Average Quantum Relative Entropy and Transpilation Depth as Indicators of Noise Robustness in Quantum Binary Classification

Resumen Técnico: La Entropía Relativa Cuántica Promedio y la Profundidad de Transpilación como Indicadores de Robustez al Ruido en la Clasificación Binaria Cuántica

Planteamiento del Problema
Los modelos de Aprendizaje Automático Cuántico (QML), específicamente los Algoritmos Cuánticos Variacionales (VQA) como la Clasificación Binaria Cuántica Parametrizada (QPBC), suelen alcanzar una alta precisión en simulaciones ideales y sin ruido, pero sufren una degradación significativa del rendimiento cuando se ejecutan en hardware de Escala Intermedia con Ruido (NISQ). Las explicaciones actuales para esta discrepancia se basan fuertemente en la profundidad del circuito o en la intuición de que los circuitos más cortos son más resilientes. Sin embargo, la evidencia empírica muestra que modelos con estructuras lógicas similares y profundidades de transpilación comparables pueden exhibir una robustez notablemente distinta ante el ruido. El problema central abordado es la falta de un indicador práctico, clásico y previo al hardware, que pueda anticipar esta degradación, permitiendo el cribado de modelos entrenados antes de su costosa ejecución en hardware.

Metodología
Los autores proponen un marco teórico y empírico que combina dos factores complementarios para predecir la robustez en la ejecución con ruido:

1. Entropía Relativa Cuántica Promedio ($D_{avg}$): Una medida de la distinguibilidad entre los estados cuánticos aprendidos de diferentes clases. Basándose en la propiedad de que la entropía relativa cuántica es contractiva bajo canales ruidosos, los autores hipotetizan que los modelos con mayor distinguibilidad inicial de los estados de clase retendrán más precisión bajo el ruido.
2. Profundidad de Transpilación Específica del Backend ($L_{tr}$): Un indicador práctico de la exposición acumulada al ruido. A diferencia de la profundidad lógica del circuito, la profundidad de transpilación tiene en cuenta las restricciones específicas del hardware, incluyendo el enrutamiento de cúbits, la descomposición en puertas base y la conectividad, lo que influye directamente en el número de operaciones ruidosas.

Marco Teórico
El artículo deriva una relación que vincula la degradación de la precisión ($\Delta Acc$) con la contracción de la entropía relativa cuántica sobre un canal ruidoso de profundidad $L$. Utilizando la Desigualdad de Procesamiento de Datos Fuerte (SDPI), los autores modelan la reducción de la distinguibilidad como un producto de coeficientes de contracción ($\eta_i$) a través de las capas. Formulan un indicador de precisión que incorpora:

• La entropía relativa cuánta promedio inicial entre clases.
• El factor de contracción acumulado determinado por la profundidad de transpilación.
• Coeficientes de calibración prácticos ($c, c_n$) que dan cuenta de los umbrales de medición y los efectos de disparos finitos (finite-shot effects).
• Un coeficiente de deriva residual ($\delta_u$) para capturar desviaciones específicas del backend (por ejemplo, deriva de calibración, diafonía/crosstalk).

Diseño Experimental
El estudio valida estos indicadores a través de una configuración experimental exhaustiva que involucra:

• Alcance: Sistemas de 8 cúbits fijos para asegurar la comparabilidad y evitar los paisajes planos (barren plateaus).
• Variabilidad: Más de 2,750 modelos entrenados a través de diversas arquitecturas (PQC/VQC, QNN, Data Reupload), familias de ansatz (>20 tipos), métodos de codificación (Ángulo, Amplitud, IQP) y estrategias de medición (probabilística y de valor de expectativa).
• Backends: Simulaciones sobre modelos de ruido de IBM (ej. Fez, Marrakesh), IQM (Apollo, Aphrodite) e IonQ (Aria 1), con verificaciones de consistencia realizadas en hardware real (IBM Marrakesh, Fez, Torino; IQM Garnet, Emerald; VTT Q50).
• Criterios de Selección: Solo se analizaron modelos que alcanzaron >85% de precisión en simulaciones ideales para centrarse en la degradación post-entrenamiento en lugar del fallo de entrenamiento.

Resultos Clave

1. Insuficiencia de Métricas Únicas: El estudio demuestra que ni la precisión en simulación ideal ni la profundidad de transpilación por sí solas pueden predecir de manera fiable los resultados de la ejecución con ruido. Los modelos con profundidades e precisiones ideales similares mostraron una varianza sustancial en su degradación.
2. Poder Predictivo Conjunto: La combinación de la entropía relativa cuántica promedio y la profundidad de transpilación proporciona una interpretación más consistente de la robustez. Específicamente:
   • Una mayor entropía relativa cuántica promedio se correlaciona con una menor degradación de la precisión.
   • Una mayor profundidad de transpilación se correlaciona con una mayor degradación.
   • El comportamiento conjunto de estas dos métricas explica la varianza en el rendimiento con ruido mejor que cualquiera de las métricas de forma aislada.
3. Pre-evaluación Clásica: Los indicadores propuestos pueden computarse clásicamente utilizando los parámetros del modelo entrenado y el perfil de ruido del backend objetivo, permitiendo un proceso de cribado previo a la ejecución en hardware.

Significado y Reivindicaciones
El artículo afirma proporcionar una metodología práctica para evaluar la fiabilidad de los modelos QPBC entrenados en entornos ruidosos realistas sin requerir la ejecución inmediata en hardware. Al desplazar el enfoque de la "profundidad del circuito" hacia la "distinguibilidad de los estados de clase" y la "sobrecarga de compilación específica del backend", los autores ofrecen una comprensión más matizada de la robustez al ruido.

Los autores declaran explícitamente su modestia respecto a sus afirmaciones:

• No pretenden una ventaja cuántica sobre el aprendizaje automático clásico.
• No proponen nuevas técnicas de mitigación o corrección de errores.
• Las ecuaciones derivadas (ej. Ec. 30) se presentan como indicadores de degradación en lugar de predictores de precisión exactos o límites matemáticos estrictos, reconociendo la presencia de efectos residuales del backend.
• El estudio está limitado a la clasificación binaria y sistemas de 8 cúbits, centráéndose en el paradigma "entrenar-clásico, desplegar-cuántico" donde el acceso al hardware es limitado.

La contribución principal es la identificación de la entropía relativa cuántica promedio y la profundidad de transpilación como métricas accionables y previas a la ejecución para filtrar clasificadores cuánticos con alta probabilidad de sobrevivir a la transición de la simulación ideal al hardware ruidoso.