Scaling Laws for Parameter Setting in Digitized Counterdiabatic QAOA

En el vasto paisaje de la informática moderna, algunos de los desafíos más obstinados consisten en encontrar la mejor disposición única entre un número vertiginoso de posibilidades. Ya sea para trazar las rutas de camiones de reparto por una ciudad, programar máquinas de fábrica o liquidar transacciones financieras, estos son problemas de optimización combinatoria. Durante décadas, los científicos han recurrido a los ordenadores cuánticos —máquinas que utilizan las extrañas reglas del mundo subatómico— para resolver estos acertijos más rápido de lo que las máquinas clásicas podrían hacerlo jamás. Una de las herramientas más prometedoras para este trabajo es un algoritmo llamado Algoritmo de Optimización Aproximada Cuántica, o QAOA. Piense en ello como una búsqueda guiada: el ordenador prepara un estado cuántico, aplica una serie de operaciones controladas por números específicos llamados parámetros y luego mide el resultado para ver qué tan cerca estuvo de la solución perfecta. El inconveniente es que, para cada nuevo problema, el ordenador suele necesitar ejecutar un proceso largo y lento para determinar los mejores números a utilizar. Este paso de "ajuste" consume tiempo y recursos, cancelando a menudo la ventaja de velocidad que se suponía que proporcionaría la máquina cuántica.

Los investigadores Yaocheng Chen y Jiapei Zhuang han encontrado una forma de evitar este cuello de botella para un tipo específico de algoritmo cuántico diseñado para manejar problemas ponderados, donde las diferentes conexiones entre elementos tienen distintas intensidades. Descubrieron que los ajustes óptimos para los controles del algoritmo no son aleatorios ni únicos para cada problema. En cambio, estos ajustes siguen un patrón predecible basado en dos hechos simples sobre el propio problema: cuántas conexiones tienen los elementos en promedio y qué tan fuertes son esas conexiones. Mediante el estudio de miles de configuraciones de problemas diferentes en simulaciones, el equipo construyó un conjunto de reglas que pueden predecir los ajustes óptimos para un nuevo problema con solo observar sus estadísticas básicas. Esto significa que un ordenador cuántico puede recibir un problema nuevo y sin resolver, y recibir inmediatamente las instrucciones adecuadas para comenzar la búsqueda, sin necesidad de dedicar tiempo a descifrar cuáles deberían ser esas instrucciones.

El equipo se centró en una versión sofisticada del algoritmo estándar conocida como QAOA de contra-diabético digitalizado. Mientras que la versión estándar utiliza dos tipos de operaciones para navegar a través de las posibles respuestas, esta versión mejorada añade un tercer tipo de operación diseñado para evitar que el sistema se quede atascado o cometa errores a medida que evoluciona. Este paso adicional hace que el algoritmo sea más potente pero también más complejo, requiriendo tres conjuntos de números para ser ajustados en cada capa del proceso. Los investigadores comenzaron ejecutando simulaciones masivas fuera de línea en una amplia variedad de estructuras de grafos —mapas matemáticos de conexiones— que van desde anillos simples hasta redes aleatorias complejas. Optimizaron los ajustes para cada uno de estos miles de grafos para encontrar el mejor rendimiento absoluto.

Lo que surgió de esta montaña de datos fue una regularidad sorprendente. Cuando los investigadores ajustaron la escala de las conexiones y el número promedio de enlaces por elemento, los ajustes óptimos para todos los diferentes grafos colapsaron en un grupo compacto. Era como si los detalles específicos de cada grafo no importaran tanto como la escala general del problema. El equipo se dio cuenta de que podían describir los mejores ajustes utilizando una fórmula simple que toma el promedio de conexiones y la fuerza de los enlaces como entradas. Esta fórmula actúa como una llave universal: una vez que se conocen las estadísticas básicas de un nuevo problema, se pueden introducir y obtener los números exactos necesarios para ejecutar el circuito cuántico. El resultado es una prescripción "congelada", un conjunto fijo de reglas que asigna los parámetros correctos instantáneamente, saltándose por completo el largo proceso de búsqueda.

Para probar si este atajo realmente funcionaba, los investigadores realizaron simulaciones en 1.050 grafos de prueba diferentes que el algoritmo nunca había visto antes. Compararon su enfoque basado en fórmulas contra un método estándar que utiliza un conjunto de números fijos para todos. En todos los casos, desde circuitos poco profundos con solo una capa de operaciones hasta otros más profundos con cuatro capas, el método basado en fórmulas produjo una probabilidad media de muestreo de la solución óptima superior al enfoque fijo estándar. Con una profundidad de cuatro capas, la probabilidad media de la solución óptima para el nuevo método alcanzó el 19,36%, comparado con el 13,11% del enfoque fijo estándar. Esta ventaja se mantuvo constante en diferentes tipos de redes y en diferentes formas de asignar las intensidades de conexión. Los investigadores incluso probaron el método en un procesador cuántico real, el IBM ibm_fez, utilizando redes pequeñas y uniformes. Aunque el ruido en el hardware real complicó los resultados en los niveles más profundos, el método basado en fórmulas mostró una clara ventaja en el nivel más superficial, demostrando que las reglas derivadas de las simulaciones podían trasladarse a máquinas físicas.

El estudio también exploró si estos ajustes precalculados podrían servir como un buen punto de partida para un mayor refinamiento. En un experimento separado, los investigadores tomaron los ajustes proporcionados por su fórmula y los utilizaron para inicializar una búsqueda de optimización estándar en un pequeño conjunto de grafos. Descubrieron que comenzar con los números de la fórmula permitía que la búsqueda alcanzara una mejor solución mucho más rápido que partiendo de una suposición aleatoria. De hecho, el inicio basado en la fórmula logró una calidad de solución promedio superior a la que una búsqueda aleatoria podría alcanzar incluso después de 500 intentos. Esto sugiere que la fórmula no solo reemplaza la búsqueda, sino que proporciona una plataforma de lanzamiento de alta calidad que hace que cualquier ajuste posterior sea más efectivo.

Sin embargo, los investigadores fueron cuidadosos al señalar dónde podría fallar su método. Las reglas se derivaron de grafos con un número moderado de conexiones, y cuando probaron la fórmula en grafos con muy pocas conexiones, el rendimiento disminuyó, especialmente en circuitos más profundos. Esto indica que, si bien las leyes de escala son poderosas, tienen límites y no deben aplicarse ciegamente a todo tipo posible de red. Además, la comparación se realizó capa por capa, lo que significa que el algoritmo mejorado utilizó más operaciones físicas por paso que el estándar. Los investigadores reconocieron que una comparación más justa tendría que tener en cuenta el número total de operaciones, una cuestión que queda abierta para estudios futuros.

En última instancia, este trabajo demuestra que el comportamiento de los algoritmos cuánticos complejos puede ser domado mediante la comprensión de la geometría simple de los problemas que resuelven. Al reconocer que los mejores ajustes dependen de la escala de la red y no de sus detalles específicos, los investigadores han convertido un difícil problema de ajuste caso por caso en un cálculo directo. Este cambio permite que los ordenadores cuánticos dediquen su precioso tiempo a resolver problemas en lugar de aprender a resolverlos, acercando la promesa de la optimización cuántica a la realidad práctica. Los hallazgos sugieren que, para una amplia gama de problemas combinatorios, el camino hacia la mejor respuesta no es un misterio que deba resolverse desde cero cada vez, sino un patrón que puede leerse directamente de la propia estructura del problema.