⚛️ quantum physics

Quantum Gaussian processes for prediction of channel observations

Este artículo extiende la regresión de Procesos Gaussianos Cuánticos (QGP) para predecir salidas de canales cuánticos desconocidos mediante la derivación de un kernel de forma cerrada bajo una distribución previa uniforme y la introducción de un heurístico de Bayes empírico para superar las limitaciones de escalabilidad, permitiendo así un aprendizaje y una optimización fieles tanto para sistemas de múltiples cúbits locales como globales, incluso bajo ruido experimental.

Autores originales: Jonas Jäger, Yaroslav Khmelnitskiy, Paolo Braccia, Artur Miroszewski, Diego García-Martín, M. Cerezo, Piotr Czarnik

Publicado 2026-08-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jonas Jäger, Yaroslav Khmelnitskiy, Paolo Braccia, Artur Miroszewski, Diego García-Martín, M. Cerezo, Piotr Czarnik

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 intentar comprender cómo funciona una máquina compleja observando lo que sale de ella, sin que se te permita nunca abrir la carcasa o ver los engranajes en su interior. Esta es la realidad diaria de los científicos que trabajan con computadoras cuánticas. Estas máquinas manipulan los componentes fundamentales de la materia, pero son notablemente frágiles y difíciles de controlar. A menudo, los investigadores no necesitan conocer cada detalle de cómo la máquina procesa la información; simplemente necesitan predecir el resultado de una medición específica, como el magnetismo promedio de un grupo de átomos, después de que la máquina haya ejecutado una determinada secuencia de operaciones. El desafío es que aprender el comportamiento de la máquina probando cada entrada posible tomaría tanto tiempo y energía que se vuelve imposible, especialmente a medida que las máquinas crecen en tamaño.

Para resolver esto, los científicos han recurrido a una herramienta estadística llamada proceso gaussiano. Piensa en esta herramienta como un adivinador altamente inteligente. Si le muestras algunos ejemplos de cómo se comporta un sistema, puede predecir cómo se comportará en situaciones que nunca ha visto, además de decirte qué tan seguro está de esa suposición. Durante años, este método funcionó bien para sistemas cuánticos que estaban perfectamente aislados y se comportaban de una manera predecible y reversible. Sin embargo, los dispositivos cuánticos del mundo real son desordenados. Interactúan con su entorno, pierden información y se comportan de formas que no son perfectamente reversibles. Este artículo aborda el difícil problema de aplicar esta herramienta de adivinación inteligente a esas máquinas cuánticas desordenadas del mundo real, conocidas como canales cuánticos.

Los investigadores comenzaron planteándose una pregunta fundamental: si no sabemos nada sobre una máquina cuántica específica más allá de que es un proceso físico válido, ¿cuál es la forma más razonable de adivinar su comportamiento? Decidieron tratar cada posible forma en que la máquina podría evolucionar como igualmente probable, un concepto conocido como un prior uniforme. Usando esta amplia suposición, demostraron matemáticamente que los resultados de la máquina seguirían un patrón estadístico específico. Derivaron una regla precisa, o kernel, que describe cómo el resultado de una entrada está relacionado con el de otra. Esta regla se basa en una idea física simple: cuanto más similares sean dos estados iniciales, más similares serán sus resultados. Esto creó un nuevo marco, matemáticamente riguroso, para predecir resultados cuánticos sin necesidad de comprender completamente el funcionamiento interno de la máquina.

Sin embargo, cuando el equipo probó este nuevo marco en sistemas grandes, se topó con un muro. La regla matemática que derivaron incluía un factor que hacía que las señales predichas fueran increíblemente diminutas a medida que el tamaño del sistema crecía. Para máquinas pequeñas, esto era manejable. Pero para un sistema con sesenta y cuatro bits cuánticos, la señal se volvió tan tenue que fue ahogada por el ruido natural de la medición. Era como si la herramienta les estuviera diciendo que, estadísticamente, la máquina no debería producir ninguna señal, haciendo imposible aprender algo de los datos. Los investigadores se dieron cuenta de que su suposición de ignorancia total era matemáticamente sólida, pero era demasiado pesimista para experimentos reales. En un laboratorio controlado, incluso una máquina ruidosa suele producir una señal clara y distinta de cero.

Para solucionar esto, el equipo introdujo un ajuste ingenioso. En lugar de dejar que la rígida regla matemática dictara la fuerza de la señal, propusieron un método para aprender la escala de la señal directamente de los datos. Mantuvieron la parte de la regla que describe cómo las entradas similares conducen a resultados similares, pero reemplazaron el diminuto factor de escala fijo por un número flexible que podía ser ajustado. Esto permitió que el modelo confiara en los datos que estaba viendo. Cuando probaron este enfoque ajustado, los resultados fueron sorprendentes. Para el sistema grande de sesenta y cuatro cúbits, el método original falló por completo, incapaz de mejorar sus predicciones sin importar cuántas mediciones se realizaran. El nuevo método ajustado, sin embargo, aprendió el comportamiento del sistema con éxito. A medida que aumentaban el número de mediciones, las predicciones se volvían sistemáticamente más precisas, coincidiendo finalmente con el comportamiento real de la máquina.

El equipo no se detuvo en las simulaciones. Llevaron su método a una computadora cuántica real construida por IBM, ubicada en Boston. Programaron una pequeña máquina de cuatro cúbits para que actuara como un canal cuántico ruidoso y utilizaron su herramienta para predecir el resultado de las mediciones en entradas que la máquina nunca había visto antes. Las predicciones coincidieron con los resultados experimentales con alta precisión, demostrando que el método funciona incluso cuando el hardware es imperfecto y ruidoso. Esto demostró que el enfoque es lo suficientemente robusto para la realidad desordenada de la tecnología cuántica actual.

Más allá de simplemente predecir resultados, los investigadores demostraron que esta herramienta podía usarse para guiar a la máquina hacia un objetivo deseado. Establecieron una tarea donde el objetivo era preparar un estado cuántico específico ajustando la configuración de la máquina. Usando su modelo estadístico como guía, pudieron encontrar la mejor configuración mucho más rápido que los métodos de optimización estándar. Esto sugiere que la técnica podría convertirse en una parte vital para controlar futuros dispositivos cuánticos, ayudando a los científicos a navegar por el complejo panorama del comportamiento cuántico sin necesidad de realizar millones de experimentos costosos. El trabajo cierra la brecha entre la probabilidad teórica y la aplicación práctica, ofreciendo una forma de aprender de las máquinas cuánticas incluso cuando estas son grandes, ruidosas y en gran medida desconocidas.

Resumen Técnico: Procesos Gaussianos Cuánticos para la Predicción de Observaciones de Canales

Planteamiento del Problema

Caracterizar la acción de un canal cuántico desconocido sobre una familia de estados de entrada es una tarea experimental fundamental. En muchos escenarios, el objetivo no es reconstruir el proceso cuántico completo (lo que requiere recursos exponenciales en el número de cúbits mediante la tomografía de procesos), sino predecir los valores de esperanza de un conjunto específico de observables en la salida. Esta tarea surge al sondear la dinámica de sistemas de muchos cuerpos, algoritmos cuánticos variacionales y la evaluación de dispositivos. Si bien la regresión por Procesos Gaussianos (GP) se ha aplicado con éxito a la dinámica unitaria de sistemas cerrados, extender este marco a canales cuánticos de sistemas abiertos sigue siendo un desafío abierto. Específicamente, existe la necesidad de derivar analíticamente un prior de QGP informado por la física para canales cuánticos generales que permita un aprendizaje eficiente a partir de datos de medición limitados.

Metodología

1. Derivación Teórica de los QGP de Canales

Los autores extienden el marco de los Procesos Gaussianos Cuánticos (QGP) a canales cuánticos generales. Modelan el canal desconocido $C$ como un proceso estocástico extraído de un ensamble.

Selección del Prior: En ausencia de conocimiento específico del canal, los autores adoptan la medida de Lebesgue sobre el conjunto convexo de canales cuánticos como el prior. Esto corresponde a un muestreo uniforme sobre todos los canales posibles, evitando el sesgo hacia cualquier región específica del espacio de canales.
Dilatación de Stinespring: Para evaluar la media y la covarianza del prior, el canal se representa mediante la dilatación de Stinespring, mapeando el canal a una unitaria de Haar aleatoria en un espacio de Hilbert dilatado (sistema + entorno).
Derivación del Kernel: Utilizando la integración de Haar y el cálculo de Weingarten en el límite de gran tamaño del sistema, los autores derivan un prior de QGP de forma cerrada:
- Media: La media del prior es cero ( $\mu(t) = 0$ ).
- Kernel: El kernel de covarianza está dado por $\kappa(t_i, t_j) = \frac{1}{d} \text{Tr}[\rho(t_i)\rho(t_j)]$ , donde $d = 2^{n_A + 2n_B}$ es la dimensión del espacio dilatado, y $\rho(t)$ son los estados de entrada. Las correlaciones están determinadas enteramente por los solapamientos (fidelidad) de los pares de estados de entrada.

2. Análisis de Escalabilidad

Los autores analizan la escalabilidad del kernel derivado con respecto a las mediciones de disparos (shots) finitos.

Supresión Dimensional: El kernel contiene un factor prefactor $1/d$ . Para canales que actúan sobre subsistemas pequeños (donde $n_A + 2n_B \in O(\log n)$ ), $d$ crece polinómicamente, y la relación señal-ruido permanece manejable.
Barrera Exponencial: Para canales que actúan extensamente sobre el sistema (donde $n_A + 2n_B \in \Theta(n)$ ), $d$ crece exponencialmente. Esto suprime la escala del kernel exponencialmente, requiriendo un número exponencial de disparos de medición para distinguir la señal del ruido. En consecuencia, el prior de Lebesgue carece del sesgo inductivo necesario para aprender observaciones no nulas en sistemas globales grandes.

3. Heurística de Bayes Empírico

Para abordar el problema de escalabilidad en sistemas globales, los autores proponen un kernel de canal reescalado.

Mecanismo: Reemplazan el factor de escala dimensional fijo $1/d$ por un parámetro de escala aprendible $\eta$ . El nuevo kernel es $\kappa_\eta(t_i, t_j) = \eta \text{Tr}[\rho(t_i)\rho(t_j)]$ .
Optimización: El parámetro $\eta$ se determina mediante un enfoque de Bayes empírico maximizando la verosimilitud marginal logarítmica de las observaciones. Esta es una rutina de optimización puramente clásica que aprovecha el objetivo de forma cerrada de los GP, sin incurrir en sobrecarga adicional de computación cuántica.
Racional: Este enfoque retiene la estructura de correlación de solapamiento de estados motivada físicamente derivada del prior de Lebesgue, mientras permite que la escala general se adapte a los datos experimentales específicos, restaurando efectivamente la capacidad de aprendizaje para conjuntos de datos favorables.

Resultados Clave

Simulaciones Numéricas

Sistemas Pequeños (4 Cúbits): Para un canal global actuando en un sistema de 4 cúbits, el QGP de canal estándar (con el kernel de Lebesgue) interpola con éxito los valores de esperanza de los observables. Logra una precisión comparable al método de la Matriz de Transferencia de Pauli de fila (PTM), pero requiere uno o dos órdenes de magnitud menos de disparos de medición.
Sistemas Grandes (64 Cúbits):
- Canal Local: Cuando el canal actúa solo sobre un subsistema de 4 cúbits de un sistema de 64 cúbits, el QGP de canal estándar extrapola con éxito la dependencia del observable, demostrando la utilidad del sesgo inductivo del subsistema.
- Canal Global: Para un canal que actúa globalmente en 64 cúbits, el QGP de canal estándar falla en mejorar sobre el prior de media cero independientemente del presupuesto de disparos debido a la supresión exponencial. En contraste, el kernel reescalado restaura la capacidad de aprendizaje. Las predicciones mejoran sistemáticamente con el presupuesto de disparos, y el modelo reproduce con éxito la dependencia del observable.
Optimización Bayesiana: El QGP de canal reescalado se implementó como modelo sustituto para la optimización bayesiana (BO) en una tarea de preparación de estado de cadena de espín XXZ ruidosa. El enfoque de BO, utilizando el QGP reescalado, localizó con éxito el mínimo global de la función de pérdida dentro de 100 evaluaciones, mientras que el descenso de gradiente falló en alcanzar el mínimo incluso después de 800 evaluaciones.

Demostración en Hardware

Los autores implementaron un canal global de 4 cúbits en el computador cuántico ibm_boston de IBM. El canal fue generado por la dinámica de campo Ising transversal trotterizada acoplando el sistema a un entorno de 4 cúbits. Usando 6 observaciones de entrenamiento, la regresión QGP interpoló con precisión el valor de esperanza $\langle X_1 \rangle(t)$ sobre el intervalo $t \in [0, 1]$ , coincidiendo con los resultados experimentales a pesar del ruido desconocido del hardware.

Significancia y Reivindicaciones

El artículo afirma proporcionar la primera extensión analítica de los Procesos Gaussianos Cuánticos de la dinámica unitaria a canales cuánticos generales. Sus contribuciones principales son:

Convergencia Probable: Demuestra que las salidas de los canales convergen a un QGP bajo un prior uniforme (Lebesgue), derivando un kernel de forma cerrada y sin hiperparámetros basado en los solapamientos de estados.
Límites de Escalabilidad: Identifica una limitación fundamental donde el prior uniforme conduce a una supresión exponencial de la señal para canales globales, haciendo que el aprendizaje sea intratable sin modificaciones.
Solución Práctica: Introduce un heurístico de kernel reescalado que combina los conocimientos físicos de la derivación analítica con el ajuste de escala basado en datos. Esto permite aplicar el marco a canales cuánticos globales de gran escala donde el prior estándar falla.
Eficiencia: El método demuestra una eficiencia de muestreo superior en comparación con el aprendizaje PTM tradicional y permite una optimización bayesiana eficiente para la preparación de estados en entornos ruidosos.

Los autores enfatizan que, si bien el prior de Lebesgue es teóricamente "no informativo" para sistemas grandes, el enfoque reescalado aprovecha la estructura de correlación inherente a la física del problema mientras se adapta a la respuesta específica del dispositivo, ofreciendo un camino práctico para el aprendizaje de canales cuánticos desconocidos en entornos experimentales.