⚛️ quantum physics

Quantum Noise Mitigation with Adaptive Zero-Noise Extrapolation: A Contextual Multi-Armed Bandits Approach

Este artículo propone un marco de mitigación de ruido adaptativo para circuitos cuánticos variacionales que integra la extrapolación de ruido cero con la de bandas múltiples de brazos contextuales para seleccionar dinámicamente los niveles óptimos de plegado de circuitos basados en los parámetros del ansatz y el ruido variante en el tiempo, reduciendo así significativamente los costos de ejecución y mejorando la fidelidad del estimador en comparación con los métodos estáticos.

Autores originales: Ratun Rahman, Dinh C. Nguyen

Publicado 2026-08-10

📖 7 min de lectura🧠 Análisis profundo

CC0 1.0

Autores originales: Ratun Rahman, Dinh C. Nguyen

Artículo original dedicado al dominio público bajo CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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 hornear el pastel perfecto, pero tu horno tiene un pequeño fallo. A veces funciona demasiado caliente, otras veces demasiado frío, y la temperatura cambia constantemente mientras horneas. En el mundo de la computación cuántica, estos "hornos" se llaman procesadores cuánticos, y los "fallos" se conocen como ruido. Este ruido proviene de diminutas vibraciones, calor e interferencia electromagnética que desordenan los delicados cálculos que las computadoras cuánticas están tratando de realizar. Actualmente, los científicos trabajan con máquinas que son potentes pero aún muy ruidosas, una etapa llamada "Cuántica de Escala Intermedia Ruidosa" (o NISQ, por sus siglas en inglés). Para obtener resultados útiles, los investigadores utilizan un truco llamado "mitigación de errores", que es como intentar adivinar a qué sabría el pastel si el horno fuera perfecto, aunque solo puedas hornearlo en uno con fallos. Un método popular, llamado Extrapolación de Ruido Cero (ZNE), consiste en hacer el ruido intencionadamente peor (como subir el horno al máximo) y luego adivinar matemáticamente cuál sería el resultado si el ruido fuera cero. Sin embargo, hay un inconveniente: la mayoría de la gente utiliza una receta fija para determinar cuánto aumentar el ruido, asumiendo que el horno se comporta de la misma manera cada vez. Pero en la realidad, los hornos cuánticos son impredecibles; sus "fallos" cambian de un momento a otro.

Este artículo presenta una nueva y astuta forma de manejar estos hornos impredecibles. En lugar de usar una receta rígida y preestablecida, los autores proponen un sistema que actúa como un chef inteligente y adaptativo. Combinan el truco de amplificación de ruido (ZNE) con una estrategia de toma de decisiones llamada "Bandidos Multibrazo Contextuales" (Contextual Multi-Armed Bandits). Piensa en esto como una máquina tragamonedas donde cada palanca (o "brazo") representa una forma diferente de amplificar el ruido. Un jugador inteligente no tira de las palancas al azar; observa la situación actual (el "contexto", como qué tan profundo es el pastel o qué tan caliente se siente el horno en este momento) y elige la palanca que ofrece el mejor resultado con el menor esfuerzo. El artículo sugiere que, al dejar que una computadora aprenda qué estrategia de amplificación de ruido funciona mejor en tiempo real, podemos obtener resultados más precisos gastando menos tiempo y dinero en intentos de horneado innecesarios.

El Problema: El Horno Cuántico con Fallos

Las computadoras cuánticas son asombrosas porque pueden resolver ciertos problemas mucho más rápido que las computadoras regulares. Pero en este momento, son como una cocina de alta tecnología donde los sabores de los ingredientes cambian antes de que puedas medirlos. Esto se debe al "ruido": una interferencia no deseada del entorno que arruina el cálculo. Si intentas ejecutar un programa complejo (llamado Circuito Cuántico Variacional, o VQC) en estas máquinas, el ruido hace que la respuesta sea incorrecta.

Para solucionar esto, los científicos utilizan una técnica llamada Extrapolación de Ruido Cero (ZNE). Imagina que quieres saber el sabor de un pastel con cero azúcar, pero solo puedes probar pasteles con azúcar. Horneas uno con un poco de azúcar, uno con el doble y uno con el triple. Luego, los pruebas y trazas una línea a través de los puntos para adivinar cómo sería el pastel de cero azúcar. En términos cuánticos, aumentas intencionadamente el ruido haciendo que las partes del circuito se repitan (un proceso llamado "plegado" o folding) y luego adivinas matemáticamente cuál sería el resultado con nada de ruido.

El problema es que la mayoría de la gente utiliza un plan fijo. Deciden: "Siempre probaré con 1x, 3x y 5x de ruido", independientemente de lo que esté haciendo la computadora. Pero las computadoras cuánticas reales son desordenadas. El ruido cambia con el tiempo debido a cambios de temperatura o derivas de calibración. Un plan fijo puede funcionar de maravilla un minuto y ser inútil al siguiente, lo que provoca la pérdida de tiempo y dinero ejecutando el mismo circuito una y otra vez.

La Solución: El Chef Inteligente y Adaptativo

Los autores de este artículo proponen un nuevo enfoque llamado CMAB-ZNE. Tratan la elección de cuánto amplificar el ruido como un juego de "Bandidos Multibrazo Contextuales".

En este juego:

Los Brazos: Cada "brazo" es un conjunto diferente de niveles de ruido para probar. Por ejemplo, un brazo podría probar niveles de ruido de 1 y 3, mientras que otro podría probar 1, 3 y 5.
El Contexto: Esta es la información que el sistema observa antes de tomar una decisión. Incluye cosas como qué tan profundo es el circuito cuántico, cuántos parámetros tiene y el estado actual del hardware (como qué tan "ruidoso" se siente el entorno en este momento).
La Recompensa: Después de la prueba, el sistema recibe una "puntuación". Esta puntuación equilibra dos cosas: qué tan precisa es la respuesta y cuánto costó llegar a ella (en términos de tiempo, transferencia de datos y uso de la computadora).

El sistema aprende sobre la marcha. Si el ruido es bajo y el circuito es simple, el "chef" podría elegir un brazo barato y superficial (probando menos niveles de ruido) porque es rápido y suficiente. Si el ruido es alto y el circuito es complejo, el sistema aprende a elegir un brazo más profundo (probando más niveles) para obtener una mejor estimación, incluso si cuesta más. Ajusta constantemente su estrategia basándose en el "contexto" del momento.

Lo que Encontraron

Los investigadores probaron esta idea utilizando simulaciones y experimentos reales en hardware cuántico real. Esto es lo que descubrieron:

Los Circuitos Más Profundos Son Más Ruidosos: A medida que los circuitos cuánticos se vuelven más complejos (más profundos), acumulan más ruido, lo que hace que las respuestas sean menos precisas y requieran más intentos para obtener un buen resultado.
ZNE Funciona, Pero Necesita los Ajustes Correctos: La extrapolación de ruido cero puede corregir los errores, pero solo si eliges los niveles de "plegado" adecuados. Si eliges los niveles equivocados, es posible que no corrijas el error en absoluto.
El Enfoque Adaptativo Gana: Su nuevo método CMAB-ZNE fue mucho mejor que los métodos fijos tradicionales.
- Redujo el número de veces que tenían que ejecutar el circuito hasta en un 40%.
- Redujo la cantidad de datos enviados de ida y vuelta hasta en un 35%.
- Bajó el costo total hasta en un 30% (bajo un presupuesto específico de 10 Mbps).
- Lo más importante, mejoró la precisión de la respuesta final hasta en un 6.9% en comparación con los mejores métodos fijos.

Probaron esto en dos tareas diferentes de reconocimiento de imágenes (CIFAR-10 y EuroSAT) y descubrieron que el sistema inteligente y adaptativo siempre encontraba el "punto ideal" entre precisión y costo.

Pruebas en el Mundo Real

Para asegurar que esto no era solo una simulación por computadora, los autores también realizaron una prueba en una computadora cuántica real fabricada por Rigetti (la Cepheus-1-108Q). No entrenaron todo el modelo en la máquina real (lo cual sería demasiado costoso), sino que utilizaron la máquina real para probar las respuestas finales.

Los resultados en el hardware real confirmaron su teoría: el brazo más superficial y económico (probando menos niveles de ruido) a menudo ofrecía una precisión tan buena como el brazo caro y profundo, pero a un costo mucho menor. Esto demostró que no siempre necesitas la solución más cara y compleja; a veces, una elección inteligente y adaptativa es mejor.

La Conclusión

Este artículo sugiere que el futuro de la computación cuántica no se trata solo de construir máquinas más grandes y ruidosas, sino de construir un software más inteligente que sepa cómo manejar el ruido. Al tratar la corrección de errores como un problema de aprendizaje dinámico en lugar de una receta fija, podemos obtener mejores resultados de forma más rápida y económica. Aunque los autores señalan que su prueba en el mundo real estuvo limitada a condiciones específicas y que se necesita más trabajo para manejar todos los detalles de un hardware real, sus simulaciones y sus pruebas iniciales de hardware muestran un camino muy prometedor para hacer que las computadoras cuánticas sean realmente útiles en el ruidoso mundo en el que vivimos.

Resumen Técnico: Mitigación de Ruido Cuántico mediante Extrapolación de Ruido Cero Adaptativa

Planteamiento del Problema
Los Circuitos Cuánticos Variacionales (VQC) son centrales para la computación cuántica de escala intermedia con ruido (NISQ), pero se ven severamente obstaculizados por el ruido en los dispositivos NISQ. Aunque la Extrapolación de Ruido Cero (ZNE) es una técnica de mitigación de errores prominente, las implementaciones existentes suelen asumir modelos de ruido estáticos y dependen de esquemas de plegado fijos o heurísticos. Sin embargo, los sistemas NISQ del mundo real exhiben un ruido dinámico y variable en el tiempo debido a fluctuaciones térmicas, diafonía (crosstalk) y deriva de calibración. Este desajuste conduce a errores de modelo en la extrapolación, ejecuciones redundantes de circuitos y un aumento en la sobrecarga de comunicación entre la Unidad de Procesamiento Cuántico (QPU) y la Unidad de Procesamiento Clásico (CPU). Los métodos actuales a menudo no optimizan explícitamente los costos de comunicación (viajes de ida y vuelta, transferencia de datos) ni se adaptan al contexto de ruido evolutivo en tiempo real.

Metodología
El artículo propone CMAB-ZNE, un marco que integra la Extrapolación de Ruido Cero con Bandidos Multibrazo Contextuales (CMAB) para seleccionar dinámicamente los niveles de plegado de ZNE óptimos.

Modelado de Ruido Dinámico: Los autores modelan el ruido utilizando la ecuación maestra de Lindblad, capturando la relajación térmica, la excitación y la desfasaje dependientes del tiempo. Este modelo extrae características contextuales como la infidelidad a nivel de compuerta y los presupuestos de coherencia, que varían en el tiempo.
Formulación de ZNE: La ZNE se implementa mediante el plegado de circuitos unitarios, donde la escala de ruido $\lambda$ se incrementa insertando secuencias de compuertas lógicamente canceladoras. La escala de ruido efectiva es $\lambda = 1 + 2n$ , donde $n$ es el nivel de plegado.
Marco de Trabajo CMAB: La selección de los conjuntos de escalas de plegado de ZNE (brazos) se formula como un problema de bandido contextual consciente del costo.
- Contexto ( $x_t$ ): Incluye descriptores del circuito (profundidad, número de parámetros) y señales de ruido (métricas de calibración, proxies de ruido variables en el tiempo).
- Brazos: Representan conjuntos de escalas de plegado (por ejemplo, $\{1, 3\}$ , $\{1, 3, 5\}$ ). Los conjuntos más grandes ofrecen más puntos de extrapolación pero incurren en mayores costos de ejecución.
- Recompensa: Una métrica compuesta que equilibra la precisión del estimador (pérdida de entropía cruzada), la estabilidad de la extrapolación (varianza) y una penalización por la profundidad del circuito y la sobrecarga de comunicación.
- Política de Selección: El sistema utiliza un algoritmo LinUCB consciente del costo para seleccionar los brazos, equilibrando la exploración y la explotación mientras penaliza los brazos de alto costo a menos que la ganancia de extrapolación justifique el gasto. Una regla de parada presupuestada termina las consultas cuando la varianza del estimador cae por debajo de un umbral objetivo.

Contribuciones Clave

Modelo de Ruido Dinámico: Introducción de un modelo de ruido dependiente del tiempo basado en la ecuación de Lindblad para capturar efectos no estacionarios en VQC, yendo más allá de las suposiciones estáticas.
Formulación CMAB-ZNE: La primera formulación de la selección de conjuntos de plegado de ZNE como un problema de bandido contextual que considera explícitamente los costos de comunicación (viajes de ida y vuelta, bytes, tiempo de ejecución) y se adapta a los contextos del circuito y del ruido.
Análisis Teórico: Demostración de un arrepentimiento (regret) consciente del costo sublineal para la política propuesta, demostrando que el algoritmo se aproxima asintóticamente a la estrategia de plegado óptima consciente del costo.
Validación Empírica: Simulaciones extensas en los conjuntos de datos CIFAR-10 y EuroSAT y validación en hardware real de Rigetti (Cepheus-1-108Q).

Resultos

Ganancias de Desempeño: Bajo condiciones de ruido dinámico, CMAB-ZNE logró hasta un 6.9% más de fidelidad del estimador (en CIFAR-10 con profundidad 3 y banda de ruido $\eta=0.05$ ) comparado con la línea base de plegado fijo [1, 3, 5].
Mejoras de Eficiencia: El enfoque adaptativo redujo los viajes de ida y vuelta de ejecución de circuitos cuánticos hasta en un 40%, los bytes de datos intercambiados en un 35% y el costo de extremo a extremo en un 30% bajo un presupuesto de 10 Mbps.
Validación de Hardware: En el procesador superconductor de Rigetti, el sistema ejecutó con éxito tareas de inferencia. Los resultados mostraron que un brazo superficial ( $\{1, 3\}$ ) a menudo proporcionaba la mejor recompensa consciente del costo, igualando la precisión de los brazos más profundos mientras reducía significativamente los costos de ejecución.
Comparación: CMAB-ZNE superó a las técnicas de mitigación de vanguardia, incluyendo la Regresión de Datos de Clifford (CDR), la Destilación Virtual (VD), la Cancelación de Errores Probabilística (PEC) y las variantes estándar de ZNE, en términos de la relación precisión-pérdida bajo ruido dinámico.

Significancia
El artículo afirma que CMAB-ZNE representa un avance significativo al transformar la ZNE de un paso de post-procesamiento estático en una política en línea y adaptativa. Al optimizar explícitamente los costos de comunicación y adaptarse al ruido variable en el tiempo, el marco aborda la brecha crítica entre la mitigación de errores teórica y las restricciones prácticas del hardware NISQ. Los resultados demuestran que la selección de parámetros de escala de ruido adaptativa y consciente del contexto puede mejorar sustancialmente la relación fidelidad-eficiencia, haciendo que los VQC sean más robustos para el despliegue práctico. Los autores enfatizan que su enfoque no elimina el ruido físico, sino que optimiza la estrategia de mitigación para recuperar la fidelidad minimizando la sobrecarga de recursos.

El Problema: El Horno Cuántico con Fallos

La Solución: El Chef Inteligente y Adaptativo

Lo que Encontraron

Pruebas en el Mundo Real

La Conclusión

Más como este