⚛️ física cuántica

Explicitly correlated ground states with a feedback-free variational hybrid algorithm

Este artículo propone y demuestra experimentalmente un algoritmo híbrido cuántico-clásico libre de retroalimentación que utiliza un procesador cuántico para preparar un estado de producto de matrices en el espacio de momento y procesamiento clásico posterior para optimizar variacionalmente un correlador de tipo Jastrow explícitamente correlacionado, logrando estimaciones de energía del estado fundamental de alta precisión para el modelo de Fermi-Hubbard 2D con requisitos de muestreo y de compuertas reducidos en comparación con otros métodos híbridos.

Autores originales: Benjamin Corbett, Akimasa Miyake

Publicado 2026-10-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Benjamin Corbett, Akimasa Miyake

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

En el mundo microscópico de los electrones, las partículas no siempre se comportan como individuos independientes que se mueven por un espacio vacío. En ciertos materiales, se entrelazan profundamente, y sus movimientos están dictados por una repulsión feroz e inmediata cuando se acercan demasiado entre sí. Este fenómeno, conocido como correlación fuerte, es la clave para comprender cómo algunos materiales conducen la electricidad, cómo se vuelven magnéticos o cómo podrían convertirse algún día en superconductores. Para predecir estos comportajes, los científicos deben resolver un rompecabezas matemático masivo: calcular el estado de energía exacto de un sistema donde cada electrón reacciona constantemente a todos los demás electrones. Durante décadas, las computadoras clásicas más potentes han luchado contra esta tarea, chocando a menudo con un muro cuando las interacciones se vuelven demasiado intensas o el sistema crece demasiado. La dificultad radica en un desajuste fundamental: la forma más eficiente de describir el orden de largo alcance de estos electrones es en términos de su momento, mientras que la forma más eficiente de describir sus repulsiones violentas de corto alcance es en términos de su posición física. Intentar combinar estas dos descripciones en una computadora clásica ha sido como intentar resolver un rompecabezas donde las piezas están cortadas de dos imágenes diferentes.

Un equipo de investigadores de la Universidad de Nuevo México ha encontrado una manera de cerrar esta bre Divide utilizando una computadora cuántica, no pidiéndole a la máquina que resuelva todo el rompecabezas a la vez, sino utilizándola para preparar un punto de partida específico y de alta calidad para que una computadora clásica lo termine. Su enfoque, detallado en un estudio reciente, se centra en un modelo teórico llamado modelo de Fermi-Hubbard, que describe a los electrones saltando entre sitios en una cuadrícula. Los investigadores utilizaron un procesador cuántico para generar un estado de baja entrelazación de electrones en el espacio de momentos, una configuración que es difícil de crear eficientemente para las computadoras clásicas. Luego, rotaron este estado hacia el espacio real, traduciendo efectivamente la descripción para que las repulsiones de corto alcance pudieran ser gestionadas. Crucialmente, hicieron esto sin un bucle de ida y vuelta donde la computadora y el algoritmo clásico se ajustaran constantemente entre sí. En su lugar, el procesador cuántico realizó su tarea una vez, midió los resultados y entregó los datos a una computadora clásica. La computadora clásica utilizó entonces estos datos para optimizar un "correlador" matemático —una herramienta que ajusta con precisión la descripción de las repulsiones de los electrones— enteramente después de que el experimento cuántico hubiera terminado.

El experimento se llevó a cabo en una computadora cuántica de 32 cúbits, específicamente el modelo H2-2 de Quantinuum. El equipo preparó un estado que representaba una cuadrícula de 16 sitios, con la mitad de los sitios ocupados por electrones, y midió la energía del sistema. Tras filtrar los datos para eliminar los resultados que violaban las reglas conocidas de conservación de partículas, aplicaron una técnica de calibración para corregir los pequeños errores inherentes al hardware cuántico actual. El resultado fue una estimación de la energía del estado fundamental que era notablemente cercana al valor exacto conocido, con un error relativo de apenas un 3,5 por ciento. Este nivel de precisión se logró utilizando significativamente menos mediciones cuánticas y menos puertas de dos cúbits que otros métodos líderes que dependen de bucles de retroalimentcción repetidos o circuitos cuánticos profundos. Los investigadores demostraron que, al separar la preparación cuántica de la optimización clásica, podían reutilizar los mismos datos cuánticos para probar muchos modelos matemáticos diferentes de interacción electrónica sin necesidad de ejecutar la computadora cuántica de nuevo.

El estudio también exploró cómo este método podría escalar a sistemas más grandes. Al analizar los datos, los autores encontraron que el número de mediciones requeridas para mantener un nivel fijo de precisión crece exponencialmente con el tamaño de la cuadrícula, pero a un ritmo manejable para los dispositivos cuánticos de la era actual. Compararon su enfoque con otros algoritmos híbridos, como la interacción de configuración seleccionada por cuantía y los métodos de Krylov cuánticos. Aunque esos métodos pueden ofrecer garantías matemáticas rigurosas, a menudo requieren muchísimos más recursos cuánticos —ya sea millones de veces más muestras o miles de veces más puertas complejas— para alcanzar el mismo nivel de precisión en los sistemas pequeños probados. La capacidad del nuevo método para desacoplar la medición cuántica de la optimización clásica le otorga una flexibilidad de la que carecen los otros métodos; los investigadores pueden sustituir el modelo matemático de las interacciones electrónicas después de haber recolectado los datos, probando diferentes teorías contra el mismo experimento cuántico.

Este trabajo representa una prueba de principio más que una solución final al problema de los electrones fuertemente correlacionados. Los investigadores reconocen que su demostración actual estuvo limitada a una pequeña cuadrícula de 4 por 4, y que sistemas más grandes requerirán técnicas de preparación de estados más avanzadas. Sin embargo, el éxito de este algoritmo híbrido libre de retroalimentación sugiere un camino viable a seguir. Al utilizar el procesador cuántico estrictamente como una herramienta para generar un estado específico y difícil de crear, y luego dejar que las computadoras clásicas realicen el trabajo pesado de la optimización, el equipo ha demostrado que la ventaja cuántica en la ciencia de materiales podría no requerir las máquinas masivas de corrección de errores del futuro lejano. En cambio, puede lograrse hoy mediante el diseño cuidadoso de algoritmos que respeten las fortalezas únicas tanto del hardware cuántico como del clásico, convirtiendo un desajuste fundamental de bases en una asociación complementaria.

Resumen Técnico: Estados Fundamentales Explícitamente Correlacionados con un Algoritmo Híbrido Variacional Libre de Retroalimentación

Planteamiento del Problema
Describir con precisión sistemas de electrones fuertemente correlacionados, como el modelo de Fermi–Hubbard 2D, requiere capturar las correlaciones dominantes de corto alcance. Los métodos explícitamente correlacionados logran esto aumentando un estado de referencia $|\phi\rangle$ con un correlador diagonal $C$ (por ejemplo, un factor de Jastrow o Gutzwiller). Sin embargo, surge un desajuste fundamental de base: los estados de referencia altamente precisos para estos sistemas suelen ser compactos en el espacio de momentos (por ejemplo, Estados de Producto de Matrices o MPS), mientras que los correladores diagonales motivados físicamente actúan naturalmente en el espacio real. Los algoritmos clásicos luchan por cerrar esta brecha: el Método de Monte Carlo Variacional (VMC) requiere un acceso eficiente a las amplitudes en el espacio real (lo cual es $\#P$ -duro para MPS en el espacio de momentos), mientras que el método transcorrelacionado incorpora el correlador en el Hamiltoniano pero produce energías no variacionales y requiere cálculos biorortogonales complejos.

Metodología
Los autores proponen un algoritmo híbrido cuántico-clásico que desacopla la preparación del estado cuántico de la optimización variacional del correlador, eliminando la necesidad de un bucle de retroalimentación cuántico-clásico. El flujo de trabajo procede de la siguiente manera:

Precomputación Clásica: Un cálculo de Grupo de Renormalización de Matriz de Densidad (DMRG) transcorrelacionado genera un MPS de bajo enlace (low-bond-dimension) en el espacio de momentos $|\phi\rangle$ . Este estado se optimiza de forma autoconsistente utilizando una transformación de similitud tipo Gutzwiller ( $C_{tc} = e^{JD}$ ), produciendo una energía de referencia no variacional.
Ejecución Cuántica: Un procesador cuántico prepara el MPS en el espacio de momentos $|\phi\rangle$ . Posteriormente, aplica una transformación de Fourier fermiónica ( $U_{FT}$ ) para rotar el estado al espacio real.
Medición: El estado rotado se mide en bases fijas únicamente por los términos del Hamiltoniano (base de ocupación diagonal y bases de salto). Crucialmente, estos circuitos de medición son independientes de los parámetros $\theta$ del correlador variacional subsiguiente $C_\theta = \exp(\sum \theta_r D_r)$ .
Postprocesamiento Clásico: Los resultados brutos de las mediciones se calibran mediante un programa cuadrático para reproducir los valores esperados conocidos del MPS en el espacio de momentos (por ejemplo, $\langle D \rangle$ , $\langle T \rangle$ ). Estos datos calibrados se utilizan entonces para evaluar el funcional de energía variacional:
$E_{ec}(\theta) = \frac{\langle \phi | C_\theta H C_\theta | \phi \rangle}{\langle \phi | C_\theta^2 | \phi \rangle}$
Los parámetros $\theta$ se optimizan enteramente de forma clásica para minimizar esta energía. Debido a que las bases de medición no dependen de $\theta$ , el mismo conjunto de datos puede reutilizarse para cualquier forma o parámetros del correlador.

Contribuciones Clave

Optimización Variacional Libre de Retroalimentación: A diferencia de los VQE (Algoritmos Evolutivos Variacionales) estándar que requieren actualizaciones iterativas de los circuitos, este método fija todos los circuitos cuánticos antes de la ejecución. La optimización variacional ocurre enteramente en el postprocesamiento clásico, lo que permite la exploración de correladores diagonales en el espacio real arbitrarios (incluyendo formas de altos parámetros) sin ejecuciones cuánticas adicionales.
Resolución del Conflicto de Bases: El algoritmo aprovecha el procesador cuántico para realizar la rotación computacionalmente costosa del espacio de momentos al espacio real, permitiendo el uso de referencias MPS compactas en el espacio de momentos con correladores en el espacio real.
Protocolo de Calibración: Un esquema de calibración novedoso repondera las muestras de medición para coincidir con los momentos de bajo orden del MPS de referencia, reduciendo significativamente los errores estadísticos y el sesgo sin requerir una reconstrucción completa de la función de onda.

Resultados
El algoritmo se demostró en un modelo de Fermi–Hubbard de 4 $\times$ 4 con llenado medio ( $U/t=4$ ) utilizando el computador cuántico de iones atrapados Quantinuum H2-2 (32 qubits).

Rendimiento del Hardware: Utilizando un MPS de dimensión de enlace-4, la energía postseleccionada bruta fue $-11.49 \pm 0.49$ . Tras la calibración, la energía mejoró a $-13.14 \pm 0.07$ , logrando un error relativo de $3.5 \pm 0.5\%$ respecto al estado fundamental exacto.
Eficiencia de Muestreo: En comparación con la Interacción de Configuración Seleccionada Cuánticamente (QSCI), el método propuesto requirió significativamente menos muestras (aprox. $3.6 \times 10^4$ frente a $\sim 2 \times 10^8$ ) para alcanzar una precisión comparable.
Eficiencia de Puertas: En comparación con la Diagonalización de Subespacio de Krylov Cuántico (QKSD), el método requirió menos puertas de dos qubits (464 para el circuito de rotación frente a 544 para QKSD para igualar la misma precisión, y 696 frente a 22,304 para objetivos de mayor precisión).
Escalabilidad: El estudio sugiere que para sistemas de llenado medio, el costo de muestreo escala como $\exp(cN)$ con $c < 0.1$ , aunque esto sigue siendo una hipótesis que requiere mayor verificación.

Significado y Reivindicaciones
Los autores posicionan este trabajo como una "prueba de principio" más que una demostración de ventaja cuántica total. El significado reside en demostrar una vía viable para combinar las fortalezas de los métodos de tensores de red clásicos (referencias compactas en el espacio de momentos) con el hardware cuántico (rotación exacta en el espacio real) sin la sobrecarga de los bucles de retroalimentación.

El artículo afirma que este enfoque ofrece una ventaja distinta sobre otros algoritmos híbridos libres de retroalimentación (como QSCI y QKSD) al requerir menos recursos (muestras y puertas) para el benchmark específico probado. Destaca que, si bien la estimación de la energía es variacional, los observables derivados del estado único $C|\phi\rangle$ son más precisos que aquellos de los métodos transcorrelacionados biorortogonales. Los autores señalan que el método es particularmente adecuado para regímenes donde el Monte Carlo de Campo Auxiliar sufre de problemas de signo (por ejemplo, fuera del llenado medio o en sistemas diluidos), siempre que los estados de referencia con baja dimensión de enlace sigan siendo efectivos. El trabajo concluye que, si bien las limitaciones actuales del hardware restringen el tamaño del sistema, la naturaleza libre de retroalimentación y la eficiencia de recursos lo convierten en un candidato prometedor para la simulación cuántica de materiales fuertemente correlacionados en la era de la computación de ruido intermedio (NISQ).

Más como este