← Últimos artículos
⚛️ física cuántica

Double-Randomized Quantum Singular Value Transformations For Early Fault-Tolerant Quantum Computers

Este artículo propone un marco de Transformación de Valores Singulares Cuánticos (QSVT) de Doble Aleatorización que combina codificaciones de bloques aleatorizadas y polinomios aleatorios para reducir multiplicativamente la profundidad del circuito mientras mantiene la escala de error aditivo, permitiendo así la aplicación de QSVT a problemas complejos como los Hamiltonianos de Heisenberg de largo alcance y de hierro-azufre en hardware cuántico de tolerancia a fallos temprano.

Autor original: Joel Bierman, Pawan Poudel, Yuan Liu

Publicado 2026-11-17
📖 7 min de lectura🧠 Análisis profundo

Autor original: Joel Bierman, Pawan Poudel, Yuan Liu

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

Las computadoras cuánticas prometen resolver problemas que actualmente son imposibles incluso para las supercomputadoras más potentes, desde la simulación de reacciones químicas complejas hasta el modelado del comportamiento de nuevos materiales. Para lograr esto, dependen de un conjunto de herramientas matemáticas que pueden manipular los delicados estados de las partículas cuánticas. Una de las herramientas más poderosas es un marco conocido como Transformación de Valor Singular Cuántica. Piense en este marco como una máquina sofisticada que toma una descripción matemática de un sistema físico y la reforma para revelar propiedades específicas, como el estado de menor energía de una molécula o cómo evoluciona el sistema con el tiempo. Sin embargo, para que esta máquina funcione, primero debe ser alimentada con una representación precisa y de alta fidelidad del sistema. En el mundo real, estas representaciones suelen ser increíblemente complejas, compuestas por miles o millones de piezas individuales. En las computadoras cuánticas que podemos construir hoy, que apenas están comenzando a recuperarse de sus propios errores internos, el tamaño descomunal de estas representaciones crea un cuello de botella. Los circuitos requeridos para procesarlas son demasiado profundos y largos, lo que provoca que el cálculo falle antes de poder terminar.

Un equipo de investigadores de la Universidad Estatal de Carolina del Norte ha desarrollado una nueva estrategia para sortear este cuello de botella, haciendo que estos cálculos avanzados sean factibles en el hardware cuántico temprano e imperfecto del futuro cercano. Su enfoque, detallado en un estudio reciente, implica una técnica llamada procesamiento "doblemente aleatorio". En lugar de intentar alimentar a la computadora cuántica con la descripción completa y desmedida de un sistema de una sola vez, los investigadores dividieron el problema en dos partes: una sección central que contiene las piezas más importantes y una sección de cola que contiene los detalles restantes, a menudo más pequeños. En lugar de ignorar la cola, utilizan una forma inteligente de muestreo aleatorio. Toman una pequeña selección aleatoria de piezas de la cola, las mezclan con el núcleo y alimentan esta versión simplificada al circuito cuántico. Repiten este proceso muchas veces, cada vez con una selección aleatoria diferente. Al promediar los resultados de estas muchas ejecuciones, la computadora cuántica reconstruye efectivamente la imagen completa, pero sin tener que procesar nunca la descripción compleja completa en un solo intento propenso a errores.

Los investigadores descubrieron que este método les permite reducir drásticamente el número de componentes necesarios para representar el sistema. En sus simulaciones, probaron este enfoque en dos tipos de problemas físicos muy diferentes. El primero involucraba un modelo de interacciones magnéticas en una cuadrícula de átomos, donde la fuerza entre los átomos se debilita a medida que se alejan entre sí. El segundo involucraba complejos de hierro-azufre, que son moléculas que se encuentran en la naturaleza y son cruciales para procesos biológicos, y que son notoriamente difíciles de simular debido a su complejo comportamiento electrónico. En ambos casos, el equipo demostró que, al utilizar su método aleatorio, podían lograr un alto nivel de precisión utilizando solo una fracción de los datos requeridos por los métodos tradicionales. Para algunas de las moléculas de hierro-azufre, demostraron que el número de términos necesarios para construir el circuito cuántico podía reducirse en un factor de diez o más. Esta reducción no es una mera optimización menor; es la diferencia entre un cálculo que es imposible de ejecutar y uno que puede completarse en el hardware que probablemente existirá dentro de los próximos pocos años.

El poder de este nuevo método reside en cómo combina dos tipos diferentes de aleatoriedad. El primer tipo involucra el muestreo aleatorio de los términos físicos, como se describió anteriormente. El segundo tipo consiste en aleatorizar la función matemática que la computadora debe realizar. Al combinar estas dos estrategias en un proceso único y unificado, los investigadores demostraron que los beneficios se multiplican. Los errores introducidos por cada tipo de aleatoriedad simplemente se suman, en lugar de complicarse, lo que mantiene el resultado final confiable. Esto representa una desviación significativa de los métodos más antiguos donde la aleatoriedad a menudo conducía a una pérdida de precisión difícil de controlar. El equipo demostró matemáticamente que su enfoque mantiene el error dentro de límites estrictos y predecibles, asegurando que los circuitos simplificados y aleatorios sigan produciendo resultados que sean fieles al problema original y complejo.

Uno de los hallazgos más sorprendentes fue que el éxito de este método depende en gran medida de cómo se escriba el problema. Cuando los investigadores analizaron las moléculas de hierro-azufre, descubrieron que la elección de la base matemática —la forma específica en que se describen los electrones— marcaba una diferencia masiva. Cuando utilizaron una forma estándar y de libro de texto para describir los electrones, el método requería una cantidad moderada de datos. Sin embargo, cuando cambiaron a una forma diferente y más especializada de describir esos mismos electrones, la cantidad de datos necesarios cayó drásticamente. Esto sugiere que la clave para desbloquear el potencial de estas computadoras cuánticas puede no estar solo en construir mejor hardware, sino en encontrar mejores formas de traducir los problemas del mundo real al lenguaje que la computadora entiende. Los investigadores no descubrieron una nueva ley física, sino una nueva forma de organizar la información que hace que las leyes existentes de la mecánica cuántica sean mucho más fáciles de computar.

El estudio no pretende haber resuelto todos los problemas de la computación cuántica, ni sugiere que estos cálculos puedan realizarse perfectamente en las máquinas actuales. Los resultados se basan en pruebas matemáticas rigurosas y simulaciones numéricas, no en la ejecución del algoritmo completo en una computadora cuántica física todavía. Los autores advierten cuidadosamente que los límites de error que calcularon son garantías de error máximo, lo que significa que el error real en una ejecución real podría ser incluso menor. También señalan que, si bien su método funciona bien para los tipos específicos de problemas que probaron, el grado de mejora variará dependiendo del sistema específico y del objetivo específico del cálculo. Por ejemplo, el método funciona excepcionalmente bien para sistemas donde las interacciones entre partículas decaen rápidamente con la distancia, pero los investigadores demostraron que aún puede ser efectivo incluso para sistemas con interacciones de decaimiento más lento, siempre que se utilicen las herramientas matemáticas adecuadas.

Este trabajo representa un paso crucial hacia la era de la computación cuántica de "tolerancia a fallos temprana". Esta es una fase en la que las máquinas son lo suficientemente potentes como para corregir sus propios errores, pero aún no son lo suficientemente grandes para ejecutar los algoritmos masivos de miles de millones de pasos que se imaginaban anteriormente. Al demostrar que los problemas complejos pueden dividirse en piezas manejables y aleatorias sin perder precisión, los investigadores han abierto un camino para demostrar el poder de los algoritmos cuánticos en el hardware que está a la vuelta de la esquina. La capacidad de simular moléculas complejas como los cúmulos de hierro-azufre con significativamente menos recursos podría acelerar el descubrimiento de nuevos fármacos, catalizadores y materiales. Los investigadores concluyen que, si bien su trabajo es un avance teórico y numérico, allana el camino para demostraciones experimentales inmediatas. Esperan ver estos métodos probados en hardware real, donde los ahorros teóricos en la profundidad del circuito podrían traducirse en las primeras aplicaciones prácticas de la computación cuántica que vayan más allá de los simples experimentos de prueba de concepto.

¿Ahogado en artículos de tu campo?

Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.

Probar Digest →