⚛️ quantum physics

Virtual quantum neural networks

Este artículo introduce las "redes neuronales cuánticas virtuales", un modelo extendido que utiliza el muestreo aleatorio y el procesamiento clásico para incorporar combinaciones lineales de mapas completamente positivos, mejorando así la expresividad y la robustez al ruido para tareas como la mitigación de errores, la clasificación y la estimación de energía en hardware cuántico de corto plazo.

Autores originales: Benchi Zhao, Xuanqiang Zhao, Yinan Li, Yingzhou Li, Giulio Chiribella

Publicado 2026-09-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Benchi Zhao, Xuanqiang Zhao, Yinan Li, Yingzhou Li, Giulio Chiribella

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

En la era actual de la computación cuántica, las máquinas son lo suficientemente potentes como para realizar cálculos que desconcertarían incluso a las supercomputadoras clásicas más avanzadas, pero siguen siendo frágiles. Estos dispositivos, conocidos como procesadores cuánticos de escala intermedia ruidosos, operan con unos pocos cientos de unidades diminutas llamadas cúbits. Si bien pueden explorar nuevos reinos de la física y la química, sufren un defecto fundamental: la interferencia ambiental provoca errores que corrompen los datos casi tan pronto como se generan. Para hacer que estas máquinas sean útiles, los científicos recurren a un método llamado redes neuronales cuánticas. Piense en esto como un bucle de aprendizaje donde un circuito cuántico, ajustado por un conjunto de perillas, procesa información y produce un resultado. Luego, una computadora clásica verifica qué tan cerca está ese resultado del deseado y ajusta las perillas para mejorar el siguiente intento. Este ciclo permite a los investigadores entrenar a la máquina para resolver problemas como la identificación de patrones en los datos o la búsqueda del estado de energía más estable de una molécula, a pesar de las imperfecciones del hardware. Sin embargo, este enfoque tradicional es limitado porque solo puede explorar una trayectoria estrecha de posibles cálculos, restringida por lo que la máquina física realmente puede hacer en una sola ejecución.

Un equipo de investigadores ha propuesto ahora una forma de romper esta barrera cambiando la manera en que funciona el proceso de aprendizaje. En lugar de depender de un único circuito cuántico para realizar el trabajo pesado, introdujeron un nuevo modelo llamado red neuronal cuántica virtual. En este enfoque, la computadora no solo ejecuta un circuito; muestrea aleatoriamente muchos circuitos diferentes, cada uno con sus propios ajustes, y los ejecuta en el hardware cuántico. Los resultados de estas múltiples ejecuciones no se promedian simplemente. En su lugar, una computadora clásica toma los datos de todos estos experimentos separados y los combina utilizando una receta matemática específica. Esta receta implica sumar y restar los resultados de una manera que un solo circuito físico nunca podría lograr por sí solo. Al mezclar estos resultados, el sistema crea una operación "virtual" que es mucho más flexible y poderosa que cualquier circuito individual. Es como si los investigadores hubieran encontrado una forma de simular una máquina mucho más compleja mediante el ensamblaje inteligente de las salidas de varias otras más simples y ruidosas.

Los investigadores probaron esta idea en tres desafíos distintos para ver si el enfoque virtual ofrecía ventajas reales. Primero, abordaron el problema de corregir los errores causados por el ruido desconocido. En la computación cuántica estándar, corregir errores suele requerir saber exactamente qué tipo de ruido está afectando a la máquina. El nuevo método, sin embargo, funcionó incluso cuando el ruido era un misterio. Al entrenar la red virtual para revertir los efectos del ruido, el equipo descubrió que su sistema podía recuperar la información correcta con una precisión casi perfecta, incluso cuando el hardware subyacente era defectuoso. Las simulaciones mostraron que el método podía encontrar la mejor manera de cancelar los errores, desempeñándose casi tan bien como si el ruido hubiera sido perfectamente comprendido desde el principio.

A continuación, el equipo aplicó el modelo a una tarea de clasificación binaria, que consiste esencialmente en enseñar a la máquina a clasificar datos en dos categorías, como distinguir entre dos tipos de formas. En esta prueba, la red virtual superó consistentemente a los clasificadores cuánticos tradicionales. Cuando se introdujeron los datos en el sistema, la red virtual aprendió a realizar predicciones más precisas, incluso cuando las puertas cuánticas utilizadas para procesar los datos eran ruidosas. Los resultados demostraron que, al permitir que el sistema explorara un rango más amplio de posibilidades mediante el muestreo aleatorio, la máquina se volvía más robusta frente a los errores que típicamente plagan los dispositivos cuánticos.

Finalmente, los investigadores utilizaron su método para estimar la energía del estado fundamental de una molécula, un cálculo que determina la configuración más estable de los átomos y que es crucial para comprender las reacciones químicas. Esta es una tarea notoriamente difícil para las computadoras cuánticas ruidosas porque los pequeños errores pueden conducir a valores de energía erróneos. El equipo introdujo un nuevo algoritmo basado en su red virtual para resolver esto. Sus simulaciones mostraron que, al combinar las salidas de múltiples circuitos ruidosos, el sistema podía estimar la energía de la molécula con una precisión significativamente mayor que los métodos estándar. La red virtual filtró eficazmente el ruido, permitiendo a los investigadores acercarse mucho más al verdadero valor físico de lo que era posible anteriormente con el mismo hardware.

El hallazgo central de este trabajo es que las limitaciones del hardware cuántico actual no son necesariamente un callejón sin salida. Al invertir más tiempo en el muestreo de múltiples circuitos y utilizar computadoras clásicas para procesar los resultados, los científicos pueden desbloquear un espacio de cálculos mucho más amplio. Este enfoque no requiere esperar a tener máquinas perfectas y libres de errores; en su lugar, utiliza los dispositivos ruidosos existentes de una manera más inteligente. La red neuronal cuántica virtual actúa como un puente, convirtiendo la debilidad del ruido en una variable manejable y expandiendo lo que estas computadoras cuánticas de etapa temprana realmente pueden lograr. El estudio sugiere que este paradigma de aprendizaje flexible podría convertirse en una herramienta estándar para hacer que el hardware cuántico de corto plazo sea más útil para aplicaciones del mundo real en ciencia e ingeniería.

Resumen Técnico: Redes Neuronales Cuánticas Virtuales

Planteamiento del Problema
Las Redes Neuronales Cuánticas (QNN, por sus siglas en inglés) son un modelo líder para el aprendizaje automático cuántico (QML) en la era de la Tecnología Cuántica de Escala Intermedia con Ruido (NISQ). Las QNN estándar se entrenan minimizando una función de pérdida sobre una familia parametrizada de circuitos cuánticos, descrita matemáticamente por operadores unitarios o, más generalmente, por mapas completamente positivos preservadores de la traza (CPTP). Sin embargo, este marco enfrenta una limitación fundamental: el espacio de optimización está restringido al subconjunto de mapas CPTP físicamente realizables en el hardware cuántico disponible. Esta restricción limita la expresividad del modelo, confiniéndolo a menudo a circuitos poco profundos, y hace que el modelo sea sensible al ruido del hardware, lo que degrada el rendimiento a medida que aumenta la profundidad del circuito.

Metodología: El Marco de la QNN Virtual (VQNN)
Los autores proponen un modelo extendido llamado Red Neuronal Cuántica Virtual (VQNN). Este marco aprovecha el muestreo aleatorio y el post-procesamiento clásico para ampliar el espacio de optimización más allá del conjunto de mapas CPTP físicamente implementables.

Mecanismo Central: En lugar de optimizar un único circuito cuántico, una VQNN muestrea aleatoriamente $N$ circuitos cuánticos parametrizados (ramas). Sean estos circuitos representados por mapas CPTP $C_i(\theta^{(i)})$ . La VQNN computa una combinación lineal de los valores de expectativa obtenidos de estas ramas, ponderados por coeficientes reales $c_i$ .
Formulación Matemática: La operación efectiva realizada por la VQNN es una combinación lineal de los mapas individuales:
$M(\theta, c) = \sum_{i=1}^N c_i C_i(\theta^{(i)})$
A diferencia de las QNN estándar, $M(\theta, c)$ no está restringida a ser un mapa CPTP. Pertenece a la clase más amplia de mapas que preservan la hermiticidad (HP) (también conocidos como operaciones cuánticas virtuales).
Bucle de Entrenamiento:
1. Muestreo: El estado de entrada $\rho_0$ es procesado por uno de los $N$ circuitos elegidos con una probabilidad $p_i = |c_i| / \|c\|_1$ .
2. Medición: El estado de salida es medido para estimar el valor de expectativa de un observable $O$ .
3. Post-procesamiento: Los resultados de las mediciones se agregan clásicamente para estimar el argumento de la función de pérdida, $x(\theta, c) = \sum c_i \text{Tr}[O C_i(\theta^{(i)})(\rho_0)]$ .
4. Optimización: Un optimizador clásico (por ejemplo, Adam) actualiza los parámetros del circuito $\theta$ y los coeficientes $c$ para minimizar la función de pérdida $L = f(x(\theta, c))$ .
Sobrecarga de Muestreo: El costo de esta extensión es una "sobrecarga de muestreo" proporcional a $\|c\|_1 = \sum |c_i|$ . El número de rondas de muestreo requeridas para estimar la función de pérdida dentro de un cierto límite de error escala con $\|c\|_1^2$ .

Contribuciones Clave y Aplicaciones
El artículo demuestra la eficacia de las VQNN a través de tres tareas representativas, mostrando que el espacio de optimización ampliado conduce a una mayor expresividad y robustez al ruido.

Mitigación de Errores Cuánticos Variacionales (VQEM):
- Objetivo: Mitigar el ruido cuántico desconocido y no caracterizado sin conocimiento previo del canal de ruido.
- Enfoque: La VQNN se entrena para encontrar una combinación lineal de canales parametrizados que aproxime el inverso del canal de ruido ( $N^{-1}$ ). La función de pérdida minimiza la distancia de Hilbert-Schmidt entre el estado de salida virtual y el estado objetivo ideal (por ejemplo, un estado Bell).
- Resultados: Las simulaciones numéricas muestran que la VQEM logra una mitigación casi óptima para el ruido de despolarización y de amortiguación de amplitud. Incluso cuando los propios circuitos variacionales son ruidosos, la VQNN puede recuperar casi el rendimiento de un circuito ideal sin ruido al aumentar el presupuesto de muestreo.
Clasificador Cuántico Virtual (VQC):
- Objetivo: Clasificación binaria de datos clásicos codificados en estados cuánticos.
- Enfoque: Un VQC se entrena en dispositivos cuánticos ruidosos donde las puertas de codificación y procesamiento están sujetas a ruido de despolarización.
- Resultos: El VQC logra consistentemente una mayor precisión de predicción tanto en los conjuntos de datos de entrenamiento como en los de prueba en comparación con los clasificadores basados en QNN convencionales (que corresponden a una VQNN con un presupuesto de muestreo de 1.0). La precisión mejora a medida que aumenta el presupuesto de muestreo.
Algoritmo de Eigensolver Cuántico Variacional Virtual (VVQE):
- Objetivo: Estimar la energía del estado fundamental de un Hamiltoniano (una tarea de aprendizaje no supervisado).
- Enfoque: Los autores abordan el problema de que las combinaciones lineales de estados cuánticos pueden no ser matrices de densidad válidas (pueden no ser semidefinidas positivas). Introducen una función de pérdida que incluye un término de penalización para la "negatividad" del estado promedio, aproximado mediante una expansión de Chebyshev truncada.
- Resultados: En la estimación de la energía del estado fundamental de la molécula $HeH^+$ , el VVQE produce resultados significativamente más precisos que el VQE estándar cuando se utilizan circuitos ruidosos, siempre que se asigne un presupuesto de muestreo suficiente.

Significancia y Reivindicaciones
El artículo afirma que las VQNN ofrecen un paradigma de aprendizaje flexible que amplía el espacio de las computaciones alcanzables para el hardware cuántico de corto plazo. La significancia radica en dos ventajas principales:

Expresividad Mejorada: Al optimizar sobre mapas HP en lugar de solo mapas CPTP, las VQNN pueden acceder a un espacio de optimización más grande. Esto permite al modelo simular operaciones complejas, como el entrelazamiento de largo alcance, utilizando combinaciones lineales de circuitos poco profundos, potencialmente evitando el problema de las "mesetas estériles" (barren plateaus) asociado con circuitos profundos.
Mejor Robustidad al Ruido: El marco funciona naturalmente como un protocolo variacional de cancelación probabilística de errores. Al aprender los coeficientes óptimos en presencia de ruido, la VQNN puede cancelar parcialmente los efectos del ruido, actuando efectivamente como un amortiguador contra las imperfecciones del hardware.

Los autores concluyen que las VQNN representan una estrategia para superar las limitaciones del hardware invirtiendo recursos adicionales en muestreo y computación clásica, fortaleciendo así las aplicaciones prácticas de los dispositivos NISQ.

Resumen Técnico: Redes Neuronales Cuánticas Virtuales

Más como este