⚛️ quantum physics

Certification cost of quantum models: measurement correlation, not parameter count

Este artículo demuestra que el costo de medición para certificar modelos cuánticos variacionales escala con la estructura de correlación del ruido de lectura en lugar del recuento de parámetros, revelando que las estimaciones de costo cúbico provenientes de simulaciones pequeñas a menudo sobreestiman los requisitos de hardware a gran escala debido a efectos de tamaño finito y restricciones de conectividad.

Autores originales: Pavel Sulimov, Claude Lehmann

Publicado 2026-09-15

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Pavel Sulimov, Claude Lehmann

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 carrera por construir computadoras cuánticas útiles, los científicos suelen centrarse en cuántas perillas tiene una máquina para girar. Estas perillas, llamadas parámetros, son los ajustes que los investigadores modifican para enseñar a un sistema cuántico a resolver problemas. Un supuesto común ha sido que cuanto más perillas tiene una máquina, más difícil es demostrar que la máquina está funcionando correctamente. Específicamente, muchos expertos creían que el número de veces que se debe ejecutar un circuito cuántico para verificar su precisión crece cúbicamente con el número de parámetros. En términos sencillos, si se duplica la complejidad, se pensaba que el costo para comprobar el trabajo aumentaba por un factor de ocho. Esta creencia ha moldeado la forma en que los investigadores presupuestan su tiempo y recursos, llevándolos a menudo a asumir que las máquinas cuánticas a gran escala serán prohibitivamente costosas de certificar.

Sin embargo, un nuevo estudio de investigadores de la Universidad de Ciencias Aplicadas de Zúrich y la Universidad de Zúrich desafía esta visión largamente sostenida. Se propusieron medir exactamente cuánto cuesta verificar la geometría de un modelo cuántico entrenado, no mediante conjeturas, sino contando los disparos reales, o mediciones, requeridos. Su trabajo revela que el costo no está dictado únicamente por el número de parámetros, sino por cómo se comportan las señales internas y el ruido de la máquina a medida que crece. Al ejecutar miles de simulaciones y probar hardware real, descubrieron que el costo "cúbico" es a menudo una ilusión creada por experimentos a pequeña escala. Para muchos tipos de circuitos cuánticos, el costo para verificar la precisión crece mucho más lentamente de lo que se pensaba anteriormente, cambiando el panorama económico de lo que es posible en las máquinas futuras.

Los investigadores comenzaron planteándose una pregunta fundamental: ¿cuánto cuesta realmente demostrar que un modelo cuántico hace lo que afirma? En el mundo cuántico, no se puede simplemente mirar los ajustes de una máquina para saber si es correcta. Debido a que los sistemas cuánticos son inherentemente probabilísticos, se debe ejecutar el mismo cálculo muchas veces y contar los resultados para obtener un promedio fiable. Este proceso se denomina establecer un "presupuesto de disparos" (shot budget). Si el presupuesto es demasiado pequeño, el ruido ahoga la señal y los ajustes del modelo resultan inútiles. El equipo derivó una regla precisa para este presupuesto, demostrando que el número de disparos necesarios depende de dos cosas medibles: la varianza de la salida (cuánto saltan los resultados) y la fuerza del gradiente (qué tan claramente influyen los ajustes de la máquina en el resultado). Descubrieron que si se miden estas dos cantidades directamente, se puede calcular el costo exacto para verificar el modelo, independientemente de cuántos parámetros tenga el modelo.

Cuando aplicaron esta regla a diferentes tipos de circuitos cuánticos, surgió un patrón sorprendente. El estudio probó dos familias principales de circuitos: uno donde las conexiones entre los cúbits son fijas y no crecen con el tamaño de la máquina, y otro donde las conexiones se expanden a medida que la máquina se agranda. Para los circuitos con conexiones fijas, el costo de verificar el modelo creció cuadráticamente con el número de parámetros. De hecho, para una máquina de 256 cúbits de este tipo, el costo fue aproximadamente proporcional al cuadrado del número de parámetros, no al cubo de ese número. Esto significa que el ampliamente citado "costo cúbico" no es una ley universal de la física, sino un efecto temporal observado solo en sistemas pequeños donde el tamaño de la máquina es comparable al rango sobre el cual la información puede viajar.

Los investigadores explicaron este cambio utilizando el concepto de un "cono de luz", que describe qué tan lejos puede un cambio en una parte de la máquina afectar al resto. En máquinas pequeñas, todo el sistema está dentro de este cono de luz, por lo que cada parte de la máquina siente cada cambio, lo que conduce a un costo alto que escala de forma cúbica. Pero a medida que la máquina crece, el cono de luz mantiene el mismo tamaño mientras la máquina se agranda. Eventualmente, la máquina sobrepasa el cono de luz y el costo de verificarla cae a una tasa cuadrática mucho menor. Esta distinción es crucial porque significa que una estimación de costo basada en una simulación pequeña sobreestimará enormemente el gasto de ejecutar una máquina grande. Por ejemplo, en una familia de productos de circuitos certificados hasta 256 cúbits, los investigadores encontraron que el exponente de costo era aproximadamente 1.97, muy por debajo del 3 predicho.

Para asegurar que sus hallazgos no fueran solo un artefacto de la simulación, el equipo probó sus teorías en hardware cuántico real de IBM. Utilizaron una técnica llamada "circuitos espejo", donde ejecutan un circuito y luego ejecutan inmediatamente su reverso exacto. En un mundo perfecto, esto debería devolver el sistema a su estado inicial con un 100% de certeza. Al medir cuánto se desviaban las máquinas reales de este retorno perfecto, pudieron cuantificar el "multiplicador de hardware", o el costo adicional impuesto por el ruido del mundo real. En dos dispositivos IBM diferentes, encontraron que el hardware real requería aproximadamente el doble de disparos de lo que la teoría ideal predecía. Este multiplicador fue consistente a través de diferentes tamaños de máquina, confirmando que, si bien las máquinas reales son más ruidosas que las simulaciones, las leyes de escalamiento fundamentales que descubrieron siguen siendo válidas.

El estudio también exploró si existían formas más inteligentes de leer los resultados para reducir este costo. Probaron un método de ponderación de las mediciones para minimizar el ruido, el cual redujo con éxito el número de disparos requeridos por un factor de aproximadamente 2.7 en el hardware probado. Esta mejora fue constante a través de diferentes tamaños de máquina, lo que significa que ofrece un ahorro fiable independientemente de cuán grande se vuelva la computadora. Sin embargo, también descubrieron que los modelos entrenados en circuitos pequeños y económicos no se transferían bien para predecir el comportamiento de máquinas más grandes y complejas. Los errores en estas máquinas más grandes no eran solo ruido aleatorio, sino que estaban estructurados de una manera que las correcciones simples no podían arreglar, lo que sugiere que predecir el rendimiento de las grandes máquinas cuánticas requiere la observación directa en lugar de la extrapolación desde datos más pequeños.

En última instancia, esta investigación reescribe las reglas de cómo presupuestar para la verificación cuántica. Demuestra que el temor a una curva de costo explosiva es a menudo erróneo, impulsado por un malentendido de cómo se propaga la información en sistemas grandes. El costo de certificar un modelo cuántico no es una propiedad fija de la arquitectura, sino un resultado dinámico de cómo escalan la varianza y la fuerza de la señal con el tamaño. Para los dispositivos de conectividad fija, que son comunes en el hardware actual, el costo crece mucho más suavemente de lo que sugiere la ley cúbica. Este hallazgo ofrece una perspectiva más optimista para la escalabilidad de la computación cuántica, sugiriendo que el camino para verificar máquinas grandes y útiles no es tan empinado como se creía anteriormente, siempre que midamos las cantidades correctas y entendamos los límites de nuestros conos de luz.

Resumen Técnico: Costo de Certificación de Modelos Cuánticos

Planteamiento del Problema
Las prácticas actuales en computación cuántica variacional suelen reportar la geometría de Fisher de los modelos entrenados o comparar modelos basándose en el recuento de parámetros y la precisión. Sin embargo, estas métricas carecen de una unidad de medida neutral respecto al costo de establecerlas. Específicamente, es raro citar el presupuesto de disparos (el número de ejecuciones de circuitos) requerido para certificar una matriz de Fisher empírica con un error relativo específico. Sin este presupuesto, las geometrías reportadas no pueden ser auditadas. Además, existe la suposición prevaleciente de que el costo de medición escala universalmente como $p^3$ (donde $p$ es el recuento de parámetros), una creencia extrapolada de estudios en sistemas pequeños. Este artículo aborda tres preguntas: ¿Cuál es el costo de disparos para certificar una geometría con una calidad de estimación coincidente? ¿Es el exponente cúbico una ley universal? Y si no es así, ¿qué determina el régimen de costo?

Metodología
Los autores derivan una "ley de costo de certificación" de forma cerrada basada en dos cantidades medibles de un modelo entrenado:

$V$ (Varianza de Lectura): La varianza de una estimación de ejecución única de la salida del modelo, calculada como la suma de la matriz de covarianza completa de los qubits medidos.
$G$ (Norma del Gradiente al Cuadrado): La norma al cuadrado del gradiente de desplazamiento de parámetros (parameter-shift gradient).

Utilizando el estimador de desplazamiento de parámetros por coordenadas, los autores demuestran que para lograr un error de Frobenius relativo $\varepsilon$ en la matriz de Fisher empírica, el número requerido de disparos $S$ y ejecuciones $B_Q$ es:
$S = \Theta\left(\frac{pV}{\varepsilon^2 G}\right), \quad B_Q = \Theta\left(\frac{B p^2 V}{\varepsilon^2 G}\right)$
donde $B$ es el tamaño del lote (batch size). Los autores demuestran que la asignación uniforme de disparos entre parámetros es óptima dentro de esta clase de estimadores.

Para validar estos límites teóricos e investigar el exponente de escalamiento, el estudio emplea:

Simulación: Backends de matriz de producto de estados (MPS) para hasta 256 qubits, validados contra vectores de estado exactos para sistemas más pequeños.
Familias de Circuitos: Análisis de familias de producto (sin entrelazamiento), entrelazadores de ladrillo (brickwork), cadenas secuenciales, entrelazadores de anillo y entrelazadores "bloqueados" donde el ancho del cono de luz de lectura está fijado por construcción.
Ejecución en Hardware: Circuitos espejo ejecutados en dispositivos IBM (ibm_marrakesh, ibm_fez, ibm_kingston) para medir la atenuación del hardware y los multiplicadores.
Prerregistro: Catorce verificaciones fueron registradas de antemano. El artículo reporta explícitamente qué verificaciones fallaron y cómo esos fallos alteraron la interpretación o el reporte de los resultados.

Contribuciones Clave

La Ley de Costo de Certificación: Un límite superior e inferior coincidente sobre las ejecuciones necesarias para certificar una matriz de Fisher empírica. Esta ley utiliza la varianza de lectura medida ( $V$ ) en lugar de asumirla, lo que permite que una constante única reproduzca los costos para familias con exponentes de escalamiento drásticamente diferentes.
Falsificación del Costo Cúbico Universal: El artículo demuestra que el escalamiento $p^3$ ampliamente citado no es una ley universal. Es una "ventana de tamaño finito" observada solo cuando el tamaño del registro es comparable al cono de luz de la lectura.
La Identidad Contable: Los autores muestran que el exponente de ajuste no es una propiedad independiente de una arquitectura, sino una identidad derivada de cómo escalan $V$ y $G$ con el tamaño del sistema $n$ . Específicamente, el exponente es igual a $2 + \frac{d \log(nV)}{d \log n} - \frac{d \log(nG)}{d \log n}$ (más prefactores de tamaño finito).
Medición del Multiplicador de Hardware: Una medición del multiplicador de hardware (el factor por el cual el ruido del dispositivo real aumenta los requisitos de disparos) utilizando circuitos espejo, encontrando valores alrededor de $2.07\times$ a $2.38\times$ en dispositivos IBM.

Resultos

Regímenes de Escalamiento: El estudio identifica dos regímenes basados en el "cono de luz de lectura":
- Limitado por el Cono: Cuando el cono de luz se ensancha con el registro (por ejemplo, cadenas secuenciales a pequeño $n$ ), el exponente es cercano a 3.
- Saturado por el Cono: Cuando el cono de luz es fijo (por ejemplo, por conectividad de hardware o entrelazadores bloqueados), el exponente cae cerca de 2.
- Familia de Producto: Certificada hasta 256 qubits, la familia de producto (sin entrelazamiento) produce un exponente de ejecución de $1.966$ (IC 95%: 1.934–1.997), contradiciendo la suposición cúbica.
Variabilidad del Exponente: Para un entrelazador de ladrillo, el exponente cae de $2.853$ (en $n < 10$ ) a $1.715$ (en $n > 64$ ). Para una cadena secuencial, el exponente en todo el ascenso ( $n=16$ a $96$) es $3.032$, pero al restringirse a $n \ge 64$ , cae a $1.758$.
Pesos de Lectura: El uso de pesos de lectura óptimos para la certificación reduce el presupuesto de disparos medido por un factor de $2.67\times$ en hardware, con el ahorro manteniéndose plano a través de conteos de qubits (4 a 12) en lugar de escalar hacia arriba como predijeron las simulaciones sin ruido.
Modelos de Discrepancia: Los modelos ajustados en circuitos pequeños fallan al transferirse a tamaños mayores prospectivamente. Los intervalos nominales del 90% cubren solo el 36% de los tamaños mayores mantenidos. La calibración conformal dividida (split conformal calibration) es el único método que mantiene una cobertura casi nominal (86.1%) en celdas prospectivas.
Fallos Registrados: El artículo reporta varios controles prerregistrados que no pasaron, incluyendo el fallo de una regresión agrupada para distinguir clases correctamente y la incapacidad de un modelo de discrepancia para transferir predicciones de la media fuera de la cuadrícula de calibración.

Significancia y Reivindicaciones
El artículo sostiene que el "costo cúbico" es un artefacto de tamaño finito, no una ley fundamental. El costo real está determinado por el escalamiento de la varianza de lectura y la señal del gradiente, los cuales están dictados por el cono de luz de la lectura relativo al tamaño del registro. En consecuencia, extrapolar estimaciones de costo desde simulaciones pequeñas (donde el cono es limitado) a máquinas grandes (donde el cono está saturado) conduce a sobreestimaciones masivas (por ejemplo, un factor de 600 para una familia de producto de 256 qubits).

Los autores enfatizan que reportar los escalamientos separados de la varianza de lectura y la señal del gradiente es estrictamente más informativo que reportar un exponente de costo ajustado. También destacan que la "identidad contable" replantea el problema: el exponente es una consecuencia de cómo escalan $V$ y $G$ , no una propiedad arquitectónica independiente. Finalmente, el estudio proporciona una herramienta práctica (shotcost) para auditar los costos de certificación y establece que la conectividad fija del dispositivo fija el cono de luz, situando a los dispositivos reales en el régimen de saturación del cono donde los costos escalan más cerca de $p^2$ que de $p^3$ .

El artículo mantiene la modestia respecto a su alcance, señalando que sus límites de optimalidad se aplican a estrategias de desplazamiento de parámetros por coordenadas y que un límite inferior contra estrategias de copia única conjunta (como las sombras clásicas o classical shadows) sigue siendo una brecha abierta. También aclara que sus resultados se basan en topologías de acoplamiento unidimensionales y circuitos de profundidad 2, y no cubren mapas bidimensionales.

Resumen Técnico: Costo de Certificación de Modelos Cuánticos

Más como este