La ciencia ha dependido durante mucho tiempo de las ecuaciones diferenciales para describir cómo cambia el mundo, desde el flujo de calor a través de una pared hasta la propagación de una enfermedad en una población. Estas descripciones matemáticas son poderosas, pero resolverlas con precisión a menudo exige una potencia de cálculo inmensa, especialmente cuando los problemas involucran muchas variables, cambios bruscos o interacciones complejas. Durante décadas, los investigadores han mirado hacia la computación cuántica como un posible atajo, con la esperanza de que su capacidad única para procesar información pudiera resolver estos complejos acertijos más rápido que las máquinas clásicas. Una estrategia prometedora consiste en convertir una ecuación diferencial en una búsqueda del estado de menor energía de un sistema, de forma muy parecida a como una bola rueda naturalmente hacia el fondo de un valle. Si el sistema se construye correctamente, el estado en el punto más bajo de ese valle representa la respuesta correcta a la ecuación. Sin embargo, construir estos sistemas ha sido complicado, particularmente cuando se trata de datos del mundo real que no comienzan en cero o cuando las ecuaciones involucran relaciones no lineales donde las variables se multiplican entre sí.

Un investigador de Fujitsu Research of Europe ha ampliado ahora este enfoque, ofreciendo nuevas formas de construir estos sistemas cuánticos que manejan una mayor variedad de problemas. Ha desarrollado métodos para incorporar múltiples condiciones iniciales y puntos de datos que no son cero, una característica común en escenarios del mundo real que los métodos anteriores tenían dificultades para incluir directamente. También introdujo una forma alternativa de construir el sistema que trata la ecuación como un equilibrio entre una parte cambiante y una fuente fija, en lugar de forzar todo a un formato de suma cero. Además, exploró una forma diferente de almacenar información dentro del ordenador cuántico, alejándose de la representación de la solución como una curva matemática suave y almacenando, en su lugar, los valores reales de la solución en puntos específicos a lo largo de una cuadrícula. Al probar estas nuevas construcciones en varios tipos diferentes de ecuaciones, incluyendo aquellas con esquinas pronunciadas y términos no lineales, el investigador descubrió que la mejor elección de método depende en gran medida de la naturaleza específica del problema que se está resolviendo.

El núcleo de este trabajo reside en cómo el investigador codifica el problema en el sistema cuántico. En el enfoque estándar, la solución se representa mediante los coeficientes de un conjunto de funciones globales suaves, de forma similar a cómo un sonido complejo puede descomponerse en un conjunto específico de notas musicales. Este método funciona bien para cambios suaves y predecibles, pero puede tener dificultades cuando la solución presenta saltos repentinos o quiebres. El nuevo trabajo introduce un enfoque basado en una cuadrícula donde el estado cuántico contiene directamente el valor de la solución en cada punto de una línea discreta. Esto es más parecido a tomar una serie de instantáneas a lo largo de un camino que intentar ajustar una única línea suave a través de ellas. El investigador descubrió que, para problemas con soluciones suaves, el método tradicional de funciones suaves era más eficiente, pero para problemas con discontinuidades bruscas, el método basado en la cuadrícula proporcionaba una imagen mucho más precisa sin necesidad de ajustes especiales.

El manejo de condiciones iniciales distintas de cero fue otro gran obstáculo que el investigador abordó. En muchas situaciones físicas, un sistema no parte de la nada; un condensador puede tener ya una carga, o una temperatura puede comenzar en un valor específico alto. Los métodos cuánticos anteriores requerían que el problema fuera reescrito de modo que todo comenzara en cero, lo cual no siempre era posible o práctico. El investigador mostró cómo utilizar un punto de referencia conocido y distinto de cero para escalar el problema, permitiendo incluir múltiples condiciones no nulas directamente en el sistema cuántico. También desarrolló una segunda construcción alternativa que trata la ecuación como un sistema lineal donde la solución se encuentra equilibrando la ecuación contra un término de fuente. Este enfoque resultó particularmente útil cuando el problema involucraba una fuente de energía o materia que no podía convertirse fácilmente en una condición de inicio cero, ampliando eficazmente el conjunto de ecuaciones que pueden resolverse de esta manera.

El desafío de las ecuaciones no lineales, donde las variables se multiplican entre sí, presentó un tipo de dificultad diferente. Cuando estas ecuaciones se traducen al lenguaje cuántico, el sistema a menudo se vuelve subdeterminado, lo que significa que hay muchos estados posibles que parecen ser el estado de menor energía, pero solo uno de ellos representa realmente la solución física correcta. El investigador descubrió que el sistema cuántico a menudo se quedaba estancado en estos estados incorrectos o "no físicos". Para resolver esto, propuso restringir la búsqueda únicamente a aquellos estados que poseen una estructura repetida específica, asegurando que el ordenador cuántico solo explore soluciones que tengan sentido físico. Probó esto resolviendo una ecuación de reacción-difusión que modela cómo se mueve un frente de población, guiando con éxito el algoritmo cuántico hacia la solución correcta al limitar el espacio de búsqueda, a pesar de que el sistema subyacente seguía siendo complejo y degenerado.

A través de una serie de simulaciones, el investigador comparó estos nuevos métodos entre sí utilizando ejemplos como la carga de un circuito eléctrico, el comportamiento de una partícula cuántica en un potencial específico y el flujo de calor a través de una pared hecha de dos materiales diferentes. En el caso del circuito eléctrico, demostró que cuando la carga inicial era cero, uno de sus nuevos métodos era el único que podía funcionar, mientras que el otro fallaba. Cuando la carga inicial era distinta de cero, ambos métodos funcionaban bien, pero producían paisajes de energía ligeramente diferentes, lo que podría afectar la facilidad con la que un ordenador cuántico encuentra la solución. Para el problema del flujo de calor, que implicaba un cambio brusco en las propiedades del material, el método de funciones suaves no logró capturar el cambio repentino en el gradiente de temperatura a menos que el dominio se dividiera en secciones separadas. El método basado en la cuadrícula, sin embargo, manejó este cambio brusco de forma natural, demostrando que la elección de la codificación no es solo un detalle técnico, sino una decisión fundamental que dicta la precisión del resultado.

El investigador también examinó el modelo de población no lineal, confirmando que su estrategia de restringir la búsqueda cuántica a estados de producto repetido evitaba con éxito la trampa de las soluciones no físicas. Aunque el espacio matemático completo del problema contenía cientos de estados de baja energía incorrectos, la búsqueda restringida encontró el camino correcto. No obstante, el investigador señaló que este enfoque depende de un tipo específico de algoritmo de optimización que no garantiza siempre encontrar la mejor respuesta, y requiere más recursos cuánticos a medida que aumenta la complejidad de la no linealidad. Las simulaciones mostraron que los métodos funcionan y pueden codificar soluciones precisas, pero también resaltaron que el camino hacia una ventaja cuántica práctica implica obstáculos significativos, incluyendo el coste de preparar el estado inicial, la estabilidad del sistema y la dificultad de leer la respuesta final.

En última instancia, este trabajo no pretende haber resuelto el problema de la resolución de ecuaciones diferenciales cuánticas, sino que clarifica las compensaciones existentes en los enfoques actuales. Demuestra que no existe una única "mejor" forma de codificar una ecuación diferencial para un ordenador cuántico; la elección óptima depende de si la solución es suave o irregular, si los datos comienzan en cero o no, y si la ecuación es lineal o no lineal. Al proporcionar estas construcciones y codificaciones de funciones alternativas, el investigador ha ampliado el rango de problemas que pueden abordarse con resolvedores de estado fundamental cuántico. Sus hallazgos sugieren que el progreso futuro no vendrá de un método universal único, sino de un emparejamiento cuidadoso de la estrategia de codificación con la regularidad y las restricciones específicas del problema físico, asegurando que el sistema cuántico esté construido para encontrar la solución real en lugar de perderse en un mar de posibilidades matemáticas.