⚛️ quantum physics

Qurrium: A Python package for randomized measurement-based estimation of quantum state properties

Este artículo presenta Qurrium, un paquete de Python de código abierto construido sobre Qiskit que implementa protocolos de medición aleatorizada, específicamente el protocolo de sombra clásica, para estimar propiedades de estados cuánticos como la pureza y la entropía a través de flujos de trabajo de simulación de extremo a extremo y del análisis independiente de datos de hardware previamente recolectados.

Autores originales: Huai-Chun Chang, Teik-Hui Lee, Arthur Strauss, Yu-Cheng Lin, Hsiu-Chuan Hsu

Publicado 2026-09-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Huai-Chun Chang, Teik-Hui Lee, Arthur Strauss, Yu-Cheng Lin, Hsiu-Chuan Hsu

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 el mundo de la computación cuántica, lo más valioso que una máquina puede producir es una disposición específica de sus componentes internos, conocida como estado cuántico. Estos estados son la materia prima para resolver problemas complejos, desde la simulación de nuevos materiales hasta la ruptura de códigos. Sin embargo, estos estados son increíblemente frágiles y difíciles de describir. A diferencia de un bit de una computadora clásica, que es simplemente un cero o un uno, un estado cuántico existe en un espacio vasto y multidimensional donde puede ser una mezcla de muchas posibilidades a la vez. Para entender qué está haciendo realmente una computadora cuántica, los científicos deben medirla. Pero el acto de medir un sistema cuántico es complicado; obliga al sistema a colapsar en un resultado único y definido, destruyendo la delicada información que existía antes. Si un científico quiere conocer la naturaleza completa del estado, no puede simplemente observarlo una vez. Debe repetir el proceso muchas veces, pero hacerlo de una manera que revele el panorama completo sin necesidad de reconstruir todo el estado desde cero es un desafío monumental. Aquí es donde la necesidad de métodos eficientes y fiables para echar un vistazo al interior de la máquina cuántica se vuelve crítica.

Un equipo de investigadores ha desarrollado una nueva herramienta de software llamada Qurrium para resolver este problema. La herramienta está diseñada para ayudar a los científicos a estimar las propiedades de estos estados elusivos mediante un método llamado mediciones aleatorizadas. En lugar de intentar medir cada detalle de un estado cuántico, lo que tomaría una cantidad de tiempo imposible, este enfoque consiste en tomar muchos instantáneas aleatorias. Imagine intentar comprender la forma de un objeto complejo en una habitación oscura iluminándolo con una linterna desde muchos ángulos diferentes y aleatorios. No ve el objeto completo a la vez, pero al recolectar suficientes de estos visluz aleatorios, puede construir una imagen fiable de su forma general. En el mundo cuántico, esto significa aplicar rotaciones aleatorias a los cúbits antes de medirlos, para luego usar una computadora para ensamblar los resultados y estimar aspectos como qué tan puro es el estado, cuánta información contiene o qué tan similar es a otro estado.

Los investigadores construyeron Qurrium como un paquete para Python, el lenguaje de programación más popular en la comunidad científica, diseñado específicamente para trabajar con Qiskit, el marco de software líder en computación cuántica. Esta elección de diseño significa que la herramienta es inmediatamente accesible para los miles de investigadores que ya utilizan Qiskit, eliminando la barrera de aprender un lenguaje nuevo y especializado. El software ofrece dos formas distintas de trabajar. La primera es un flujo de trabajo completo y de extremo a extremo donde un usuario puede preparar un circuito cuántico, ejecutar las mediciones aleatorizadas y analizar los resultados, todo dentro del mismo programa. La segunda es una herramienta independiente para científicos que ya han recolectado datos de una máquina cuántica real. Esto les permite introducir sus registros de medición existentes en el software para extraer respuestas sin necesidad de ejecutar los pasos de simulación nuevamente. Esta flexibilidad es crucial porque cierra la brecha entre la simulación teórica y la realidad desordenada del hardware físico.

Para demostrar que la herramienta funciona, el equipo la probó en dos escenarios muy diferentes. Primero, examinaron un "estado de clúster", un tipo específico de disposición cuántica que actúa como un recurso para la computación cuántica. Utilizaron el software para verificar qué tan bien se mantenía unido el estado y para medir las conexiones entre diferentes partes del sistema. Los resultados coincidieron perfectamente con las predicciones teóricas, demostrando que el software podía calcular con precisión la pureza del estado y el solapamiento entre el estado de clúster y otros estados conocidos. Segundo, observaron un sistema evolucionando a lo largo del tiempo según las reglas del modelo de Ising, un marco clásico para entender cómo interactúan los espines en un material. Rastrearon cómo cambiaba el estado a medida que evolucionaba, midiendo la entropía, o desorden, del sistema en diferentes momentos. En estas pruebas, compararon el análisis del software de datos de una simulación perfecta y libre de ruido contra datos recolectados de un procesador cuántico físico real construido por la Academia Sinica en Taiwán.

Los resultados del hardware real mostraron las imperfecciones esperadas. Mientras que la simulación ideal producía curvas suaves y predecibles, los datos del procesador físico mostraron desviaciones, revelando la presencia de ruido y errores inherentes a la tecnología actual. Por ejemplo, al medir el solapamiento entre el estado en evolución y su punto de partida, la máquina real mostró una mayor caída en la precisión que la simulación, indicando que los cúbits físicos perdían su coherencia más rápido de lo esperado. A pesar de estos errores, el software capturó con éxito el comportamiento general del sistema, demostrando que puede distinguir entre la verdadera dinámica cuántica y el ruido introducido por el hardware. Esta capacidad de separar la señal del ruido es vital para la evaluación comparativa y la mejora de futuros dispositivos cuánticos.

El artículo concluye que Qurrium proporciona una forma robusta y accesible para caracterizar estados cuánticos, poniendo el análisis avanzado a disposición de una comunidad de investigadores más amplia. Al dar soporte tanto a simulaciones completas como al análisis de datos del mundo real, la herramienta ayuda a los científicos a comprender las capacidades y limitaciones de su hardware cuántico. Los investigadores también destacan que el software puede extenderse para soportar la ejecución directa en hardware, permitiendo a los usuarios ejecutar experimentos y analizar los resultados en un solo entorno. Además, la capacidad de comparar estados preparados en diferentes máquinas utilizando los mismos datos de medición aleatorizada abre la puerta a una verificación estandarizada a través de diferentes plataformas cuánticas. Este trabajo no pretende haber resuelto todos los problemas de la medición cuántica, sino que ofrece una solución práctica, eficiente y de código abierto que acerca la compleja tarea de la caracterización de estados cuánticos a la práctica cotidiana de los científicos cuánticos.

Resumen Técnico de "Qurrium: Un paquete de Python para la estimación de propiedades de estados cuánticos mediante mediciones aleatorizadas"

Planteamiento del Problema
La caracterización de estados cuánticos es fundamental para aplicaciones que van desde la simulación de Hamiltonianos y la calibración de hardware hasta el diseño de algoritmos. Si bien los protocolos de medición aleatorizada ofrecen un marco de recursos eficientes para estimar propiedades de estados cuánticos (como pureza, entropía y solapamientos) en diversas plataformas de hardware (iones atrapados, cúbits superconductores, etc.), existe una creciente necesidad de herramientas de software accesibles que integren estos protocolos en el ecosio dominante de la computación cuántica. Las herramientas existentes, como RandomMeas.jl basado en Julia, existen pero no aprovechan la adopción generalizada de Python y Qiskit. Los autores identifican una brecha para una implementación nativa en Python que reduzca la barrera de entrada para los investigadores que ya trabajan dentro del marco de Qiskit.

Metodología
El artículo presenta Qurrium, un paquete de Python construido directamente sobre Qiskit que implementa protocolos de medición aleatorizada, centrándose específicamente en el protocolo de sombra clásica (classical shadow protocol). La metodología se basa en el paradigma de "medir primero, preguntar después", donde se realizan mediciones aleatorias primero y se estiman cantidades específicas durante el post-procesamiento.

Componentes metodológicos clave:

Protocolo de Sombra Clásica: El paquete implementa el protocolo donde un estado de $n$ cúbits se mide bajo $N_U$ configuraciones de Pauli aleatorias. Para cada configuración, se aplica una unitaria de producto tensorial aleatorio $U$ , seguida de una medición en la base computacional. Los bitstrings y conteos resultantes se utilizan para construir "instantáneas" (proyectores de medición invertidos). El promedio de estas instantáneas produce un estimador insesgado de la matriz de densidad ( $\hat{\rho}$ ).
Estimadores: Qurrium proporciona estimadores para:
- Observables Lineales: Valores de esperanza de operadores de Pauli vía $\langle O \rangle = \text{Tr}(O \hat{\rho})$ .
- Funcionales No Lineales: Pureza ( $\text{Tr}(\rho_A^2)$ ) y entropía de Rényi de segundo orden.
- Solapamiento de Estado (State Overlap): El artículo deriva e implementa un estimador insesgado para el solapamiento entre dos estados $\rho$ y $\rho'$ , $\hat{f}_2(\rho, \rho') = \frac{1}{N_U} \sum_m \text{Tr}[\rho^{(m)} \Pi'^{(m)}]$ , donde un estado es invertido (sombra) y el otro se mantiene como proyectores brutos. Esto permite la estimación del solapamiento entre estados preparados independientemente.
Flujos de Trabajo de Software:
- Flujo de Trabajo de Extremo a Extremo: Los usuarios instancian una clase ShadowUnveil para definir un circuito cuántico, ejecutar mediciones aleatorizadas (vía AerSimulator o hardware) y analizar los datos para extraer propiedades. Este flujo de trabajo gestiona la ejecución del circuito, la recolección de datos y el análisis en un solo pipeline.
- Flujo de Trabajo de Estimación Independiente: Los usuarios pueden ingresar datos de medición pre-recolectados (unitarias aleatorias y bitstrings) en el formato de datos de Qurrium. Esto permite el análisis de datos de cualquier plataforma de hardware sin tener que volver a ejecutar la simulación o la etapa de preparación del circuito.

Contribuciones Clave

Paquete Qurrium: Una implementación nativa de Python de protocolos de medición aleatorizada construida sobre Qiskit, haciendo que estas técnicas avanzadas de caracterización sean accesibles para la comunidad de usuarios de Qiskit.
Estimador de Solapamiento Insesgado: Los autores presentan una derivación e implementación específica para estimar el solapamiento entre dos estados cuánticos preparados independientemente usando sombras clásicas, extendiendo el protocolo más allá de los funcionales lineales.
Arquitectura de Flujo de Trabajo Dual: La distinción entre un flujo de trabajo integrado de extremo a extremo y un flujo de trabajo independiente y flexible permite tanto nuevos experimentos como el re-análisis de datos de hardware heredados.
Demostración de Hardware: El paquete fue utilizado para analizar datos experimentales de un procesador cuántico superconductor prototipo desarrollado por la Academia Sinica (AS QPU), demostrando compatibilidad con sistemas de control a nivel de pulso (Quantum Machines' OPX1000).

Resultados
El artículo valida Qurrium a través de dos casos de uso principales:

Estado de Clúster (Cluster State): El paquete estimó con éxito la pureza, la entropía de Rényi de segundo orden y los valores de esperanza de operadores de Pauli estabilizadores y no estabilizadores para estados de clúster unidimensionales. También calculó el solapamiento entre estados de clúster y estados de referencia (all-zero, all-plus y estados GHZ) a través de varios tamaños de subsistemas. Los resultados coincidieron con las predicciones teóricas derivadas del formalismo de estabilizadores.
Evolución Temporal de Ising: El paquete rastreó la evolución temporal de un sistema de dos cúbits bajo un Hamiltoniano de Ising ( $H = JZ_0Z_1$ $H = J Z_{0} Z_{1}$ ).
- Observables de Pauli: Los valores de esperanza estimados para los observables $X$ y $Y$ coincidieron con las soluciones analíticas, aunque el hardware real (AS QPU) mostró desviaciones consistentes con el ruido.
- Solapamiento (Eco de Loschmidt): Se probaron tanto los estimadores de solapamiento lineal ( $\hat{f}_1$ ) como los no lineales ( $\hat{f}_2$ ). El estimador $\hat{f}_2$ mostró mayores desviaciones en hardware debido a la acumulación de errores, pero ambos capturaron la dinámica cualitativa, incluyendo el solapamiento evanescente en $Jt = \pi/2$ .
- Entropía: La entropía de Rényi de segundo orden de los subsistemas capturó correctamente la formación de entrelazamiento bipartito. Los resultados del hardware real mostraron una reducción de la entropía en comparación con las simulaciones ideales, indicando decoherencia y amortiguamiento de amplitud.

Significancia y Reivindicaciones
Los autores posicionan a Qurrium como una herramienta práctica que cierra la brecha entre los protocolos teóricos de medición aleatorizada y las necesidades prácticas de la comunidad de computación cuántica. Al aprovechar Qiskit, el paquete reduce la barrera de entrada para que los investigadores realicen una caracterización de estados con recursos eficientes.

El artículo afirma que el flujo de trabajo de estimación independiente es particularmente significativo por su independencia de plataforma; siempre que los resultados de la medición y las unitarias aleatorias se registren en el formato especificado, los datos de cualquier hardware (iones atrapados, cúbits superconductores, etc.) pueden analizarse uniformemente. La aplicación exitosa al procesador superconductor de la Academia Sinica demuestra que el paquete puede manejar datos experimentales reales, incluyendo la integración de control a nivel de pulso.

Los autores enmarcan el trabajo modestamente como un paso hacia una adopción más amplia de los protocolos de sombra clásica, señalando que los desarrollos futuros podrían incluir la integración directa con backends de hardware para la ejecución de extremo a extremo, la calibración de pulsos utilizando estas métricas como funciones objetivo y protocolos de verificación multiplataforma estandarizados. El artículo no pretende resolver todos los desafíos de caracterización, sino que proporciona un marco robusto y accesible para estimar propiedades específicas de estados con una carga de recursos reducida en comparación con la tomografía completa.

Más como este