A Case Study on Noise Resilient Operator Selection in Adaptive Variational Quantum Algorithms

Para comprender la química del mundo que nos rodea, desde los materiales en nuestros teléfonos inteligentes hasta los fármacos que nos curan, los científicos deben primero entender cómo se organizan los electrones dentro de las moléculas. La disposición más estable de estos electrones se denomina estado fundamental, y encontrarla es como resolver un rompecabezas complejo donde las piezas se desplazan constantemente. Durante décadas, las computadoras clásicas han tenido dificultades con esta tarea porque el número de posibles disposiciones crece tan rápido que incluso las supercomputadoras más potentes no pueden seguir el ritmo para nada que no sea las moléculas más simples. Las computadoras cuánticas ofrecen un camino diferente. En lugar de intentar calcular cada posibilidad una por una, utilizan las extrañas reglas de la mecánica cuántica para explorar muchas posibilidades a la vez. Una de las formas más prometedoras de utilizar estas máquinas es un método llamado solucionador cuántico de valores propios variacional (VQE, por sus siglas en inglés), que actúa como una búsqueda guiada, refinando lentamente una suposición hasta que encuentra el estado de menor energía. Sin embargo, las computadoras cuánticas de hoy todavía están en su infancia; son ruidosas, lo que significa que sus componentes cometen errores frecuentes y diminutos que pueden arruinar todo el cálculo.

Una versión específica de este método de búsqueda, conocida como ADAPT-VQE, ha ganado atención porque construye su solución paso a paso, eligiendo las piezas más útiles a medida que avanza. Esta adaptabilidad la hace más eficiente que los métodos antiguos, pero también introduce una nueva vulnerabilidad: el paso en el que la computadora decide qué pieza añadir a continuación. Si el ruido en la máquina distorsiona la señal utilizada para tomar esa decisión, el algoritmo podría elegir la pieza equivocada, llevándolo por un callejón sin salida. Los investigadores Soorya Haravu, Mafalda Ramôa y Bharath Sambasivam se propusieron investigar exactamente cómo afecta ese ruido al proceso crítico de toma de decisiones. No construyeron una computadora cuántica física para este estudio; en su lugar, crearon una simulación altamente detallada en una computadora clásica para imitar cómo se comportaría un dispositivo cuántico real bajo diferentes tipos de ruido. Su caso de prueba fue una molécula simple compuesta por tres átomos de hidrógeno dispuestos en línea, un sistema lo suficientemente pequeño como para simverse con precisión, pero lo suficientemente complejo como para revelar los efectos sutiles de los errores.

El equipo simuló dos categorías amplias de ruido que acechan al hardware cuántico real. El primer tipo, llamado ruido incoherente, es como la estática en una línea de radio; es aleatorio e impredecible, lo que provoca que el sistema pierda información de una manera difícil de revertir. El segundo tipo, el ruido coherente, es más parecido a una desalineación constante y ligera en una brújula; la máquina siempre está cometiendo el mismo pequeño error en la misma dirección, lo que puede ser igual de perjudicial porque estos errores se acumulan entre sí. En sus simulaciones, los investigadores inyectaron estos errores específicamente en el momento en que el algoritmo medía el "gradiente", un valor que le indica a la computadora cuánto mejoraría una nueva pieza potencial la solución. Descubrieron que incluso una pequeña cantidad de ruido podía distorsionar estas mediciones, haciendo que el panorama de opciones pareciera plano y confuso. Cuando el panorama se aplana, el algoritmo pierde su sentido de la dirección. Deja de encontrar piezas nuevas y mejores y, en su lugar, sigue eligiendo las mismas una y otra vez, quedándose efectivamente atrapado antes de poder alcanzar la respuesta correcta.

Para combatir esto, los investigadores probaron tres estrategias diferentes diseñadas para limpiar la señal sin necesidad de hardware adicional. La primera, el desacoplamiento dinámico, consiste en aplicar una serie de pulsos de control rápidos al sistema para cancelar el ruido, de forma muy similar a cómo los auriculares con cancelación de ruido utilizan ondas sonoras para silenciar el ruido de fondo. La segunda, la extrapolación de ruido cero, funciona haciendo que el ruido sea intencionadamente peor de una manera controlada, midiendo el resultado y luego utilizando las matemáticas para adivinar cuál habría sido la respuesta si no hubiera habido ruido en absoluto. La tercera, el giro de Pauli (Pauli twirling), es una técnica que desordena el ruido para que se comporte de forma más aleatoria, lo que lo hace más fácil de gestionar. El equipo descubrió que ningún método funcionaba para todas las situaciones. Para el ruido aleatorio, similar a la estática, el enfoque más efectivo fue combinar los pulsos de control rápidos con la técnica de extrapolación de ruido. Esta combinación restauró con éxito la capacidad del algoritmo para ver el camino correcto, permitiéndole seleccionar las piezas adecuadas y alcanzar la solución químicamente precisa.

Al tratar con el ruido de tipo desalineación constante, los investigadores descubrieron que era necesaria una combinación diferente. Descubrieron que el secreto del éxito consistía en desordenar primero el ruido y luego aplicar ya fuera los pulsos rápidos o el método de extrapolación. De hecho, utilizar las tres técnicas juntas proporcionaba la protección más robusta contra este tipo de error. Un hallazgo crucial de su trabajo fue que el algoritmo no necesita elegir la mejor pieza absoluta en cada paso para tener éxito. Siempre que las técnicas de mitigación de ruido mantengan al algoritmo avanzando y eviten que se quede estancado, este aún puede llegar a la respuesta final correcta, incluso si el camino específico que tomó parece diferente al camino que habría tomado una máquina perfecta. Sin embargo, los investigadores también señalaron un desafío persistente: estas técnicas ayudaron al algoritmo a encontrar la respuesta correcta, pero a menudo hacían que las señales de ruido parecieran incluso mayores de lo que eran, lo que podría confundir las reglas estándar de la computadora para saber cuándo detenerse. Esto sugiere que, para que estos algoritmos funcionen de manera fiable en máquinas reales en el futuro cercano, las reglas para decidir cuándo termina un cálculo podrían necesitar ser reescritas para tener en cuenta la presencia de ruido.

El estudio concluye que, si bien el ruido es un obstáculo significativo, no es insuperable. Al elegir cuidadosamente qué herramientas de corrección de errores utilizar y cómo combinarlas, es posible guiar a los algoritmos cuánticos adaptativos a través del caos del hardware actual. Los investigadores demostraron que, con la combinación adecuada de técnicas, una computadora cuántica aún puede aprender a construir la estructura molecular correcta, incluso cuando el entorno es imperfecto. Este trabajo proporciona una hoja de ruta práctica para científicos e ingenieros que se preparan para ejecutar estas complejas simulaciones químicas en dispositivos cuánticos reales, mostrando que el camino hacia la química cuántica útil no está bloqueado por el ruido, sino que requiere una forma más sofisticada de navegar a través de él.