Resumen Técnico: Optimización Cuántica basada en Retroalimentación con Baja Profundidad y Medición

Declaración del Problema

El Algoritmo de Optimización Cuántica basado en Retroalimentación (FALQON, por sus siglas en inglés) es un algoritmo híbrido cuántico-clásico diseñado para resolver problemas de optimización combinatoria sin optimización de parámetros clásica. Aunque evita las dificultades de entrenamiento inherentes a los Algoritmos Cuánticos Variacionales (VQA), el FALQON estándar sufre de una profundidad de circuito prohibitiva. Esta profundidad surge porque el algoritmo requiere un pequeño paso de tiempo discreto ($\Delta t$) para asegurar la disminución monotónica del valor de esperanza del Hamiltoniano del problema; pasos más grandes introducen errores de descomposición de Trotter que causan oscilaciones y evitan la convergencia.

Para abordar esto, Arai et al. propusieron el segundo orden de FALQON (SO-FALQON), el cual utiliza una expansión de Taylor de segundo orden de la diferencia de la función de costo. Esto permite un $\Delta t$ mayor, reduciendo significativamente la profundidad del circuito. Sin embargo, SO-FALQON introduce una sobrecarga de medición sustancial, requiriendo la estimación de dos Hamiltonianos complejos adicionales ($B_k$ y $C_k$) en cada capa. Esto aumenta el recuento de mediciones por paso aproximadamente 2.3 veces en comparación con el FALQON original, creando un nuevo cuello de botella para los dispositivos de Escala Intermedia con Ruido (NISQ) con recursos limitados.

Metodología: BLS-FALQON

Los autores proponen BLS-FALQON (FALQON con Búsqueda de Línea de Retroceso), una variante heurística inspirada en la teoría de la Búsqueda de Línea de Retroceso (BLS). El método tiene como objetivo lograr la baja profundidad de circuito de SO-FALQON mientras evita su alta sobrecarga de medición.

Mecanismo Central

A diferencia de SO-FALQON, que calcula un coeficiente de control de segundo orden $\beta^{(SO)}$ que requiere mediciones de Hamiltonianos complejos, BLS-FALQON retiene el coeficiente de control de primer orden $\beta^{(FO)}$ pero lo ajusta dinámicamente utilizando un mecanismo de retroceso:

1. Paso Inicial: El algoritmo computa el coeficiente estándar de primer orden $\beta^{(FO)}_{k+1} = -A_k$, donde $A_k$ es el valor de esperanza del conmutador $[H_d, H_p]$.
2. Monitoreo: En cada paso, el algoritmo también estima el valor de esperanza del Hamiltoniano del problema, $E_k = \langle H_p \rangle$.
3. Disparador de Retroceso: Si $E_k$ no disminuye de forma monotónica (es decir, $E_k > E_{k-1}$), indicando una posible dirección errónea debido a errores de Trotter o ruido, el algoritmo activa un bucle de retroceso.
4. Corrección: El coeficiente de control se escala iterativamente por un factor negativo $\tau \in (-1, 0)$:
   $$\beta^{(FO)}_k \leftarrow \tau \beta^{(FO)}_k$$
   El signo negativo invierte la dirección del control para corregir la dirección errónea, mientras que la reducción de la magnitud suprime las oscilaciones. El estado se vuelve a preparar y $E_k$ se reevalúa hasta que se observa una disminución monotónica.

Eficiencia de Medición

Una ventaja teórica clave es que BLS-FALQON no requiere la estimación de los Hamiltonianos complejos $B_k$ y $C_k$. Para problemas como Max-Cut donde el Hamiltoniano del problema $H_p$ consiste en cadenas de Pauli $ZZ$ de 2-local, la estimación de $E_k$ puede absorberse en los subconjuntos de conmutación por qubit utilizados para $A_k$. Consecuentemente, para tamaños de grafo $n \ge 12$, las bases de medición por paso para BLS-FALQON son idénticas a las de el FALQON original, evitando la sobrecarga de 2.3x de SO-FALQON.

Contribuciones Clave

1. Innovación Algorítmica: Introducción de BLS-FALQON, que integra una estrategia de búsqueda de línea de retroceso modificada para ajustar heurísticamente el coeficiente de control de primer orden, eliminando la necesidad de la estimación del Hamiltoniano de segundo orden.
2. Análisis Teórico:
   • Límites de Error: Demostración de que el mecanismo de retroceso termina en un número finito de pasos, garantizando que existe un paso de descenso válido incluso si la dirección inicial es incorrecta debido a errores de Trotter.
   • Paisajes Cuadráticos: Análisis que muestra que, aunque el coeficiente heurístico puede no ser el vértice óptimo exacto (como en SO-FALQON), satisface la condición de descenso, asegurando la estabilidad de la convergencia.
3. Reducción de Recursos: Demostración de que el método logra una reducción significativa en los recuentos totales de medición mientras mantiene profundidades de circuito comparables con el estado del arte de SO-FALQON.

Resultados Experimentales

Simulaciones Numéricas

Las simulaciones se realizaron en grafos 3-regulares no ponderados con $n \in \{8, \dots, 20\}$ vértices utilizando el marco de trabajo Qiskit. El objetivo fue una relación de aproximación de $r_{GW} = 0.932$ (el límite de Goemans-Williamson).

• Sobrecarga de Medición: BLS-FALQON redujo el recuento total de mediciones en un 37.7% en comparación con SO-FALQON y en un 88.1% en comparación con el FALQON estándar.
• Profundidad de Circuito: BLS-FALQON requirió aproximadamente un 2.5% más de capas que SO-FALQON para alcanzar la relación de aproximación objetivo, un aumento marginal atribuido a la naturaleza heurística del coeficiente de retroceso. Sin embargo, esta profundidad fue aproximadamente 11 veces menor que la del FALQON estándar.
• Escalabilidad: Los ahorros de medición se mantuvieron consistentes a medida que aumentaba la escala del problema.

Experimentos en Hardware Cuántico Real

Los experimentos se realizaron en la computadora cuántica Tianyan-176, utilizando el procesador cuántico superconductor Zuchongzhi2. Las pruebas se limitaron a instancias de pequeña escala ($n \in \{4, 6, 8\}$) con un máximo de $L=10$ capas debido a las restricciones de tiempo de coherencia.

• Tiempo de Ejecución: BLS-FALQON redujo el tiempo de ejecución promedio estimado en hardware en un 43% en relación con SO-FALQON. Esta reducción se atribuye directamente a la disminución de las bases de medición requeridas por paso.
• Robustez: Bajo ruido realista de hardware, BLS-FALQON logró la mayor relación de aproximación promedio entre los tres algoritmos y exhibió las bandas de convergencia más estrechas para $n=4$ y $n=6$.
• Impacto del Ruido: El mecanismo de retroceso proporcionó un efecto correctivo contra el ruido inducido por el hardware. Cuando el ruido causó un aumento espurio en $E_k$, el escalado de signo alterno de $\beta$ identificó un coeficiente de descenso válido sin requerir mediciones de Hamiltoniano adicionales, compensando parcialmente la dirección de control errónea.

Significancia y Reclamaciones

El artículo afirma que BLS-FALQON aborda con éxito el compromiso entre la profundidad del circuito y la sobrecarga de medición en la optimización cuántica basada en retroalimentación. Al aprovechar la teoría de la búsqueda de línea de retroceso, el método:

• Mantiene la Baja Profundidad: Logra profundidades de circuito comparables con el mejor enfoque existente (SO-FALQON), haciéndolo viable para dispositivos NISQ donde el tiempo de coherencia es limitado.
• Reduce el Costo de Medición: Reduce significativamente el recuento total de mediciones en comparación con SO-FALQON, lo cual es crítico para reducir la complejidad temporal total en hardware real donde las operaciones de medición consumen mucho tiempo.
• Mejora la Estabilidad: El mecanismo de retroceso actúa como un estabilizador contra los errores de descomposición de Trotter y el ruido del hardware, asegurando la convergencia monotónica donde los métodos de primer orden estándar podrían oscilar.

Los autores concluyen que BLS-FALQON es un algoritmo práctico y efectivo para problemas de optimización combinatoria a pequeña escala en el hardware NISQ actual, ofreciendo una mejora equilibrada tanto en la profundidad del circuito como en la eficiencia de medición. Observan que, si bien persiste una brecha entre los resultados de hardware y las simulaciones ideales debido a las limitaciones actuales de los dispositivos, el diseño del algoritmo es robusto y escalable.