de todos los $k$ -cliques con fases aleatorias.
2. Proyección: Proyección sobre el complejo simplicial específico $\Gamma$ utilizando mediciones de mitad de circuito (MCM) y cúbits ancilla para filtrar los elementos que no son cliques.
3. Estimación de la Traza: Aplicación del operador de frontera $B = \partial + \partial^\dagger$ (implementado mediante la Trotterización de un Hamiltoniano fermiónico) y medición de la norma del estado resultante para estimar la traza.
Eficiencia de Recursos: Los autores utilizan mediciones de mitad de circuito y capacidades de reinicio para reducir los requisitos de cúbits. El ancho del circuito escala como $O(N)$ , y el recuento de shots depende de la precisión deseada y de la densidad de los $k$ -cliques ( $\zeta_k$ ), pero notablemente, la complejidad no escala fuertemente con el número de Betti relativo.

Resultados Clave

Rendimiento Clásico

fMRI: En una tarea de clasificación binaria (Alzheimer vs. Sano) sobre un subconjunto reducido de OASIS, añadir características de homología de orden superior ( $H_2$ a $H_4$ ) a una Red Neuronal aumentó la precisión equilibrada de ~69% ( $H_0$ ) a ~74% (todas las características). Los modelos SVM mostraron tendencias similares, con un rendimiento máximo de ~66% con una compresión de características específica.
Finanzas: Las curvas de homología de orden superior ( $H_3, H_4$ ) exhibieron picos más grandes y señales más claras cerca de las caídas del mercado en comparación con $H_1$ . El análisis de correlación con retardo temporal reveló que las señales de $H_2$ a $H_4$ actúan como indicadores adelantados (correlación negativa con futuras caídas de precios), superando al indicador MACD en poder predictivo.

Rendimiento del Algoritmo Cuántico

Validación de Correlación: Las simulaciones numéricas en grafos de Erdős-Rényi y nubes de puntos de fMRI confirmaron una fuerte correlación lineal entre la traza relativa $\text{tr}[\Delta_k^\Gamma]$ y el número de Betti $\beta_{k-1}$ , incluso para números de Betti relativos pequeños. Esto valida el uso de la traza como característica sustituta (proxy).
Estimaciones de Recursos: Los autores proporcionan estimaciones de cruce comparando el Tiempo-a-Solución (TTS) de su algoritmo cuántico frente al software de TDA clásico (giotto-ph). Para números de Betti de alta dimensión ( $d=4$ a $10$) en grafos con alta densidad de aristas ( $\zeta_2 \approx 0.9$ ), se proyecta que el algoritmo cuántico supere a los métodos clásicos para grafos de 70 a 1,200 nodos, con tiempos de cruce que van de horas a días.
Demostración en Hardware: El algoritmo se ejecutó en un procesador cuántico de iones atrapados basado en Bario (40 cúbits, similar a la línea IonQ Tempo).
- Experimentos: Se ejecutó con éxito en grafos de 8 nodos ( $N=8$ , midiendo $\beta_1$ ) y 16 nodos ( $N=16$ , midiendo $\beta_3$ ).
- Técnica: Utilizó 4 rondas de mediciones de mitad de circuito para proyectar estados, reduciendo el recuento de cúbits requerido de 56 teóricos a 32 para el caso de 16 nodos.
- Resultado: El hardware distinguió con éxito instancias de grafos con diferentes números de Betti basándose en la observable de la traza relativa medida. Los resultados coincidieron estrechamente con las simulaciones ideales, aunque la mayor profundidad de circuito para el caso de 16 nodos introdujo ruido observable.

Significado y Reivindicaciones

El artículo afirma establecer un "camino claro hacia la utilidad cuántica potencial" para el TDA al cambiar el paradigma de la estimación exacta del número de Betti a la extracción de características topológicas.

Utilidad Práctica: Los autores demuestran que las características topológicas de orden superior no son solo constructos teóricos, sino que contienen información accionable para problemas del mundo real como el diagnóstico médico y la previsión financiera, a menudo superando a las características de menor dimensión.
Viabilidad Algorítmica: Al replantear la tarea como la estimación de momentos de bajo orden (traza relativa), los autores muestran que la ventaja cuántica es alcanzable en regímenes donde el número de Betti relativo es pequeño, una condición que anteriormente parecía excluir la ventaja cuántica.
Validación Experimental: Este trabajo constituye la primera demostración en hardware cuántico de un TDA basado en momentos, donde una observable del Laplaciano medida se compara cuantitativamente contra la información exacta de Betti para distinguir instancias de grafos.
Hoja de Ruta: La combinación de validación de características impulsada por aplicaciones y un diseño de algoritmo eficiente en recursos traza un mapa realista para lograr la ventaja cuántica en la ciencia de datos antes de la llegada de las computadoras cuánticas totalmente tolerantes a fallos.

Los autores mantienen la modestia en sus afirmaciones, reconociendo que su algoritmo cuántico estima una observable correlacionada con los números de Betti en lugar de computar valores exactos, y que la demostración actual en hardware está limitada a tamaños de grafos pequeños. Sin embargo, argumentan que las propiedades de escalado y la correlación demostrada sugieren que el TDA cuántico puede proporcionar un valor práctico para las tareas de análisis de datos de alta dimensión que son desafiantes para la computación clásica.