⚛️ quantum physics

Efficient quantum phase estimation with adaptive entanglement-assisted Hadamard test

Este artículo propone el Test de Hadamard Asistido por Entrelazamiento Adaptativo (AEHT, por sus siglas en inglés), un algoritmo que refina iterativamente la fase de referencia para superar las limitaciones de precisión y los sesgos sistemáticos de los métodos convencionales, permitiendo así una estimación de fase cuántica de alta precisión y eficiente en dispositivos de corto plazo utilizando el recuento de reinicios del dispositivo como métrica de costo.

Autores originales: Hengzhun Chen, Benchi Zhao, Yingzhou Li

Publicado 2026-10-02

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hengzhun Chen, Benchi Zhao, Yingzhou Li

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

Las computadoras cuánticas prometen resolver problemas que a las máquinas clásicas les tomaría miles de años, pero son notoriamente frágiles. Para funcionar, deben retener estados delicados de información el tiempo suficiente para realizar cálculos, un requisito que a menudo choca con la realidad ruidosa del hardware actual. Una de las tareas más fundamentales para estas máquinas es la estimación de fase cuántica, un proceso utilizado para extraer valores específicos de los sistemas cuánticos. Este cálculo es el motor detrás de famosos algoritmos para romper códigos y simular moléculas, pero la forma estándar de hacerlo requiere que la computadora mantenga una coherencia perfecta durante un tiempo imposible. Debido a que las máquinas actuales no pueden sostener períodos de estabilidad tan largos, los científicos han recurrido a métodos alternativos que utilizan circuitos más cortos y manejables, incluso si esos métodos requieren repetir el experimento muchas veces para obtener una respuesta precisa.

El desafío con estos métodos más cortos es un compromiso entre velocidad y precisión. Los investigadores pueden acelerar el proceso utilizando una técnica que vincula múltiples partículas en un estado especial, amplificando efectivamente la señal que intentan medir. Sin embargo, esta amplificación es peligrosa si los científicos no tienen una suposición muy buena para empezar. Si la suposición inicial es demasiado errónea, la señal amplificada se vuelve confusa e imposible de interpretar, obligando a los investigadores a utilizar una amplificación mucho más pequeña y lenta. Esto crea un cuello de botella: para obtener un resultado altamente preciso, se necesita una gran amplificación, pero no se puede usar una gran amplificación sin una suposición inicial muy precisa, que es exactamente lo que la medición pretende proporcionar.

En un nuevo estudio, los investigadores Hengzhun Chen, Benchi Zhao e Yingzhou Li han desarrollado una solución a este problema circular llamada prueba de Hadamard asistida por entrelazamiento adaptativo. En lugar de quedarse con un único nivel fijo de amplificación, su método actúa como un bucle de refinamiento. El proceso comienza con una suposición aproximada y una cantidad pequeña y segura de amplificación. La computadora realiza la medición, la cual agudiza la estimación del valor real. Esta estimación mejorada se convierte entonces en el nuevo punto de partida para la siguiente ronda, permitiendo a los investigadores utilizar de forma segura un factor de amplificación mayor. Al repetir este ciclo, el método aumenta progresivamente la potencia de amplificación a medida que la estimación se vuelve más precisa, desbloqueando la capacidad de usar grandes grupos de partículas entrelazadas sin el riesgo de confusión.

El equipo también abordó un problema común del mundo real donde el estado cuántico preparado por la máquina no es perfecto. En tales casos, la señal suele ser más débil de lo esperado, lo que introduce un error sistemático que no puede corregirse simplemente ejecutando el experimento más veces. Su enfoque adaptativo suprime con éxito este sesgo, permitiendo que el error disminuya con cada ronda del proceso. Para medir el costo real de estos experimentos, los autores introdujeron una nueva métrica llamada conteo de reinicio del dispositivo. En los procesadores cuánticos modernos, la parte más laboriosa de un experimento no es el número de veces que se ejecuta un circuito, sino el número de veces que toda la máquina debe ser reiniciada y recargada. Sus simulaciones muestran que, al utilizar su método adaptativo, el número de estos costosos reinicios disminuye significamente en comparación con los métodos fijos tradicionales, especialmente cuando se requiere una alta precisión.

Los investigadores probaron su idea mediante simulaciones numéricas en un procesador cuántico virtual con 2,500 cúbits. Encontraron que, para estados cuánticos exactos, su método redujo el número de reinicios de máquina requeridos por un factor que crece a medida que aumenta la precisión deseada, ofreciendo una ganancia de eficiencia masiva sobre las técnicas estándar. Incluso cuando los estados cuánticos eran imperfectos, el método adaptativo continuó mejorando la precisión, mientras que los métodos tradicionales alcanzaban un límite duro donde ninguna cantidad de datos adicionales podía eliminar el error. El estudio concluye que, al adaptar la fase de referencia a la estimación actual y medir el costo en términos de reinicios de máquina en lugar de solo puntos de datos brutos, este enfoque ofrece un camino práctico hacia cálculos cuánticos de alta precisión en el hardware ruidoso e imperfecto disponible hoy en día.

Resumen Técnico: Estimación de Fase Cuántica Eficiente con la Prueba de Hadamard Asistida por Entrelazamiento Adaptativo

Planteamiento del Problema
La Estimación de Fase Cuántica (QPE) es un subprocedimiento fundamental para algoritmos como la factorización de Shor y la simulación cuántica. Sin embargo, la QPE convencional requiere circuitos profundos y tiempos de coherencia que escalan exponencialmente con la precisión deseada, lo que la hace impracticable para dispositivos cuánticos de la era de la NISQ (era de ruido intermedio de escala intermedia). La Prueba de Hadamard Estándar (SHT) ofrece una alternativa de circuito poco profundo, pero sufre de una complejidad de conteo de disparos (shots) de $O(1/\epsilon^2)$ para alcanzar una precisión $\epsilon$ . La Prueba de Hadamard Asistida por Entrelazamiento (EHT) mejora esto utilizando un estado de Greenberger-Horne-Zeilinger (GHZ) de $m$ qubits para amplificar la señal de fase, reduciendo teóricamente el conteo de disparos a $O(1/(m\epsilon)^2)$ .

A pesar de esta ventaja, la EHT enfrenta una limitación crítica: el factor de amplificación factible $m$ está estrictamente acotado por la precisión de la fase de referencia $\vartheta$ . Específicamente, para evitar la ambigüedad en la función $\arcsin$ , debe cumplirse la condición $m|\theta - \vartheta| < \pi/2$ . En regímenes de alta precisión, una fase de referencia gruesa obliga a que $m$ sea pequeño, anulando los beneficios del entrelazamiento. Además, en escenarios realistas donde el estado preparado no es un autoestado exacto, la señal de la EHT se atenúa por una amplitud desconocida $\rho < 1$ . Esto introduce un sesgo sistemático que no puede eliminarse aumentando el conteo de disparos, creando un piso de error para los métodos convencionales. Finalmente, las métricas de costo existentes basadas en el "conteo de disparos" no tienen en cuenta las capacidades de ejecución paralela de los procesadores cuánticos de gran escala, donde el verdadero cuello de botella es a menudo el "conteo de reinicios del dispositivo" (el número de veces que el hardware debe inicializarse y resetearse).

Metodología
Los autores proponen la Prueba de Hadamard Asistida por Entrelazamiento Adaptativa (AEHT), un algoritmo iterativo diseñado para superar la limitación de la fase de referencia y manejar la preparación de estados imperfectos.

Refinamiento Iterativo de la Referencia: El algoritmo comienza con una fase de referencia $\vartheta_0$ y una incertidumbre conocida $\Delta_0$ . En cada ronda $t$ , selecciona un factor de amplificación $m_t$ que sea seguro dada la incertidumbre actual (es decir, $m_t \Delta_t \leq \chi$ , donde $\chi < \pi/2$ ). Las mediciones de esta ronda refinan la estimación de la fase, la cual se convierte en la referencia $\vartheta_{t+1}$ para la siguiente ronda. A medida que la referencia mejora (la incertidumbre $\Delta_t$ disminuye), el algoritmo permite un $m_t$ mayor, permitiendo una amplificación progresivamente más fuerte.
Manejo de Estados Imperfectos: Para escenarios donde el estado preparado $|\psi\rangle$ no es un autoestado exacto, la señal se atenúa por una amplitud $\rho$ . La AEHT descompone el error en error de preparación (irreducible), error estadístico y sesgo inducido por la amplitud. Al presupuestar explícitamente el sesgo y elegir $m_t$ de tal manera que el sesgo permanezca dentro de una fracción prescrita de la precisión objetivo, el algoritmo suprime sistemáticamente el sesgo en cada iteración, a diferencia de los métodos de amplificación fija que alcanzan un piso de sesgo.
Métrica de Costo: El artículo introduce el conteo de reinicios del dispositivo como la métrica de costo principal. Esto tiene en cuenta el hecho de que en un procesador con $Q$ qubits, múltiples instancias de circuitos independientes pueden ejecutarse en paralelo. El número de reinicios $R$ se calcula basándose en el conteo total de disparos dividido por la capacidad de paralelismo $\kappa(m)$ , la cual depende del tamaño del GHZ $m$ y los qubits del sistema.

Contribuciones Clave

Amplificación Adaptativa: El algoritmo AEHT aumenta dinámicamente el tamaño del estado GHZ a medida que la fase de referencia se vuelve más precisa, desbloqueando todo el poder de amplificación de los grandes estados entrelazados sin requerir conocimiento previo de la fase.
Supresión de Sesgo: El método proporciona un marco teórico para suprimir el sesgo inducido por la amplitud en escenarios de preparación de estados imperfectos, permitiendo que el error de estimación disminuya continuamente con las iteraciones, mientras que las EHT convencionales exhiben un error no nulo.
Análisis de Costo Consciente del Hardware: Al cambiar la métrica de costo del conteo de disparos al conteo de reinicios del dispositivo, el artículo demuestra que el esquema adaptativo ofrece una ventaja significativa en arquitecturas de hardware paralelizables.
Límites de Complejidad:
- Para autoestados exactos, el conteo total de disparos escala como $O(\log(1/\epsilon))$ (hasta factores logarítmicos dobles) cuando no se alcanzan los límites del hardware.
- En términos de conteo de reinicios del dispositivo, el esquema adaptativo escala como $O(1/\epsilon)$ (hasta factores logarítmicos), comparado con la escala $O(1/\epsilon^2)$ de la EHT de amplificación fija.
- Cuando el tamaño del GHZ está limitado por los qubits disponibles (cuando $m$ se satura), la escala revierte a $O(1/\epsilon^2)$ , pero el método adaptativo retiene una ventaja de factor constante sobre los métodos de amplificación fija.

Resultados
Se realizaron experimentos numéricos utilizando un procesador cuántico simulado con $Q=2500$ qubits.

Autoestados Exactos: El método AEHT demostró una reducción superlineal en los conteos de reinicios del dispositivo en comparación con SHT y la EHT de $m$ fijo. A medida que la precisión objetivo $\epsilon$ se volvía más estricta, la amplificación máxima $m$ aumentaba (por ejemplo, de $m=11$ en $\epsilon=10^{-2}$ a $m=1250$ en $\epsilon=10^{-4}$ ), manteniendo una ventaja de conteo de reinicios de aproximadamente dos órdenes de magnitud incluso tras la saturación.
Autoestados Imperfectos: En presencia de infidelidad en la preparación del estado ( $\eta=0.01$ ), los métodos de EHT de $m$ fijo y SHT alcanzaron un piso de sesgo, requiriendo infinitos reinicios para superarlo. En contraste, AEHT logró suprimir el sesgo, logrando una mayor precisión con menos reinicios.
Robustez al Ruido: Las simulaciones incluyendo ruido de depolarización y errores de lectura confirmaron que, mientras los errores de SHT convergen a un valor peor debido a la acumulación de ruido, los errores de AEHT continúan siguiendo el límite superior teórico, demostrando robustez.

Significancia
El artículo afirma ofrecer un método eficiente para estimar fases cuánticas de alta precisión en procesadores cuánticos de la era de la NISQ. Al adaptar la fase de referencia a la estimación actual y utilizar los conteos de reinicios del dispositivo como una métrica de costo realista, el trabajo hace que la estimación de fase asistida por entrelazamiento sea práctica en el régimen de alta precisión. Los autores sugieren que este enfoque es particularmente adecuado para plataformas como las matrices de átomos neutros, donde la ejecución paralela es posible pero la inicialización y el reordenamiento son costosos. El artículo concluye señalando que el trabajo futuro podría incluir la demostración del método AEHT en hardware cuántico real.

Más como este