Scaling Quantum Optimization to the Thousand-Qubit Scale with Distributed Quantum Sampling

En el complejo mundo de la infraestructura moderna, desde el flujo de electricidad a través de un continente hasta el enrutamiento de datos a través de una red global, existe una necesidad constante de organizar las conexiones de manera eficiente. Imagine una enorme red de carreteras donde el tráfico debe moverse desde muchos puntos de partida hacia muchos destinos sin que dos vehículos choquen entre sí en una intersección. En matemáticas y ciencias de la computación, este desafío se conoce como un problema de emparejamiento (matching problem): encontrar el conjunto más grande posible de conexiones que no compartan ningún extremo. Cuando el objetivo es descomponer una red complicada y desordenada en el menor número posible de estos conjuntos limpios y no superpuestos, la tarea se vuelve increíblemente difícil para las computadoras estándar. Este es el ámbito de la optimización combinatoria, un campo donde encontrar la disposición perfecta a menudo requiere verificar más posibilidades que los átomos que existen en el universo. Para abordar estos problemas, los científicos están recurriendo a las computadoras cuánticas, máquinas que utilizan las extrañas reglas de la mecánica cuántica para explorar muchas posibilidades a la vez. Sin embargo, las máquinas cuánticas actuales todavía son pequeñas y frágiles, conteniendo solo unos pocos cientos de bits de información, mientras que los problemas del mundo real que pretenden resolver a menudo involucran miles de variables. La pregunta central para los investigadores es si pueden dividir un problema masivo en piezas más pequeñas, resolver esas piezas en el hardware limitado de hoy y luego unir las respuestas para resolver el rompecabezas completo.

Un equipo de investigadores ha dado un paso significativo para responder a esa pregunta mediante la aplicación exitosa de un enfoque híbrido a una simulación masiva de una red energética. Se centraron en un desafío específico llamado Descomposición de Birkhoff Mínima, que plantea cómo reconstruir un grafo de demanda complejo utilizando la menor cantidad posible de emparejamientos ponderados. Menos emparejamientos significan menos cambios y reconfiguraciones en el mundo real, lo que se traduce en menores costos y mayor eficiencia para aspectos como el comercio de energía y la programación de redes. Los investigadores probaron su método en un modelo realista de una red de transmisión de alta tensión europea, conocida como el caso PEGASE-1354. Este modelo representa una red con 1,354 puntos de conexión y 1,710 líneas de transmisión. Si uno intentara resolver este problema directamente en una computadora cuántica, requeriría una máquina con 1,710 qubits, las unidades básicas de información cuántica. Dado que los procesadores cuánticos más avanzados disponibles hoy tienen muchos menos qubits, el equipo tuvo que encontrar una manera de reducir el problema sin perder la esencia de la ventaja cuántica.

Para hacer esto posible, el equipo desarrolló un flujo de trabajo que divide la red masiva en trozos más pequeños y manejables. Utilizaron una técnica llamada partición espectral, que actúa como un cartógrafo inteligente, agrupando las partes de la red que están más estrechamente conectadas mientras corta la menor cantidad posible de conexiones entre ellas. Esto les permitió dividir el problema de 1,710 líneas en docenas de subproblemas más pequeños, cada uno lo suficientemente pequeño como para caber en el hardware cuántico actual. Específicamente, se enfocaron en particiones de aproximadamente 50 qubits, un tamaño que se ajusta a las capacidades de los procesadores cuánticos superconductores existentes. Para cada una de estas piezas más pequeñas, ejecutaron un algoritmo de muestreo cuántico conocido como QAOA, el cual está diseñado para encontrar buenas soluciones candidatas explorando el paisaje de las posibilidades. En lugar de intentar encontrar la única respuesta perfecta para cada pieza, la computadora cuántica generó un grupo diverso de emparejamientos potenciales. Estos candidatos fueron luego pasados a una computadora clásica, que actuó como supervisora. La computadora clásica verificó las soluciones para detectar errores, corrigió cualquier conflicto donde las conexiones se cruzaran incorrectamente y combinó las mejores piezas de las diferentes particiones para construir una solución global. Este proceso de verificación y corrección se conoce como reparación de factibilidad codiciosa (greedy feasibility repair), y asegura que el resultado final sea una configuración válida y funcional.

Los resultados de este experimento fueron alentadores, mostrando que el enfoque asistido por computación cuántica podía superar a los métodos tradicionales incluso en una máquina con limitaciones significativas. Cuando los investigadores compararon sus candidatos generados por la cuántica contra aquellos producidos por el recocido simulado (simulated annealing), una técnica de optimización clásica estándar, y el muestreo aleatorio uniforme, el método cuántico produjo consistentemente mejores resultados. Las muestras reparadas del procesador cuántico lograron una tasa de error más baja, lo que significa que la red reconstruida estaba más cerca de la demanda ideal que las soluciones encontradas por las líneas base clásicas. Además, el equipo descubrió que el tamaño de las particiones importaba mucho. Cuando dividieron el problema en piezas muy pequeñas de solo 20 qubits, la calidad de las soluciones disminuyó significativamente, sugiriendo que la computadora cuántica necesita una cierta cantidad de complejidad para ser útil. Si las piezas son demasiado pequeñas, se vuelven fáciles de simular para una computadora clásica, eliminando la necesidad de la máquina cuántica. Sin embargo, cuando las particiones se mantuvieron en un tamaño mayor, alrededor de 50 qubits, el sistema conservó la capacidad de encontrar soluciones de alta calidad que eran difíciles de igualar para los métodos clásicos. Esto sugiere que la ventaja cuántica reside en el manejo de un nivel específico de complejidad donde las correlaciones entre variables son demasiado intrincadas para que las heurísticas clásicas simples puedan navegarlas eficazmente.

Otro hallazgo clave fue el impacto de cómo se organizaron los circuitos cuánticos en el hardware físico. Los investigadores utilizaron una técnica llamada empaquetado de circuitos espaciales (spatial circuit packing), que permite ejecutar múltiples problemas cuánticos independientes simultáneamente en diferentes partes del mismo procesador. Al organizar cuidadosamente estas tareas, pudieron reducir el tiempo total de ejecución en un factor de tres en comparación con la ejecución de las tareas una tras otra. Esta aceleración es crucial para aplicaciones prácticas, ya que hace que el proceso de resolver grandes problemas de optimización sea mucho más factible dentro de un plazo razonable. El equipo también probó el sistema en un procesador cuántico real, el dispositivo IBM Heron, y encontró que los resultados del hardware seguían de cerca el rendimiento de las simulaciones de alta fidelidad. Aunque el hardware real introdujo cierto ruido y errores, la combinación de muestreo cuántico y reparación clásica fue lo suficientemente robusta como para superar estas imperfecciones. El estudio descartó explícitamente la idea de que simplemente hacer el problema más pequeño es la mejor estrategia; encontraron que la partición agresiva que reducía el problema a fragmentos diminutos en realidad degradaba la calidad de la solución. En cambio, el punto óptimo se encontró al mantener las particiones lo suficientemente grandes como para preservar las correlaciones cuánticas útiles, pero lo suficientemente pequeñas como para caber en la máquina.

Los investigadores también investigaron qué tanta "entrelazación" cuántica, o la conexión profunda entre los qubits, era necesaria para el éxito. Simularon el proceso utilizando un método que podía controlar la cantidad de correlación cuántica retenida en el cálculo. Sus pruebas demostraron que si cortaban artificialmente demasiada de esta conexión, la calidad de las soluciones candidatas sufría. Esto indica que el procesador cuántico no solo está actuando como un generador de números aleatorios, sino que está utilizando genuinamente sus propiedades únicas para explorar el espacio de soluciones de una manera que las computadoras clásicas no pueden replicar fácilmente. El estudio no pretendía haber resuelto definitivamente el problema de la ventaja cuántica, ni sugirió que este método esté listo para un despliegue comercial inmediato. Más bien, demostró un camino viable a seguir. Al combinar la partición espectral, el empaquetado espacial y la reparación clásica, el equipo demostró que es posible ejecutar el muestreo cuántico basado en puertas para problemas de optimización con restricciones de miles de variables utilizando el hardware actual. El trabajo sirve como una prueba de concepto de que el muestreo cuántico distribuido puede escalarse, siempre que las particiones se mantengan lo suficientemente grandes como para preservar el comportamiento cuántico que hace valioso el enfoque en primer lugar.

Mirando hacia el futuro, los investigadores ven el siguiente paso lógico como el aumento del tamaño de estas particiones a al menos 100 qubits y la gestión cuidadosa de su densidad para asegurar que sigan siendo resolubles en el hardware. Ya han comenzado a probar este enfoque en bancos de pruebas aún más grandes, con resultados preliminares que muestran que el método puede alcanzar consistentemente la precisión objetivo dentro de un número razonable de pasos y producir descomposiciones mucho más dispersas y eficientes que los métodos codiciosos clásicos. El objetivo final es mantener una contribución cuántica útil dentro de cada partición a medida que el problema general crece, asegurando que la computadora cuántica siga siendo una parte esencial de la solución y no solo una novedad. Esta investigación destaca un enfoque pragmático de la era cuántica, uno que reconoce las limitaciones de las máquinas de hoy mientras traza un rumbo claro sobre cómo usarlas de manera efectiva para resolver los masivos desafíos de optimización del mundo real que yacen justo más allá del alcance de la computación clásica.