Fast Hamiltonian engineering from cut polytope geometry

Las computadoras cuánticas prometen resolver problemas que son imposibles para las máquinas actuales, pero son notoriamente frágiles. Para hacerlas útiles, los científicos deben simular el comportamiento de sistemas cuánticos complejos, como moléculas o nuevos materiales, programando un dispositivo cuántico para que actúe como el sistema que desean estudiar. Este proceso, conocido como ingeniería de Hamiltonianos, consiste en tomar una máquina nativa que realiza naturalmente ciertas interacciones y moldear su comportamiento mediante una serie de pulsos de control para imitar una interacción diferente y deseada. El desafío es que estos pulsos de control requieren tiempo para ejecutarse, y cuanto más tiempo está activo un sistema cuántico, más probable es que pierda su delicado estado cuántico debido al ruido y los errores. Por lo tanto, el objetivo más crítico es encontrar la secuencia de pulsos más rápida posible que logre la simulación deseada, minimizando el tiempo que la máquina está expuesta al entorno.

Un equipo de investigadores ha desarrollado un nuevo método unificado para encontrar estas secuencias de pulsos óptimas para una amplia variedad de sistemas cuánticos, incluyendo aquellos compuestos por qubits, qudits de mayor dimensión y fermiones. Al tratar el problema como un rompecabezas geométrico que involucra formas en un espacio de alta dimensión, crearon algoritmos que generan pulsos de control diseñados específicamente para el sistema y la simulación objetivo. Su enfoque encuentra consistentemente soluciones que son casi tan rápidas como el mejor tiempo teórico posible, superando significativamente los métodos anteriores que dependían del azar. En pruebas sobre modelos complejos, su técnica redujo el tiempo requerido a un nivel que no crece con el tamaño del sistema, mientras que los métodos antiguos se volvían más lentos a medida que el sistema crecía.

El núcleo del problema reside en cómo interactúan los sistemas cuánticos. Imagine un dispositivo cuántico que permite naturalmente que las partículas interactúen de una manera específica, pero un científico desea simular un tipo de interacción diferente. Para cerrar esta brecha, el científico aplica capas de operaciones de control, o pulsos, que retuercen el estado del sistema. El objetivo es encontrar la combinación adecuada de estos giros para que el sistema se comporte efectivamente como si estuviera siguiendo las nuevas reglas. Los investigadores se dieron cuenta de que, para muchos tipos importantes de sistemas cuánticos, la relación entre las interacciones naturales y los pulsos de control sigue una regla simple: los pulsos solo cambian la interacción mediante un cambio de fase específico, como girar un dial hacia un ángulo determinado. Esta observación les permitió traducir la compleja tarea de encontrar los mejores pulsos en una cuestión de geometría.

Visualizaron el problema como un rayo de luz disparado desde un punto de partida en un vasto espacio multidimensional. La interacción objetivo define la dirección de este rayo. El conjunto de todas las interacciones posibles que pueden crearse con los pulsos disponibles forma una forma geométrica específica, que los investigadores llaman politopo. La simulación más rápida corresponde al punto donde este rayo toca por primera vez la superficie de esa forma. Si el rayo golpea la forma rápidamente, la simulación es rápida; si tiene que viajar lejos, la simulación es lenta. Los investigadores demostraron que encontrar este punto exacto es matemáticamente imposible de resolver perfectamente para sistemas grandes en un tiempo razonable. Esta es una dificultad conocida en la informática, lo que significa que, para cualquier aplicación práctica, uno debe conformarse con una muy buena aproximación en lugar de una respuesta perfecta.

Para superar esto, el equipo ideó un ingenioso rodeo. En lugar de intentar golpear la forma exacta, relajaron el problema hacia una forma más suave y simple que rodea a la original. Luego, utilizaron una técnica matemática para doblar la trayectoria de su rayo de búsqueda de modo que, cuando finalmente eligieran pulsos específicos de esta forma relajada, el resultado cayera exactamente donde era necesario. Este proceso genera lo que llaman pulsos "informados": secuencias de control que no se eligen al azar, sino que se calculan basándose en los detalles específicos del sistema y el objetivo. Estos pulsos informados se introducen luego en una herramienta de optimización estándar para determinar la temporización y el orden final.

Los investigadores probaron este método en tres tipos distintos de sistemas cuánticos. Primero, analizaron sistemas de qubits estándar, que son la base de la mayoría de las computadoras cuánticas actuales. Compararon su nuevo método con técnicas existentes que utilizan el muestreo aleatorio de pulsos. En estas pruebas, su enfoque informado encontró consistentemente soluciones que eran mucho más rápidas, alcanzando a menudo dentro de un pequeño porcentaje del mejor tiempo teórico. En contraste, los métodos aleatorios antiguos a menudo requerían significativamente más tiempo, especialmente a medida que aumentaba la complejidad de la simulación objetivo.

Después, aplicaron el método a qudits, que son unidades cuánticas con más de dos estados, ofreciendo un conjunto de posibilidades más rico. Aquí, el desafío era aún mayor porque las interacciones involucraban números complejos. Su algoritmo navegó con éxito estas complejidades, encontrando secuencias de pulsos que eran casi óptimas. Los resultados mostraron que su método podía adaptarse a la estructura específica del objetivo, mientras que los métodos aleatorios no lograban mejorar incluso cuando el hardware permitía un control más fino.

Finalmente, probaron el enfoque en sistemas fermiónicos, que se utilizan para modelar electrones en materiales. Este es un caso particularmente difícil porque las interacciones involucran partículas que no pueden ocupar el mismo estado. Utilizaron un modelo conocido como el modelo de Hofstadter, que describe electrones moviéndose en una rejilla bajo un campo magnético. En este escenario, la diferencia entre su método y el antiguo enfoque aleatorio fue rotunda. El método aleatorio requería un tiempo de simulación que crecía linealmente con el tamaño de la rejilla; a medida que la rejilla se hacía más grande, la simulación tardaba proporcionalmente más. Su método informado, sin embargo, encontró soluciones donde el tiempo permanecía constante independientemente del tamaño de la rejilla. Esto significa que, para simulaciones a gran escala de materiales, su enfoque podría ser órdenes de magnitud más rápido, haciendo que simulaciones que antes eran impracticables sean repentinamente factibles.

La importancia de estos hallazgos se extiende más allá de la velocidad. En la simulación cuántica, el tiempo que un sistema funciona está directamente relacionado con cuánto ruido acumula. Una simulación más rápida significa menos ruido y un resultado más preciso. Además, en el contexto de la simulación de partículas que interactúan, la velocidad de la simulación determina la fuerza de las interacciones que pueden ser diseñadas. Un método más rápido permite a los científicos simular interacciones más fuertes de las que el hardware podría soportar naturalmente, abriendo la puerta al estudio de nuevas fases de la materia. Los investigadores también demostraron que su método es robusto; incluso si los pulsos de control no son perfectos o tardan un tiempo finito en ejecutarse, el algoritmo puede ajustarse para suprimir estos errores sin perder su ventaja de velocidad.

Al unificar el tratamiento de qubits, qudits y fermiones bajo un único marco geomético, este trabajo proporciona una nueva y poderosa herramienta para la programación automática de simuladores cuánticos. Mueve el campo desde el ensayo y error o el azar hacia un enfoque sistemático y matemáticamente fundamentado. Aunque el método depende de aproximaciones porque la solución perfecta es computacionalmente inalcanzable, los resultados demuestran que estas aproximaciones son increíblemente ajustadas. Los algoritmos ofrecen consistentemente un rendimiento cercano al óptimo, lo que sugiere que los límites teóricos de lo que se puede simular están mucho más cerca de lo que es alcanzable de lo que se pensaba anteriormente. Este progreso acerca un paso más la realización del sueño de utilizar dispositivos cuánticos para resolver problemas del mundo real en química y ciencia de materiales.