Magic in quantum trajectory unravelings of noisy random quantum circuits

En la búsqueda por comprender el universo, los físicos han dependido durante mucho tiempo de la idea de que los sistemas complejos pueden descomponerse en partes más simples y predecibles. Durante décadas, el estudio de los sistemas cuánticos —donde las partículas se comportan de formas que desafían la intuición cotidiana— se centró principalmente en cómo estos sistemas se entrelazan, un fenómeno en el que las partículas permanecen profundamente conectadas independientemente de la distancia. Esta conexión limita qué tan bien podemos simular estos sistemas en computadoras ordinarias. Sin embargo, en años recientes, los científicos se han dado cuenta de que el entrelazamiento no es el único obstáculo. Existe otro recurso más elusivo necesario para que los sistemas cuánticos sean verdaderamente potentes y difíciles de simular, a menudo descrito como un tipo de complejidad que va más allá de las simples conexiones. Este recurso determina si un estado cuántico puede ser descrito eficientemente utilizando un conjunto específico de reglas matemáticas conocidas como estabilizadores. Cuando un sistema posee demasiada de esta complejidad adicional, se vuelve imposible para incluso las computadoras clásicas más avanzadas rastrear su evolución sin una explosión en el tiempo y la memoria requeridos.

El desafío es particularmente agudo cuando estos sistemas cuánticos son ruidosos. En el mundo real, los circuitos cuánticos nunca son perfectos; están constantemente perturbados por su entorno, lo que provoca errores que desordenan la delicada información cuántica. Para entender cómo se comportan estos sistemas ruidosos, los investigadores utilizan un método llamado "desenredo" (unraveling). Imagine que intenta comprender la trayectoria de una sola hoja cayendo a través de un bosque tormentoso. Usted no puede ver la trayectoria exacta de la hoja, solo la deriva promedio del aire. El desenredo es el proceso matemático de imaginar muchos caminos individuales posibles que la hoja pudo haber tomado, de tal manera que si los promediara todos juntos, obtendría el mismo resultado que la deriva promedio. En la física cuántica, esto significa descomponer un estado cuántico desordenado y ruidoso en muchas trayectorias diferentes de estados puros y limpios. Aunque todos estos diferentes conjuntos de caminos conducen al mismo resultado promedio, los caminos individuales mismos pueden verse muy diferentes. Algunos caminos podrían permanecer simples y fáciles de simular, mientras que otros podrían volverse salvajemente complejos. La pregunta que los investigadores se hicieron fue si podrían elegir una forma específica de manejar el ruido que mantuviera estos caminos individuales lo más simples posible, haciendo así más fácil simular el sistema en una computadora clásica.

Un equipo de investigadores de la Escuela Politécnica Federal de Lausana se propuso responder a esta pregunta estudiando cómo se comporta esta "complejidad adicional" en diferentes tipos de circuitos cuánticos ruidosos. Se centraron en dos escenarios principales: uno donde las puertas cuánticas se eligen de forma completamente aleatoria, creando un entorno caótico, y otro donde las puertas son mayormente simples y predecibles, con solo algunos elementos aleatorios añadidos. Su objetivo era ver si podían encontrar una receta matemática específica para manejar el ruido que minimizara la complejidad de los caminos individuales. Descubrieron que la forma más obvia y estándar de manejar el ruido, que utiliza operaciones simples y predecibles, era en realidad la peor elección para mantener los caminos simples. En este enfoque estándar, los eventos de ruido actúan como apretones de manos invisibles que no hacen nada para reducir la complejidad, dejando los caminos tan caóticos como si no hubiera ocurrido ruido alguno.

Los investigadores luego exploraron un vasto paisaje de formas alternativas de manejar el ruido, buscando una mejor receta. Encontraron que el mejor enfoque no era lo que muchos expertos esperaban. Durante mucho tiempo, la idea predominante era que la mejor manera de simplificar un sistema cuántico era obligarlo a tomar una decisión definida, como el lanzamiento de una moneda, en cada paso del proceso. Esto se conoce como una medición proyectiva, donde el sistema es forzado a un estado simple. Sin embargo, el equipo mostró en sus simulaciones que en sistemas que ya son altamente complejos, este método del "lanzamiento de moneda" no es el más efectivo. En su lugar, la estrategia óptima implica una medición "débil" y mucho más suave. Imagine una medición que no colapsa totalmente el sistema en un solo estado, sino que en su lugar lo empuja ligeramente, reuniendo un poco de información sin perturbarlo por completo. Al utilizar estos empujes suaves, los investigadores descubrieron que podían reducir significamente la complejidad promedio de los caminos.

Los resultados fueron impactantes. En los circuitos caóticos y aleatorios, este nuevo método redujo la complejidad promedio de los caminos en una cantidad sustancial, dependiendo de qué tan fuerte fuera el ruido. En los circuitos más simples, donde el sistema ya estaba cerca de ser fácil de simular, los empujes suaves siguieron siendo efectivos, aunque el método estándar del "lanzamiento de moneda" funcionaba casi igual de bien. Sin embargo, la historia no terminó con una victoria simple. Los investigadores descubrieron que, si bien la complejidad promedio disminuyó, la distribución de la complejidad a través de los diferentes caminos se volvió extremadamente desigual. La mayoría de los caminos se volvieron mucho más simples, pero una pequeña fracción de los caminos permaneció tan compleja y difícil de simular como antes. Estos caminos persistentes y de alta complejidad fueron los que determinaron el costo total de simular el sistema. Debido a que el costo de la simulación crece exponencialmente con la complejidad, estos pocos caminos difíciles dominaron el esfuerzo requerido, incluso aunque ahora eran mucho más raros que lo habrían sido usando el método estándar.

Este hallazgo redefine la comprensión de cómo simular sistemas cuánticos ruidosos. Demuestra que simplemente bajar la complejidad promedio no es suficiente para que una simulación sea eficiente. El verdadero cuello de botella es el extremo final de la distribución: los caminos raros y difíciles que se niegan a simplificarse. El nuevo método no elimina estos caminos difíciles, pero los hace mucho menos frecuentes. Esto significa que una computadora que simule el sistema todavía necesitaría manejar el mismo tipo de cálculos difíciles, pero se encontraría con ellos con mucha menos frecuencia. Los investigadores concluyeron que, si bien esta optimización ofrece una ventaja clara, no convierte un problema imposible en uno fácil. La dificultad fundamental persiste, pero el camino para resolverla se ha vuelto ligeramente más manejable. Su trabajo destaca que, en el mundo cuántico, la forma en que elegimos observar el ruido puede cambiar la historia que contamos sobre el sistema, revelando que la manera más efectiva de domar la complejidad es a menudo no mediante la medición forzosa, sino a través de la observación sutil y cuidadosa.