⚛️ física cuántica

Shot- and Noise-Aware Pauli Correlation Encoding for Max-Cut Experiments on IBM Heron Quantum Processor

Este artículo introduce un esquema de codificación de correlación de Pauli consciente de los disparos (shots) y del ruido que ajusta dinámicamente la nitidez de la pérdida basándose en el presupuesto de medición y el ruido del dispositivo, permitiendo un circuito compacto y nativo de hardware en el procesador IBM Heron para superar significativamente a los métodos existentes en la resolución de problemas de Max-Cut en grafos de 800 variables.

Autores originales: Achraf Boussahi

Publicado 2026-10-15

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Achraf Boussahi

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 de la informática moderna, algunos problemas son tan vastos que comprobar cada posible respuesta tomaría más tiempo que la edad del universo. Estos se conocen como problemas de optimización combinatoria, donde una computadora debe encontrar la mejor disposición entre un número vertiginoso de opciones. Un ejemplo clásico es el problema del "corte máximo": imagine una red de ciudades conectadas por carreteras, donde cada carretera tiene un peso que representa su importancia. El objetivo es dividir las ciudades en dos grupos de modo que el peso total de las carreteras que conectan ambos grupos sea lo más grande posible. Esta tarea es notoriamente difícil para las computadoras clásicas, que a menudo tienen que recurrir a atajos ingeniosos en lugar de soluciones perfectas.

Se ha propuesto que las computadoras cuánticas son una nueva forma de abordar estos desafíos. A diferencia de las máquinas clásicas que procesan información como bits de cero o uno, las máquinas cuánticas utilizan qubits que pueden existir en estados complejos de cero y uno simultáneamente. Sin embargo, las computadoras cuánticas actuales son imperfectas. Son ruidosas, lo que significa que sus cálculos se ven fácilmente perturbados por el entorno, y solo pueden funcionar durante un tiempo breve antes de que los errores se acumulen. Debido a estas limitaciones, los científicos utilizan un método llamado algoritmos cuánticos variacionales. En este enfoque, una computadora cuántica ejecuta un circuito específico, mide el resultado y una computadora clásica ajusta la configuración del circuito para intentar encontrar una mejor respuesta. El proceso se repite, con la esperanza de escalar hacia la mejor solución posible.

Un estudio reciente de Achraf Boussahi aborda un fallo crítico en cómo se diseñan actualmente estos experimentos cuánticos. La investigación se centra en una técnica específica llamada codificación de correlación de Pauli, que permite a una computadora cuántica resolver problemas con muchas variables utilizando muchos menos qubits de lo habitual. La forma estándar de entrenar estos circuitos implica un ajuste de "nitidez" matemática que controla qué tan fielmente la computadora imita el problema real. Investigaciones previas sugirieron que hacer este ajuste lo más nítido posible siempre conducía a mejores resultados, pero esos experimentos se realizaron en simulaciones perfectas y sin ruido. El trabajo de Boussahi revela que esta suposición se rompe cuando el experimento se realiza en una máquina real e imperfecta. Al realizar pruebas en un procesador cuántico real, el estudio demuestra que los mejores ajustes para una simulación perfecta son a menudo los peceros ajustes para un dispositivo real, y proporciona una nueva regla para sintonizar estas máquinas para que funcionen eficazmente en el mundo real.

El núcleo del problema reside en cómo las computadoras cuánticas miden sus respuestas. Para obtener un resultado, la máquina debe ejecutar su cálculo muchas veces, un proceso conocido como toma de "disparos" (shots). Cada disparo produce un resultado ligeramente diferente debido al ruido estadístico, de forma muy similar a lanzar una moneda muchas veces para ver si es justa. Cuantos más disparos se realicen, más clara será la verdadera respuesta. Los investigadores descubrieron que el ajuste de "nitidez" utilizado para entrenar el circuito cuántico está secretamente vinculado a este número de disparos. Si la nitidez se establece demasiado alta, el circuito intenta encontrar una solución que requiere más disparos de los que la máquina puede proporcionar de manera realista. En una simulación perfecta, donde no hay límite de disparos, un ajuste muy nítido funciona bien porque la computadora puede resolver detalles diminutos. Pero en un dispositivo real con un número limitado de disparos, un ajuste demasiado nítido obliga a la computadora a adivinar los signos de sus respuestas basándose en el ruido, lo que conduce a resultados aleatorios y sin utilidad.

Para probar esto, el equipo entrenó circuitos cuánticos en cinco grafos complejos diferentes, cada uno con 800 variables, utilizando un procesador cuántico de solo 13 qubits. Compararon los antiguos y agresivos programas de entrenamiento contra un nuevo programa "consciente de los disparos" (shot-aware) que ajustaba la nitidez basándose en el número real de disparos disponibles. Los resultados fueron impactantes. En el procesador cuántico real, los antiguos programas funcionaron mal, fallando a menudo en ser mejores que un simple azar. En contraste, el nuevo programa, que fue sintonizado para los límites específicos de la máquina, superó consistentemente a cada método publicado. En 150 comparaciones directas a través de diferentes grafos y conteos de disparos, el nuevo método ganó cada vez. Logró encontrar soluciones que estaban significativamente más cerca de la mejor respuesta posible, reteniendo hasta el 91.9 por ciento del valor del corte óptimo, mientras que los métodos anteriores colapsaron en la aleatoriedad.

El estudio también descubrió cómo el ruido físico de la máquina afecta el cálculo. Los investigadores encontraron que el ruido en el procesador actúa como un regulador de intensidad (dimmer), reduciendo la fuerza de las señales que la computadora lee. Este efecto es matemáticamente equivalente a tener menos disparos de los realmente realizados. Al medir este efecto de atenuación en la máquina específica que utilizaron, pudieron predecir exactamente cómo ajustar el parámetro de nitidez para compensarlo. Desarrollaron una regla simple: establecer la nitidez basándose en el número de disparos y el nivel de ruido medido. Cuando probaron esta regla en un nuevo grafo antes incluso de ejecutar el experimento, sus predicciones del resultado final fueron precisas dentro de una fracción minúscula de un porcentaje. Esta capacidad de predecir el rendimiento antes de ejecutar el código es un gran paso adelante para el uso práctico de las computadoras cuánticas.

Otro hallazgo crucial concernía al diseño del propio circuito cuántico. Los mejores resultados en la literatura previa provenían de circuitos que conectaban cada qubit con todos los demás, un diseño que funciona bien en máquinas con conectividad perfecta. Sin embargo, el procesador cuántico real utilizado en este estudio tiene un diseño específico donde los qubits solo están conectados con sus vecinos inmediatos. Cuando los investigadores intentaron ejecutar el diseño de "todos contra todos" en esta máquina, la computadora tuvo que mover los datos utilizando puertas adicionales, lo que introdujo tanto ruido que la respuesta final no fue mejor que un intento al azar. Al cambiar a un diseño de "trabajo de ladrillo" (brickwork) que coincidiera con el diseño natural de la máquina, evitaron estos pasos adicionales. Este circuito nativo del hardware, combinado con el nuevo entrenamiento consciente de los disparos, les permitió retener la fuerza de su señal y entregar resultados de alta calidad.

La investigación concluye que, para que la optimización cuántica funcione en el hardware actual, los científicos deben dejar de tratar a la máquina como un simulador perfecto y empezar a tratarla como un dispositivo ruidoso y limitado por los disparos. La vieja estrategia de presionar por la máxima nitidez es contraproducente en el mundo real. En su lugar, la clave es adaptar el programa de entrenamiento a las restricciones específicas del hardware: el número de disparos disponibles y el nivel de ruido presente. Al hacerlo, los investigadores pueden extraer soluciones significativas de estas máquinas imperfectas. El estudio utilizó solo unos pocos minutos de tiempo real de computación cuántica para alcanzar estas conclusiones, lo que sugiere que, con la sintonización adecuada, estos dispositivos ya son capaces de resolver problemas complejos mejor de lo que se pensaba anteriormente, siempre que dejemos de pedirles lo imposible y empecemos a preguntarles qué es lo que realmente pueden hacer.

Resumen Técnico: Codificación de Correlación de Pauli Sensible a Disparos y Ruido para Max-Cut en IBM Heron

Planteamiento del Problema
El artículo aborda las limitaciones de la Codificación de Correlación de Pauli (PCE) cuando se aplica a la optimización combinatoria en hardware de Escala Intermedia con Ruido (NISQ). Aunque la PCE permite codificar $m$ variables binarias en $n = O(m^{1/k})$ cúbits mediante el mapeo de variables a los signos de los correladores de Pauli de $k$ cuerpos, los benchmarks exitosos previos dependieron de valores de esperanza exactos (simulación sin ruido). En la práctica, las computadoras cuánticas estiman estos correladores a partir de un número finito de disparos de medición ( $S$ ), lo que introduce ruido estadístico. Además, el ruido del dispositivo atenúa estos correladores. El autor identifica una desconexión crítica: los esquemas de agudización existentes para la función de pérdida de la PCE están ajustados para presupuestos de disparos infinitos, lo que provoca que fallen ante presupuestos de disparos finitos y realistas, donde el error estadístico supera los pequeños márgenes de los correladores entrenados.

Metodología
El autor propone un marco que vincula explícitamente el parámetro de "agudeza" ( $\alpha$ ) de la función de pérdida de la PCE con el presupuesto de disparos de medición ( $S$ ) y el ruido del dispositivo.

Identidad de Agudeza-Disparo: El autor deriva una identidad aproximada que muestra que el término de borde de la función de pérdida relajada, $L_{\alpha}$ , a una agudeza $\alpha \approx 0.851\sqrt{S}$ , es equivalente (salvo una constante) a minimizar el corte esperado negativo obtenido mediante la decodificación de $S$ disparos. Específicamente, el espín suave $\tanh(\alpha c_i)$ en la pérdida aproxima el espín decodificado esperado $\text{erf}(c_i\sqrt{S/2})$ . Esto implica que una agudeza $\alpha$ dada optimiza implícitamente para un presupuesto de disparos $S$ específico $S(\alpha) = (\alpha/0.851)^2$ .
Programación Sensible a Disparos: Basándose en esta identidad, el autor introduce un esquema "sensible a disparos". En lugar de agudizar agresivamente la pérdida (como en los esquemas multietapa previos), la agudeza máxima $\alpha_{\text{max}}$ se establece mediante el presupuesto de disparos objetivo $S$ . El esquema involucra tres etapas: una etapa inicial con baja agudeza, una etapa intermedia y una etapa final donde la regularización se desactiva y $\alpha_{\text{max}}$ se establece como $c s \sqrt{S}$ , donde $s$ es un factor de amortiguación del dispositivo.
Ruido como Amortiguación: El artículo modela el ruido del dispositivo como un factor de amortiguación multiplicativo $s$ sobre los correladores ( $\hat{c}_i \approx s c_i + \epsilon$ ). Esto reduce efectivamente el presupuesto de disparos a $S_{\text{eff}} = s^2 S$ . Consecuentemente, la agudeza óptima en un dispositivo ruidoso escala como $\alpha \propto s\sqrt{S}$ .
Ansatz Nativo del Hardware: Para mitigar la sobrecarga de compilación en procesadores superconductores (específicamente IBM Heron), el autor utiliza un ansatz de "trabazón" (brickwork) que se mapea directamente a la conectividad de la red de hexágonos pesados del dispositivo sin requerir puertas SWAP. Esto se contrasta con un ansatz de "todo a todos" que requiere un enrutamiento de cúbits extensivo.

Contribuciones Clave

Derivación Teórica: Establecer el vínculo matemático entre la agudeza de la pérdida $\alpha$ y el presupuesto de disparos de medición $S$ , demostrando que $\alpha$ actúa como un "presupuesto de disparos oculto".
Programación Sensible a Disparos: Desarrollar un esquema de entrenamiento donde la agudeza final está determinada por el presupuesto de disparos disponible y la amortiguación del dispositivo, en lugar de un ajuste arbitrario.
Caracterización del Ruido: Cuantificar el ruido del dispositivo como una reducción en el presupuesto de disparos efectivo y proporcionar un método para calibrar el factor de amortiguación $s$ en hardware real.
Comparación de Ansatz: Demostrar que en los procesadores IBM Heron, un ansatz nativo del hardware (96 puertas CZ) supera significativamente a un ansatz de todo a todos (835 puertas CZ), el cual, debido a la acumulación de ruido, decodifica hacia un corte aleatorio.

Resultados Experimentales
El autor evaluó su método en cinco grafos G-set (800 vértices) utilizando 13 cúbits, comparando su esquema sensible a disparos contra tres esquemas publicados (Sciorilli et al., Usuki et al. convencional, y Usuki et al. multietapa).

Simulación (Gradientes Exactos): En los cinco grafos, el esquema sensible a disparos superó a cada uno de los esquemas publicados en su presupuesto objetivo ( $S=10^3$ y $S=1.6 \times 10^4$ ) en las 150 comparaciones pareadas de la salida decodificada del circuito. El esquema multietapa publicado, aunque superior en simulaciones sin ruido, se desempeñó pobremente en presupuestos de disparos finitos porque su alta agudeza impulsaba las magnitudes de los correladores por debajo del umbral de ruido estadístico.
Ejecución en Hardware (IBM Fez):
- El ansatz de todo a todos falló completamente, decodificando a un corte aleatorio debido al alto conteo de puertas (835 CZs) y la resultante baja fidelidad ( $\sim 0.058$ ).
- El ansatz nativo del hardware (96 CZs) retuvo un factor de amortiguación de $s \approx 0.72$ .
- El esquema sensible a disparos, entrenado en simulación y ejecutado en hardware, superó a todos los esquemas publicados. A $1.6 \times 10^4$ disparos, alcanzó hasta un 0.919 del mejor corte conocido en G1.
- Una prueba prospectiva en un nuevo circuito para el grafo G1, utilizando un factor de amortiguación y un desfase calibrados de ejecuciones previas, predijo el corte decodificado a $10^3$ disparos con un error de 0.002.

Significancia y Reivindicaciones
El artículo sostiene que la barrera principal para una PCE efectiva en el hardware actual no es la expresividad o la entrenabilidad, sino el desajuste entre la agudeza de la pérdida y el presupuesto de medición.

Reversión de Clasificaciones: El autor demuestra que la clasificación de los esquemas de optimización observada en simulaciones sin ruido se invierte en presupuestos de disparos realistas. Los esquemas optimizados para disparos infinitos fallan en el hardware real.
Conciencia del Hardware: El estudio establece que para que la PCE sea efectiva en procesadores superconductores, se debe ajustar el ansatz del circuito a la conectividad del hardware (evitando puertas SWAP) y ajustar la agudeza de la pérdida basándose en el presupuesto de disparos y la amortiguación medida del dispositivo.
Alcance Modesto: El autor establece explícitamente que sus resultados conciernen al costo de medición y la calidad de la solución de la PCE en hardware, no a una demostración de ventaja cuántica. Señalan que para las instancias de 13 cúbits probadas, la búsqueda de intercambio de bits clásica puede mejorar los ratios de aproximación de espines aleatorios hacia altos niveles, y los circuitos cuánticos aún no superan a los solvers clásicos. El trabajo sirve como una guía metodológica para hacer que la PCE sea viable en dispositivos NISQ actuales al alinear los objetivos de entrenamiento con las restricciones físicas.

Más como este