When is global evolutionary search useful for variational quantum algorithms? A landscape-first study

En la búsqueda de resolver problemas que son demasiado complejos para las supercomputadoras actuales, los científicos están recurriendo a un nuevo tipo de máquina: la computadora cuántica. Estos dispositivos utilizan las extrañas reglas de la física cuántica para explorar muchas posibilidades a la vez. Sin embargo, construir una computadora cuántica que pueda resolver problemas del mundo real es increíblemente difícil. Uno de los enfoques más prometedores involucra un método híbrido llamado algoritmo cuántico variacional. En esta configuración, una máquina cuántica prepara un estado específico de la materia, mientras que una computadora clásica actúa como guía, ajustando constantemente los ajustes de la máquina cuántica para encontrar la mejor respuesta posible. El desafío radica en el trabajo del guía: debe navegar por un paisaje vasto y accidentado de posibilidades para encontrar el valle más bajo, que representa la solución correcta. A veces, el guía se queda atrapado en un pequeño y superficial hundimiento que parece el fondo pero no lo es, perdiendo la verdadera solución ocera en un valle más profundo cercano.

Durante años, los investigadores han debatido cuál es la mejor manera de guiar estas máquinas. El enfoque estándar es utilizar una búsqueda local, un método que comienza desde un punto aleatorio y desciende por la pendiente más cercana hasta que llega a un fondo. Si ese fondo no es lo suficientemente bueno, el proceso se repite desde un nuevo punto de partida aleatorio. Esto es como enviar a muchos excursionistas para encontrar el punto más bajo en una cadena montañosa; si todos se quedan atrapados en pequeños huecos, el equipo podría perderse el verdadero suelo del valle. Una alternativa es utilizar una búsqueda global, que observa todo el paisaje a la vez, utilizando una población de candidatos para saltar entre diferentes áreas y evitar quedar atrapados. La gran pregunta ha sido: ¿cuándo es realmente necesaria la búsqueda global, costosa y compleja, y cuándo es suficiente la búsqueda local más simple? Un nuevo estudio realizado por investigadores de la Universidad Técnica de Ostrava y la Universidad de Klaipeda ha respondido a esto mapeando el terreno mismo, revelando que la dificultad del problema depende menos de qué tan grande es la cadena montañosa y más de cómo están dispuestos los valles.

Los investigadores comenzaron creando un entorno controlado para probar qué hace que un paisaje sea difícil para una búsqueda local. Utilizaron un tipo específico de algoritmo cuántico conocido como Algoritmo de Optimización Cuántica Aproximada, que está diseñado para resolver problemas combinatorios complejos. En lugar de simplemente ejecutar el algoritmo en problemas aleatorios, construyeron deliberadamente dos características específicas en los circuitos cuánticos para ver si estas características confundirían a la búsqueda local. La primera característica involucró una técnica llamada reutilización de parámetros vinculados. En una configuración estándar, un circuito cuántico tiene muchas capas, y cada capa tiene sus propios ajustes únicos. En este experimento, los investigadores obligaron al circuito a usar exactamente los mismos ajustes para múltiples capas consecutivas. La segunda característica involucró la mezcla de diferentes tipos de interacciones dentro del problema, específicamente combinando conexiones simples de dos partes con conexiones más complejas de tres partes. Luego enfrentaron una búsqueda local estándar contra un método de búsqueda global más avanzado basado en principios evolutivos, que imita la selección natural al evolucionar una población de soluciones a lo largo del tiempo.

Los resultados fueron claros y específicos. Cuando los investigadores utilizaron la reutilización de parámetros vinculados, la búsqueda local falló consistentemente en encontrar las mejores soluciones, quedando atrapada en valles inferiores, mientras que la búsqueda global tuvo éxito. Esto sucedió incluso aunque el número total de ajustes que la computadora tenía que ajustar seguía siendo el mismo. Sorprendentemente, el simple hecho de hacer el circuito cuántico más profundo añadiendo más capas con ajustes únicos no produjo el mismo problema. La búsqueda local manejó bien las capas más profundas e independientes. Este hallazgo descarta la idea de que la complejidad por sí sola es el enemigo; no es el tamaño del circuito lo que causa problemas, sino la forma específica en que los ajustes se repiten y reutilizan. El segundo mecanismo, la mezcla de interacciones de dos y tres partes, también creó un paisaje donde la búsqueda local tuvo dificultades, mientras que la búsqueda global encontró el fondo real. Los investigadores encontraron que la dificultad no provenía solo de tener muchas colinas y valles, sino de tener valles de profundidades muy diferentes que se veían similares desde la distancia, causando que la búsqueda local se conformara con un hundimiento superficial en lugar de la solución profunda.

Para asegurar que estos hallazgos no fueran solo un golpe de suerte de un solo ejemplo, los investigadores probaron sus ideas en ocho problemas completamente nuevos y no vistos anteriormente. También aplicaron las mismas pruebas a diferentes tipos de modelos cuánticos, incluyendo aquellos utilizados para encontrar la mejor manera de dividir una red en dos grupos y modelos utilizados para simular materiales magnéticos. El patrón se mantuvo firme. En los nuevos problemas, la reutilización de parámetros vinculados y las interacciones mixtas hicieron que la búsqueda local fallara consistentemente, mientras que la búsqueda global prosperó. En contraste, los modelos estándar para simular materiales magnéticos siguieron siendo fáciles de resolver para la búsqueda local, a pesar de ser sistemas cuánticos complejos. Esto confirmó que la dificultad no es una propiedad inherente de todos los problemas cuánticos, sino una característica específica de ciertos diseños de circuitos. El estudio mostró que la búsqueda local falla cuando termina frecuentemente en valles que son significativamente peores que el mejor valle posible, una situación que la búsqueda global está diseñada para evitar.

El resultado más práctico de este trabajo es una nueva forma de predecir qué método de búsqueda utilizar antes de realizar los costosos cálculos cuánticos. Los investigadores desarrollaron una herramienta de diagnóstico simple que actúa como un levantamiento topográfico. Al realizar algunas pruebas rápidas y de bajo costo en el paisaje —comprobando cuántos puntos bajos diferentes encuentra una búsqueda aleatoria y cuánto difieren en calidad esos puntos— podían predecir con alta precisión si una búsqueda global valdría el esfuerzo adicional. En pruebas sobre cincuenta nuevos objetivos cuánticos, esta herramienta de diagnóstico predijo correctamente la necesidad de una búsqueda global entre el ochenta y el ochenta y seis por ciento de las veces. Esto significa que, en el futuro, los científicos podrían no tener que adivinar o realizar interminables comparativas para elegir un optimizador. En su lugar, pueden echar un vistazo rápido a la forma del paisaje del problema y decidir inmediatamente si enviar a un solo excursionista o a toda una expedición.

El estudio también aclara lo que no importa. Los investigadores demostraron explícitamente que simplemente aumentar la profundidad del circuito cuántico o el número de parámetros no hace automáticamente que un problema sea más difícil para una búsqueda local. La confusión suele venir de la idea de que más complejidad siempre equivale a más dificultad, pero este artículo demuestra que lo que cuenta es la estructura de la complejidad. Si el paisaje tiene muchos valles pequeños y similares, una búsqueda local aún puede encontrar una buena solución. Solo es cuando el paisaje contiene unos pocos valles profundos y ocultos rodeados de muchos otros superficiales y engañosos que la búsqueda local se vuelve poco fiable. Esta distinción es crucial para diseñar mejores algoritmos cuánticos, sugiriendo que los ingenieros podrían ser capaces de intercambiar algo de la complejidad del circuito cuántico por un problema de optimización clásica más difícil si cuentan con herramientas de búsqueda global potentes.

En última instancia, esta investigación proporciona una hoja de ruta para navegar el futuro de la computación cuántica. Mueve el campo de las comparaciones de prueba y error hacia una comprensión más científica de los problemas que enfrentan estas máquinas. Al identificar las características geométricas específicas que atrapan a las búsquedas locales, los investigadores han dado a la comunidad una señal clara: cuando un problema cuántico tiene un paisaje donde las búsquedas locales terminan frecuentemente en cuencas significativamente inferiores, es hora de traer la búsqueda global. Este conocimiento permite un uso más inteligente y eficiente de los recursos cuánticos, asegurando que el inmenso potencial de estas máquinas no se pierda debido a las limitaciones de las herramientas utilizadas para guiarlas. El trabajo sugiere que la clave para desbloquear el poder de los algoritmos cuánticos no reside solo en construir mejores máquinas, sino en comprender el terreno que deben atravesar.