← Últimos artículos
⚛️ física cuántica

Variational Relevance-Informed Sparsification of Term Measurements for Variational Quantum Algorithms

Este artículo presenta un controlador aprendido que aprovecha la escasez específica de parámetros en las contribuciones del gradiente para reducir significativamente la sobrecarga de medición en los algoritmos cuánticos variacionales, demostrando un rendimiento superior sobre los modelos de lenguaje extensos no guiados al integrar eficazmente representaciones físicas con objetivos específicos de la tarea.

Autor original: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

Publicado 2026-11-18
📖 5 min de lectura🧠 Análisis profundo

Autor original: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

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 la búsqueda de construir computadoras cuánticas útiles, los científicos están intentando actualmente resolver un problema que suena simple pero es increíblemente difícil: cómo encontrar el estado de menor energía de una molécula. Esta es la clave para comprender las reacciones químicas, diseñar nuevos fármacos o crear mejores materiales. La herramienta principal para este trabajo se llama resolvedor de autoestado cuántico variacional (variational quantum eigensolver). Funciona configurando un circuito cuántico, ejecutándolo y midiendo los resultados para ver qué tan cerca está el sistema de la energía objetivo. Si el resultado no es perfecto, la computadora ajusta la configuración e intenta de nuevo. Este ciclo se repite miles de veces hasta que se encuentra la respuesta. El inconveniente es que las computadoras cuánticas son frágiles y ruidosas, por lo que una sola medición rara vez es suficiente. Para obtener una respuesta fiable, los investigadores deben repetir el mismo experimento miles de veces, un proceso conocido como tomar "disparos" (shots). A medida que las moléculas se vuelven más grandes y los cálculos más complejos, el número de disparos requeridos se dispara, convirtiéndose a menudo en el principal cuello de botella que ralentiza todo el proceso.

Un equipo de investigadores de Visa ha desarrollado una nueva forma de acelerar esto sin perder precisión. Descubrieron que no todas las partes de una medición cuántica son igualmente importantes para cada paso del cálculo. En una ejecución típica, la computadora mide muchos grupos diferentes de bits cuánticos para calcular cómo ajustar la configuración. Los investigadores descubrieron que, para cualquier ajuste específico, solo un subconjunto pequeño y específico de estos grupos realmente importa. El resto contribuye muy poco a la decisión final. Esto es como intentar navegar por una ciudad con un mapa que muestra cada calle, callejón y entrada de garaje; para un viaje específico, solo necesitas conocer las carreteras principales. Los investigadores se dieron cuenta de que, si pudieran identificar qué "carreteras" eran esenciales para cada giro específico, podrían ignorar el resto y ahorrar una cantidad masiva de tiempo.

Para hacer esto realidad, construyeron un controlador inteligente, un tipo de inteligencia artificial entrenada para predecir qué mediciones son necesarias. En lugar de intentar medirlo todo cada vez, este controlador observa el estado actual del circuito cuántico y el ajuste específico que se está realizando. Luego decide qué grupos de mediciones mantener y cuáles omitir. El sistema fue probado en quince simulaciones moleculares diferentes. En estas pruebas, el nuevo método logró ahorrar casi la mitad de las mediciones requeridas. Específicamente, redujo el número de disparos necesarios en un 49.6 por ciento manteniendo el cálculo de la energía final extremadamente cerca de la versión completa y sin omisiones. La diferencia en el resultado de la energía final fue minúscula, promediando solo 5.67 milihartrees, una unidad de energía utilizada en química. Esto significa que la computadora podía alcanzar el mismo nivel de precisión química en aproximadamente la mitad del tiempo.

Los investigadores también exploraron si los modelos de lenguaje extensos, las mismas poderosas herramientas de IA que pueden escribir ensayos o responder preguntas, podrían resolver este problema sin ningún entrenamiento especial. Pidieron a estos modelos de propósito general que eligieran las mediciones importantes basándose en los datos físicos proporcionados. Los resultados fueron mixtos. Aunque los modelos podían identificar grupos útiles en ocasiones, eran inconsistentes. Sin una guía específica, a menudo fallaban al priorizar la información física que realmente importaba más. El controlador construido a medida, que fue entrenado específicamente en las reglas de la mecánica cuántica y la estructura del problema, funcionó mucho mejor. Aprendió a utilizar las pistas disponibles de manera más efectiva que los modelos generales. Esto sugiere que, para tareas científicas complejas, el mejor enfoque podría no ser confiar en una única IA que lo sepa todo, sino combinar la flexibilidad de los modelos generales con herramientas especializadas que comprendan las reglas específicas del campo.

El estudio también analizó qué tan bien funciona este método cuando las condiciones cambian, como cuando el circuito cuántico se vuelve más profundo o cuando la molécula es diferente de las que el sistema fue entrenado para reconocer. El controlador resistió bien, manteniendo su capacidad para ahorrar disparos incluso cuando se enfrentaba a nuevos escenarios que nunca había visto antes. Esta robustez es crucial porque las aplicaciones del mundo real rara vez se parecerán exactamente a los datos de entrenamiento. Los investigadores encontraron que el método podía ajustarse para intercambiar velocidad por precisión. Mediante el ajuste de un único parámetro, podían elegir ahorrar incluso más disparos si se aceptaba un margen de error ligeramente mayor, o mantener más mediciones si necesitaban la mayor precisión posible. Esta flexibilidad ofrece a los científicos una forma directa de controlar el equilibrio entre costo y calidad.

En última instancia, este trabajo resalta una debilidad específica en los flujos de trabajo actuales de la computación cuántica: la tendencia a medir todo solo para estar seguros. Al demostrar que una parte significativa de estas mediciones es redundante para cualquier paso dado, los investigadores han abierto un camino hacia algoritmos cuánticos mucho más eficientes. Los hallazgos sugieren que el futuro de la computación cuántica puede depender menos de construir máquinas más grandes y más de construir formas más inteligentes de usar las que ya tenemos. La capacidad de reducir el tiempo de medición a la mitad sin sacrificar la calidad de los datos químicos es un paso significativo hacia adelante, haciendo que la aplicación práctica de estos algoritmos para el descubrimiento de fármacos y la ciencia de materiales sea mucho más factible. La investigación confirma que comprender la estructura específica del problema permite atajos inteligentes que los métodos generales pasan por alto, apuntando hacia un futuro donde una IA especializada y consciente de la física guíe a la computadora cuántica hacia sus respuestas.

¿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 →