⚛️ física cuántica

QASPA-MaxCut on Unweighted Graphs: Edge Encoding and QAOA Restarts

Este artículo presenta QASPA-MaxCut, un circuito de fase desplazada que codifica las aristas de un grafo mediante rotaciones $R_y$ controladas, y demuestra, a través de simulaciones exactas en varios grafos no ponderados, que su enfoque de ángulo fijo con una etapa de selección clásica supera al QAOA de profundidad uno, incluso cuando este último utiliza múltiples reinicios clásicos.

Autor original: Dmytro Sapozhnyk

Publicado 2026-11-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autor original: Dmytro Sapozhnyk

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 el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el rincón tranquilo de la informática donde los científicos intentan construir máquinas que piensen de manera diferente, existe un desafío persistente conocido como el problema Max-Cut. Imagine un grupo de personas en una fiesta que deben ser divididas en dos habitaciones separadas. El objetivo es organizarlas de modo que el mayor número posible de amistades existan entre las dos habitaciones, en lugar de dentro de ellas. Esta tarea, que parece sencilla, se vuelve increíblemente difícil a medida que aumenta el número de personas, porque el número de posibles arreglos explota más rápido de lo que una mente humana puede calcular. Durante décadas, las computadoras clásicas han sido las mejores herramientas que tenemos para resolver esto, pero los investigadores ahora están probando un nuevo tipo de máquina: la computadora cuántica. Estos dispositivos utilizan las extrañas reglas del mundo subatómico para explorar muchas posibilidades a la vez. Sin embargo, estas primeras máquinas cuánticas son aún frágiles y propensas a errores, por lo que los científicos deben ser muy cuidadosos sobre cómo les piden que resuelvan problemas. Necesitan saber no solo si una máquina cuántica puede encontrar una buena respuesta, sino cuánto esfuerzo requiere llegar allí, y si ese esfuerzo vale la pena en comparación con las computadoras confiables que ya utilizamos.

Un estudio reciente de Dmytro Sapozhnyk aborda esta pregunta comparando dos formas diferentes de pedirle a una pequeña computadora cuántica que resuelva el problema Max-Cut. El primer método es un enfoque bien conocido llamado QAOA, que actúa como un excursionista tratando de encontrar el pico más alto en un paisaje con niebla. El excursionista da un paso, comprueba la altura y luego ajusta su camino basándose en esa información. Este proceso requiere mucho ensayo y error, con la computadora ejecutando el mismo cálculo una y otra vez, cada vez partiendo de una suposición ligeramente diferente, con la esperanza de tropezar con la mejor solución. El segundo método, que el autor desarrolló y nombró QASPA, adopta un enfoque diferente. En lugar de un excursionista vagando a través de la niebla, este método construye un camino específico a través del paisaje que está diseñado para conducir directamente hacia los picos más altos. Utiliza un conjunto fijo de instrucciones que no cambian, confiando en la estructura del propio problema para guiar a la máquina cuántica.

Los investigadores probaron estos dos métodos en una colección de grafos pequeños y no ponderados, que son esencialmente mapas de conexiones entre puntos. Simularon el comportamiento de una computadora cuántica de ocho puntos, un tamaño lo suficientemente pequeño como para ser calculado perfectamente en una computadora estándar, lo que permitió ver exactamente qué haría la máquina cuántica sin que el ruido o los errores interfirieran. Ejecutaron el método del "excursionista", QAOA, con un presupuesto limitado de intentos. Comenzaron con solo una suposición y aumentaron gradualmente el número de intentos hasta diez, registrando cuánto mejoraban las respuestas con cada ocasión. También ejecutaron el método de camino fijo, QASPA, solo una vez, utilizando un conjunto de instrucciones único e inalterable. Los resultados mostraron una clara diferencia en cómo se desempeñaron los dos métodos. El método del excursionista, QAOA, sí mejoró a medida que se le permitían más intentos, escalando lentamente más alto en su búsqueda del mejor arreglo. Sin embargo, incluso después de diez intentos, su rendimiento promedio seguía siendo inferior al de la única ejecución fija del nuevo método QASPA.

Lo que hizo destacar al método QASPA no fue que encontrara la respuesta absolutamente perfecta cada vez, sino que colocó las mejores respuestas posibles en la parte superior de su lista de resultados probables. Cuando los investigadores observaron los cuatro resultados más probables generados por QASPA, encontraron que el mejor arreglo estaba casi siempre entre ellos. De hecho, para muchos de los casos de prueba, el mejor arreglo era el resultado único más probable. Esto significa que si un usuario simplemente elige la mejor opción de las primeras sugerencias, obtiene un resultado excelente sin necesidad de realizar la compleja y laboriosa búsqueda que requiere el otro método. El estudio también verificó si este resultado se mantenía cuando la computadora era obligada a realizar un número limitado de mediciones, simulando las restricciones del mundo real de una máquina física. Incluso con estas limitaciones, el método de camino fijo se mantuvo estable y confiable, entregando consistentemente candidatos de alta calidad.

Los investigadores fueron cuidadosos al notar que estos hallazgos provienen de simulaciones de sistemas muy pequeños y aún no prueban que este método funcione mejor en problemas más grandes del mundo real o en hardware cuántico real. No afirmaron haber resuelto el problema Max-Cut para todas las situaciones, ni sugirieron que su método sea una solución mágica que deje obsoletas a las computadoras clásicas. En cambio, proporcionaron una comparación controlada que muestra que, para estos casos específicos y pequeños, integrar la estructura del problema directamente en las instrucciones cuánticas es más eficiente que depender de un proceso de búsqueda repetitivo. El estudio sugiere que, al diseñar circuitos cuánticos que respeten la forma específica del problema, podríamos obtener mejores resultados con menos esfuerzo, incluso en las máquinas imperfectas de hoy. Esta visión ofrece una nueva dirección para la investigación futura, apuntando hacia una forma de construir algoritmos cuánticos que sean menos dependientes del ajuste constante y más enfocados en la geometría inherente del problema que intentan resolver.

Resumen Técnico: QASPA-MaxCut en Grafos No Ponderados

Planteamiento del Problema
El artículo aborda los cuellos de botella de rendimiento del Algoritmo de Optimización Aproximada Cuántica (QAOA) en el régimen NISQ (Escala Intermedia con Ruido Cuántico). Aunque el QAOA es un enfoque variacional canónico para la optimización combinatoria (específicamente Max-Cut), su rendimiento reportado depende fuertemente de la optimización clásica del bucle externo de los parámetros variacionales. En la práctica, la profundidad de compuerta limitada, el ruido y el costo computacional de las evaluaciones repetidas de circuitos restringen la capacidad de encontrar parámetros óptimos. El autor busca aislar el impacto de los presupuestos de búsqueda clásica comparando un QAOA estándar de profundidad uno contra una nueva construcción de circuito, QASPA-MaxCut, que integra la estructura del grafo directamente en el ansatz del circuito para reducir la dependencia del ajuste de parámetros.

Metodología
El estudio introduce QASPA-MaxCut, un circuito de desfase (shift-phase) diseñado para grafos no ponderados. A diferencia del QAOA estándar, que alterna una unidad problemática global ( $e^{-i\gamma H_C}$ ) y un mezclador de campo transversal global ( $e^{-i\beta \sum X_i}$ ), el QASPA reemplaza el mezclador global con rotaciones controladas locales por arista.

Construcción del Circuito: El ansatz QASPA comienza con una capa de Hadamard para crear una superposición uniforme. Para cada arista $(i, j)$ en el grafo, se aplica un bloque específico: $CX_{i,j} R_y^{(j)}(\theta_{ij}) CX_{i,j}$ .
Codificación de Aristas: El ángulo de rotación $\theta_{ij}$ se fija globalmente en $\alpha = \pi/4$ para todas las aristas en el caso no ponderado. El bloque actúa algebraicamente como $\exp(-i \frac{\alpha}{2} Z_i Y_j)$ , redistribuyendo la amplitud entre las configuraciones de corte y no corte para el par de aristas específico, en lugar de aplicar una fase diagonal.
Protocolo Experimental:
- Grafos: El estudio utiliza simulaciones exactas de vector de estado en instancias pequeñas ( $n=8$ vértices). Los grafos incluyen grafos aleatorios con columna vertebral aumentada conectada (con probabilidades de arista adicionales $p_{edge} \in \{0.1, 0.3, 0.5, 0.7\}$ ) y 19 topologías personalizadas especificadas a mano.
- Línea Base QAOA: Un circuito QAOA de profundidad uno se optimiza utilizando un optimizador de Nelder-Mead local. El rendimiento se mide como una curva de "mejor de- $k$ ", donde $k$ representa el número de reinicios aleatorios independientes (que van de 1 a 10).
- Evaluación QASPA: El QASPA se ejecuta con el ángulo fijo $\alpha = \pi/4$ sin una búsqueda de bucle externo. El puntaje reportado es la relación de selección clásica: el algoritmo selecciona las cuatro cadenas de bits con las mayores probabilidades de salida, evalúa contra el objetivo de Max-Cut y reporta el mejor corte encontrado entre ellas.
- Lectura (Readout): Para las topologías personalizadas, se realiza una verificación de lectura de disparos finitos utilizando un presupuesto de disparos adaptativo ( $N_{shots} = \lceil 0.03047 \cdot 2^n + 1016.2 \rceil$ ) para verificar la estabilidad bajo el ruido de muestreo.

Contribuciones Clave

Derivación Algebraica: El artículo proporciona el álgebra de dos qubits exacta del bloque de arista de QASPA, demostrando cómo la secuencia $CX-R_y-CX$ redistribuye la amplitud entre los estados de corte y no corte, integrando efectivamente la estructura de la arista en el paso de mezcla.
Ejemplo Resuelto: Se proporciona un recorrido matemático y numérico completo y trazable de un grafo no ponderado de cuatro vértices, detallando el cronograma de las aristas, la evolución del estado y las probabilidades de salida para validar la construcción.
Comparación Controlada: El estudio establece un marco experimental reproducible que compara un circuito de ángulo fijo con estructura embebida (QASPA) contra un baseline variacional (QAOA) con un presupuesto de búsqueda clásica transparente. Esto aísla el "efecto de reinicio" para determinar cuánto es necesaria la optimización clásica para competir con el enfoque de ángulo fijo.

Resultos

Calidad de Candidatos: En las instancias pequeñas probadas, el estado de QASPA de ángulo fijo coloca las soluciones de Max-Cut óptimas (o casi óptimas) dentro de las cuatro cadenas de bits de mayor probabilidad. Consecuentemente, la relación de selección clásica de QASPA es extremadamente alta, oscilando entre 0.955 y 1.000 a través de los grupos de grafos.
Sensibilidad de QAOA: El rendimiento del QAOA de profundidad uno es altamente sensible al número de reinicios clásicos. Aunque la razón de aproximación esperada mejora con más reinicios (por ejemplo, subiendo de ~0.71 a ~0.79 para grafos dispersos), se mantiene consistentemente por debajo del puntaje de selección de QASPA dentro del presupuesto probado de 10 reinicios.
Estabilidad: Las verificaciones de lectura de disparos finitos en las topologías personalizadas muestran que el puntaje de selección de QASPA permanece estable (media de 1.000 con desviación estándar de cero) bajo el presupuesto de disparos prescrito, confirmando la robustez de la regla de selección de candidatos para estas instancias específicas.
Sensibilidad al Orden de las Aristas: El estudio observa que QASPA no es invariante al orden debido a los bloques de aristas no conmutantes. Sin embargo, las permutaciones aleatorias de los órdenes de las aristas en las pruebas produjeron medias de grupo cercanas a los valores canónicos de orden fijo, lo que sugiere cierta resiliencia en las pruebas de pequeña escala.

Significancia y Reivindicaciones
El artículo realiza afirmaciones modestas y controladas en lugar de asegurar una superioridad asintótica o dominancia de hardware. El hallazgo principal es que, para grafos pequeños y no ponderados, un circuito QASPA de ángulo fijo puede generar un conjunto de candidatos que contiene soluciones de Max-Cut de alta calidad sin la necesidad de una búsqueda de parámetros de bucle externo costosa. En contraste, el QAOA estándar de profundidad uno requiere un presupuesto de optimización clásica significativo (múltiples reinicios) para acercarse a un rendimiento similar, e incluso entonces, no supera el puntaje de selección de QASPA en los promedios reportados.

El autor plantea esto como una demostración de que embeber la estructura de la instancia directamente en el ansatz del circuito (mediante la mezcla local por arista) puede reducir la carga de la sintonización de parámetros clásica. El trabajo sirve como una línea base para comprender el compromiso entre la estructura del circuito y el presupuesto de búsqueda clásica a profundidades bajas. El artículo evita explícitamente realizar afirmaciones sobre el escalado a $n$ más grandes, el rendimiento en grafos ponderados o el comportamiento en hardware ruidoso, identificando estos como pasos futuros necesarios antes de poder extraer conclusiones orientadas al hardware.

Más como este