On the Power of Adaptivity in Testing Quantum States in Fidelity

En el mundo cuántico, la información se almacena en sistemas delicados llamados estados cuánticos. Para comprender estos sistemas, los científicos a menudo necesitan compararlos, preguntándose si dos estados son idénticos o si difieren significativamente. Esta tarea es similar a comprobar si dos objetos complejos e invisibles están hechos exactamente del mismo material o si uno ha sido sutilmente alterado. La dificultad de esta comparación depende de cómo los científicos elijan medir los estados. Pueden observar una pieza del sistema a la vez, o pueden intentar medir muchas piezas juntas de una manera coordinada. Una cuestión clave en este campo ha sido si la capacidad de cambiar el plan de medición basándose en resultados previos —lo que los investigadores llaman adaptatividad— hace que el trabajo de comparar estos estados sea más fácil. Durante mucho tiempo, cuando los científicos medían la distancia entre estados utilizando un método estándar, descubrieron que esta flexibilidad no ofrecía ninguna ventaja real; un plan fijo funcionaba tan bien como uno cambiante.

Un nuevo estudio realizado por investigadores del Centro para las Tecnologías Cuánticas de Singapur explora qué sucede cuando cambian a una forma diferente de medir la distancia entre estos estados cuánticos, basada en un concepto conocido como fidelidad. La fidelidad es una medida fundamental de qué tan cerca están dos estados cuánticos de ser idénticos, y se utiliza a menudo cuando el método estándar es demasiado severo o difícil de aplicar. Los investigadores investigaron tres desafíos específicos: comprobar si un estado desconocido coincide con uno conocido, comprobar si dos estados desconocidos coinciden entre sí, y comprobar si un estado complejo está realmente compuesto por dos partes independientes. Descubrieron que para la tarea de comparar dos estados desconocidos, la adaptatividad se convierte en una herramienta poderosa. Mientras que un enfoque fijo y no adaptativo requiere un número masivo de muestras para obtener la respuesta correcta, una estrategia adaptativa que aprende de cada paso puede realizar el trabajo con muchas menos muestras. Este hallazgo revela una clara separación entre los diferentes problemas de prueba en el reino cuántico, mostrando que la capacidad de adaptar la estrategia de medición no es solo una conveniencia menor, sino una necesidad fundamental para la eficiencia en ciertos escenarios.

Los investigadores comenzaron abordando el problema de la certificación, donde un estado ya está totalmente descrito y el otro es desconocido. Descubrieron que incluso sin la capacidad de cambiar su plan de medición, podían determinar si el estado desconocido coincidía con el conocido con un número de muestras que dependía de la complejidad del estado conocido en lugar del tamaño total del sistema. Este resultado fue óptimo, lo que significa que ningún método, incluso uno flexible, podría hacerlo mejor. Sin embargo, la situación cambió dramente cuando pasaron a la prueba de equivalencia, donde ambos estados son desconocidos. En este caso, los investigadores demostraron que una estrategia de medición fija es fundamentalmente ineficiente. Demostraron que, sin la capacidad de adaptarse, el número de muestras requeridas crece rápidamente a medida que aumenta la precisión deseada, haciendo que la tarea sea prácticamente imposible para una alta precisión. En contraste, mediante el uso de un enfoque adaptativo, desarrollaron un algoritmo que aprende sobre los estados en etapas, refinando su comprensión con cada nuevo dato. Este proceso de aprendizaje les permitió probar los estados de manera mucho más eficiente, requiriendo significativamente menos muestras que el método no adaptativo.

Para lograr esta eficiencia, el equipo empleó una estrategia que divide los complejos estados cuánticos en piezas más pequeñas y manejables. Primero aprendieron una estructura aproximada de uno de los estados desconocidos, agrupando sus propiedades en categorías basadas en su tamaño. Esta fase inicial de aprendizaje no fue perfecta, pero proporcionó suficiente información para guiar la prueba posterior. Luego utilizaron este conocimiento parcial para probar los estados pieza por pieza, comparando los estados desconocidos entre sí dentro de estas categorías específicas. Los investigadores equilibraron cuidadosamente el costo de aprender la estructura inicial con el costo de realizar la prueba final. Al ajustar con qué precisión necesitaban aprender la estructura antes de realizar la prueba, encontraron un punto ideal que minimizaba el número total de muestras necesarias. Este enfoque les permitió resolver el problema de la prueba de equivalencia con un recuento de muestras que era mucho menor de lo que se pensaba anteriormente para este tipo específico de medida de distancia.

El estudio también extendió estos hallazgos al problema de la prueba de independencia, que pregunta si un estado complejo es simplemente una combinación de dos estados separados e independientes o si las partes están entrelazadas de una manera que las vincula. Los investigadores aplicaron su método de prueba de equivalencia adaptativa a este problema, tratando al estado combinado y al producto de sus partes como los dos estados desconocidos a comparar. Descubrieron que, al aprender las propiedades de las partes individuales por separado y luego combinar ese conocimiento, podían probar la independencia de manera más eficiente que tratando todo el sistema como un solo bloque. Este método resultó particularmente efectivo cuando las dos partes del sistema eran de tamaño similar, ofreciendo una clara ventaja sobre técnicas anteriores que dependían de aprender el estado completo a la vez. Los resultados sugieren que la estructura del problema en sí misma puede ser explotada para ahorrar recursos, siempre que la estrategia de medición sea lo suficientemente flexible como para adaptarse a lo que se está aprendiendo.

Finalmente, los investigadores abordaron la cuestión de si estas ganancias de eficiencia eran exclusivas del método adaptativo o si podrían lograrse por otros medios. Construyeron un escenario específico que involucra sistemas cuánticos simples para demostrar que, sin adaptatividad, el número de muestras requeridas sería prohibitivamente grande, independientemente de cuán ingenioso fuera el plan de medición fijo. Este límite inferior confirmó que el poder de la adaptatividad es real y necesario para estas tareas específicas cuando se utiliza la fidelidad como medida. Aunque los investigadores no demostraron que sus algoritmos adaptativos fueran los mejores posibles, sospechan firmemente que la separación entre los diferentes problemas permanece incluso en el caso adaptativo. Creen que las diferentes estructuras de las pruebas de certificación, equivalencia e independencia continuarán exigiendo diferentes complejidades de muestra, tal como ocurre en la teoría de la probabilidad clásica. Este trabajo destaca que, en el mundo cuántico, la forma en que elegimos observar un sistema puede cambiar fundamentalmente cuánta información necesitamos reunir para comprenderlo.