Band structure of two-dimensional graphene and of one-dimensional nanoribbons via variational quantum algorithms: from energies to wavefunction quality

El mundo de la ciencia de materiales se enfrenta actualmente a un profundo rompecabezas: comprender el comportamiento de los electrones cuando están densamente empaquetados e interactúan ferozmente. En los metales y semiconductores ordinarios, los electrones se mueven como una multitud tranquila y ordenada, y su comportamiento puede predecirse con reglas bien establecidas. Pero en ciertos materiales avanzados, los electrones se empujan y se atraen con tanta fuerza que crean estados de la materia completamente nuevos, como superconductores que conducen electricidad sin resistencia o materiales que cambian de aislantes a conductores. Para comprender estos fenómenos, los científicos deben resolver ecuaciones complejas que describen la danza colectiva de miles de millones de partículas. Hacer esto en una computadora estándar es a menudo imposible porque el número de posibilidades crece tan rápido que incluso las supercomputadoras más potentes se quedan sin memoria. Aquí es donde entran en juego las computadoras cuánticas. A diferencia de las máquinas clásicas que procesan la información como simples interruptores de encendido y apagado, las computadoras cuánticas utilizan las leyes de la física para almacenar información de una manera que imita naturalmente el comportamiento de los electrones. Sin embargo, las computadoras cuánticas disponibles hoy en día se encuentran todavía en una etapa temprana y ruidosa. Son propensas a errores causados por el calor, la vibración y la interferencia, lo que puede desordenar cálculos delicados antes de que se terminen.

En este contexto, un equipo de investigadores de universidades de España ha dado un paso significativo hacia la utilidad de estas máquinas para la ciencia de materiales del mundo real. Centraron sus esfuerzos en el grafeno, un material compuesto por una sola capa de átomos de carbono dispuestos en un patrón de panal de abeja. Aunque el grafeno en sí es un material simple donde los electrones no interactúan fuertentemente, sirve como un campo de pruebas perfecto. Los investigadores querían ver si podían utilizar una computadora cuántica ruidosa para mapear con precisión los niveles de energía, o "estructura de bandas", del grafeno en dos formas diferentes: una hoja plana y bidimensional, y una estrecha tira unidimensional conocida como nanocinta. Estas tiras pueden tener bordes dentados o bordes lisos y rectos, y la forma del borde cambia cómo se mueven los electrones. Al simular con éxito estos sistemas no interactuantes, el equipo pretendía demostrar que sus métodos podrían servir como una base fiable para estudios futuros de materiales mucho más complejos e interactuantes.

Los investigadores desarrollaron un flujo de trabajo único y flexible para abordar tanto las hojas planas como las tiras estrechas. Comenzaron traduciendo la descripción matemática de los electrones en el grafeno a un lenguaje que una computadora cuántica pudiera entender, convirtiendo el problema en una serie de operaciones sobre bits cuánticos, o qubits. Para encontrar el estado de menor energía del sistema, utilizaron un método llamado Solucionador Cuántico Variacional de Valores Propios (Variational Quantum Eigensolver). Este enfoque funciona como una búsqueda guiada: la computadora cuántica prepara un estado de prueba, mide su energía y luego una computadora clásica ajusta los parámetros para intentar encontrar una energía más baja. Repitieron este proceso, refinando los ajustes hasta que encontraron la configuración más estable. Para encontrar los estados de mayor energía, utilizaron una técnica llamada Deflación Cuántica Variacional, que añade una penalización a la búsqueda si la computadora intenta encontrar un estado que ya ha descubierto, obligándola a buscar el siguiente nivel superior.

El equipo probó su método de tres maneras diferentes para asegurar que sus resultados fueran dignos de confianza. Primero, ejecutaron todo el proceso en una simulación perfecta y libre de ruido para ver cuál debería ser el resultado ideal. Segundo, simularon el proceso en una computadora que incluía un modelo realista de los errores encontrados en el hardware cuántico actual. Finalmente, ejecutaron los cálculos en procesadores cuánticos reales proporcionados por IBM. Los resultados de la simulación perfecta fueron casi idénticos a las respuestas exactas conocidas, demostrando que su traducción matemática y su algoritmo eran correctos. Cuando introdujeron ruido en la simulación, los valores de energía que calcularon se desviaron ligeramente, pero la forma general de las bandas de energía se mantuvo clara y precisa. Las desviaciones fueron pequeñas, ascendiendo solo a unas centésimas de la unidad de energía utilizada para describir cómo los electrones saltan entre los átomos.

Cuando los investigadores pasaron al hardware real, los resultados fueron incluso más alentadores de lo que las simulaciones ruidosas sugerían para el caso más simple. Para la hoja de grafeno plana y bidimensional, que requería un solo qubit, el dispositivo produjo resultados que coincidían con las predicciones teóricas con una precisión notable. El error fue tan pequeño que estuvo dominado simplemente por el ruido estadístico de realizar un número limitado de mediciones, en lugar de por el hardware en sí. Este fue un hallazgo crucial porque demostró que, para sistemas simples, las máquinas cuánticas actuales ya son capaces de producir datos de alta calidad. Sin embargo, la historia cambió ligeramente cuando observaron las nanocintas unidimensionales, que requerían más qubits y circuitos más complejos. Aquí, los dispositivos reales produjeron errores ligeramente mayores de lo que el modelo de ruido había predicho. Los investigadores descubrieron que los errores no eran aleatorios; eran sistemáticos, empujando los valores de energía hacia el centro del espectro. Esto indicaba que el hardware estaba introduciendo tipos específicos de errores, como la interferencia entre qubits vecinos, que no fueron capturados completamente por sus modelos de simulación.

Un descubrimiento clave del trabajo fue cómo la precisión del método cambiaba a medida que crecía el tamaño del sistema. Los investigadores encontraron que el número de qubits necesarios para describir una nanocinta crece muy lentamente a medida que la cinta se ensancha, lo cual es un escalamiento muy favorable para aplicaciones futuras. Sin embargo, también encontraron un límite duro en la precisión. Si mantenían el circuito cuántico simple y poco profundo para evitar errores, los resultados eran buenos para sistemas pequeños pero se volvían menos precisos a medida que el sistema crecía. Por el contrario, si hacían el circuito más profundo y complejo para intentar capturar más detalle, los resultados en el hardware ruidoso en realidad empeoraban. La profundidad adicional permitía más oportunidades para que los errores se acumularan, ahogando cualquier beneficio de la complejidad añadida. Esto demostró que, en las máquinas actuales, la mejor estrategia es utilizar el circuito más superficial posible que el problema pueda tolerar, en lugar de intentar construir el circuito más potente que la física teóricamente permita.

Quizás la parte más perspicaz del estudio fue cómo los investigadores verificaron no solo los números de energía, sino la calidad del estado cuántico en sí mismo. Se dieron cuenta de que una computadora a veces podía encontrar el valor de energía correcto por accidente, incluso si el estado subyacente de los electrones era incorrecto. Para detectar esto, utilizaron una herramienta de diagnóstico para medir cuánto del estado calculado pertenecía realmente al grupo correcto de estados físicos. En las simulaciones perfectas, esta comprobación confirmó que la computadora estaba encontrando los estados correctos. Pero en el entorno ruidoso, descubrieron un modo de fallo sutil: a veces la computadora se saltaba un nivel de energía y se asentaba en otro incorrecto, aunque el valor de la energía todavía parecía plausible. Al verificar el estado directamente, pudieron ver que el cálculo había fallado, un error que observar solo la energía habría ocultado. Este diagnóstico fue particularmente útil para identificar cuándo la computadora tenía dificultades con grupos de estados que estaban muy cerca unos de otros en energía, una característica común en estos materiales.

El estudio concluye que, si bien las computadoras cuánticas actuales aún no son lo suficientemente potentes para resolver por sí solas los problemas más difíciles de la ciencia de materiales, están listas para servir como un punto de partida controlado y fiable. Los investigadores demostraron que pueden mapear con precisión el paisaje de energía de los sistemas de grafeno, proporcionando una base sólida de estados de referencia. Estos estados de referencia son esenciales para algoritmos más avanzados que eventualmente abordarán los electrones complejos e interactuantes que se encuentran en los superconductores y otros materiales exóticos. Al demostrar que su flujo de trabajo funciona desde simulaciones ideales hasta el hardware real, y al mostrar cómo diagnosticar y comprender los errores que ocurren en el camino, el equipo ha trazado un camino claro a seguir. Han demostrado que, incluso en la era ruidosa de la computación cuántica, es posible extraer información significativa y de alta calidad sobre el mundo físico, siempre que se sepa exactamente cómo buscarla y cómo interpretar lo que la máquina les está diciendo.