🧬 biology

Benchmarking Classical, Hybrid, and Quantum Annealing Workflows on a Structured Control QUBO

Este artículo evalúa el rendimiento de los flujos de trabajo de recocido clásico, híbrido y cuántico en un QUBO de control binario estructurado derivado de la programación de calentadores de invernadero, encontrando que, si bien los métodos clásicos y cuánticos simulados producen consistentemente soluciones casi óptimas, el hardware cuántico actual y los resolvedores híbridos aún no demuestran una ventaja de rendimiento sobre las líneas base clásicas.

Autores originales: Hamze Alavirad, Maryam Bahrami Zanjani

Publicado 2026-07-17

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hamze Alavirad, Maryam Bahrami Zanjani

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que estás intentando resolver un nudo de cuerda enorme y enredado. En el mundo de la ciencia, esto es lo que llamamos un "problema de optimización". Tienes un objetivo, como encontrar el camino más corto a casa, empacar una maleta perfectamente o, en este caso, mantener un invernadero lo suficientemente caliente para las plantas sin quemar un agujero en tu factura de electricidad. Durante décadas, hemos utilizado potentes computadoras clásicas para desenredar estos nudos probando millones de posibilidades, un poco como un bibliotecario muy rápido y muy cansado que revisa cada libro en un estante para encontrar el correcto.

Pero recientemente, un nuevo tipo de máquina ha entrado en la biblioteca: la computadora cuántica. En lugar de leer libros uno por uno, estas máquinas utilizan las extrañas reglas de la física cuántica para "sentir" su camino a través del nudo, con la esperanza de encontrar el extremo suelto instantáneamente. La gran pregunta que todos se hacen es: ¿estas máquinas cuánticas realmente desenredan el nudo más rápido o mejor que nuestros viejos y confiables bibliotecarios? Para saberlo, los científicos necesitan una prueba justa. No pueden pedirle a la computadora cuántica que resuelva un problema matemático en un papel; necesitan ver si puede manejar un escenario del mundo real, como controlar un sistema complejo, y si la respuesta que da realmente tiene sentido en el mundo real. Aquí es donde comienza la historia de un "invernadero cuántico".

La Gran Carrera de Calentadores de Invernaderos

En este estudio, los investigadores Hamze Alavirad y Maryam Bahrami Zanjani organizaron una carrera de alto nivel para ver quién podía controlar mejor los calentadores en un invernadero virtual. Imagina un invernadero que necesita mantenerse acogedor para sus plantas. La temperatura exterior cambia, el sol viene y va, y las plantas tienen una "zona de felicidad" específica donde crecen mejor. El desafío es decidir, hora tras hora, si encender o apagar el calentador durante todo un día (24 horas). Enciéndelo demasiado y desperdiciarás energía; apágalo demasiado y las plantas pasarán frío. Es un delicado equilibrio.

Para que esta sea una prueba justa para las computadoras, los investigadores convirtieron este programa de calefacción en un rompecabezas gigante llamado QUBO (Optimización Binaria Cuadrática sin Restricciones). Piensa en esto como traducir el problema al lenguaje de solo ceros y unos, donde "1" significa "calentador encendido" y "0" significa "calentador apagado". El objetivo es encontrar la secuencia perfecta de unos y ceros que mantenga felices a las plantas y mantenga baja la factura de energía.

Los investigadores pusieron a cuatro "concursantes" diferentes en el ring para resolver este rompecabezas de 24 horas:

El Solucionador Exacto: Este es el "estándar de oro". Es como revisar cada una de las posibles combinaciones de programas de calefacción (hay miles de millones de ellas) para encontrar la respuesta absolutamente perfecta. Toma mucho tiempo, pero conoce la verdad.
Recocido Simulado Clásico (SA): Este es un algoritmo inteligente y de la vieja escuela. Imagina a un excursionista tratando de encontrar el punto más bajo en un valle con niebla. El excursionista da pasos aleatorios, a veces subiendo colinas para escapar de un bache local, con la esperanza de eventualmente encontrar el valle más profundo.
Recocido Cuántico Simulado por Integral de Trayectoria (PIA): Esta es una computadora cuántica "simulada" ejecutándose en una computadora regular. Intenta imitar el comportamiento cuántico misterioso del excursionista, permitiéndole "tunelizar" a través de las colinas en lugar de escalarlas, con la esperanza de encontrar el fondo más rápido.
Los Verdaderos Contendientes Cuánticos: Estas son las máquinas cuánticas reales de D-Wave. Ejecutaron dos tipos de pruebas: un flujo de trabajo "Híbrido" (donde un chip cuántico trabaja con una computadora clásica) y un flujo de trabajo "Directo" (donde el chip cuántico intenta resolver todo por sí solo, pero solo en versiones más pequeñas y fáciles del rompecabezas).

Los Resultados: ¿Quién Ganó la Carrera?

Cuando la carrera terminó para el día completo de 24 horas, los resultados fueron un poco sorprendentes para los fanáticos de lo cuántico.

Los Campeones Clásicos: Tanto el viejo "excursionista" (SA) como el "simulador cuántico" (PIA) hicieron un excelente trabajo. Encontraron soluciones que eran casi perfectas, muy cercanas a la respuesta del "estándar de oro". Lograron mantener el invernadero a la temperatura adecuada mientras ahorraban energía, y lo hicieron de manera confiable cada vez que ejecutaron la prueba.

La Lucha Híbrida: El flujo de trabajo Híbrido de D-Wave, que se esperaba fuera una potencia, no pudo seguir el ritmo. Bajo los límites de tiempo probados (15 a 60 segundos), encontró soluciones que eran factibles (las plantas no se congelaron), pero no eran tan buenas como las de las computadoras clásicas. Las soluciones híbridas utilizaron más energía y no hicieron crecer tan bien a las plantas. Incluso cuando los investigadores le dieron al solucionador híbrido más tiempo (hasta 60 segundos), no mejoró mágicamente. Parecía quedarse atrapado en un lugar "suficientemente bueno" en lugar de encontrar el "mejor" lugar.

La Prueba Cuántica Directa: Para los rompecabezas más pequeños y fáciles (que representaban 10, 12 o 14 horas en lugar de 24), el procesador cuántico directo mostró cierta promesa. Logró encontrar la respuesta perfecta 5 veces de 10 para el rompecabezas de 10 horas y 2 veces de 10 para el de 12 horas. Sin embargo, a medida que el rompecabezas se hacía ligeramente más grande (14 horas), la máquina cuántica dejó de encontrar la respuesta perfecta por completo. Aunque nunca dio una respuesta "mala" que congelara las plantas, se volvió menos confiable para encontrar la mejor respuesta a medida que el problema crecía.

La Conclusión: No hay una Solución Mágica (Todavía)

Lo más importante que nos dice este artículo es que, para este tipo de problema, las computadoras cuánticas no vencieron a las computadoras clásicas.

Los investigadores fueron muy cuidadosos al decir que esto no significa que las computadoras cuánticas sean inútiles. Solo significa que, para este rompecabezas específico de "calefacción de invernadero", los métodos clásicos siguen siendo los campeones. Las máquinas cuánticas pudieron encontrar soluciones que funcionaron (las plantas se mantuvieron calientes), pero no fueron tan eficientes o consistentes como los algoritmos clásicos.

El estudio también destaca una parte complicada de usar computadoras cuánticas: no basta con obtener una respuesta de la máquina. Tienes que decodificar esa respuesta de vuelta al mundo real (verificar si el programa del calentador realmente funciona). Los investigadores encontraron que las máquinas cuánticas a veces daban respuestas que parecían estar bien en el papel, pero que no eran las mejores cuando se verificaba la física del mundo real.

En resumen, este artículo es un baño de realidad. Muestra que, si bien las computadoras cuánticas son emocionantes y pueden resolver versiones pequeñas de estos problemas, aún no son los "super-solucionadores" que reemplazarán instantáneamente a nuestras computadoras clásicas para tareas complejas como gestionar un invernadero. Los "excursionistas" clásicos todavía están recorriendo el camino con el mejor mapa. Las máquinas cuánticas todavía están aprendiendo cómo navegar el terreno y, por ahora, necesitan un poco más de práctica antes de poder reclamar la corona.

Resumen Técnico: Evaluación Comparativa de Flujos de Trabajo de Recocido Clásico, Híbrido y Cuántico en un QUBO de Control Estructurado

Formulación del Problema
El artículo aborda el desafío de evaluar los flujos de trabajo de optimización basados en recocido (clásicos, de inspiración cuántica, híbridos y cuánticos directos) en problemas de control estructurados. Los autores formulan un problema reducido de programación de calefacción de invernadero como un modelo de Optimización Binaria Cuadrática sin Restricciones (QUBO). El objetivo es determinar un programa de calefactor binario ( $u_k \in \{0, 1\}$ ) sobre un horizonte de tiempo $H$ que maximice un proxy de crecimiento mientras minimiza los costos de energía y los eventos de conmutación, sujeto a restricciones estrictas de temperatura del aire.

El modelo físico rastrea la temperatura del aire ( $T_{air}$ ) y la temperatura del cuerpo/dosel ( $T_{body}$ ) utilizando dinámicas lineales de tiempo discreto impulsadas por la temperatura exterior y la radiación solar. El proxy de crecimiento es una función cuadrática de una temperatura ponderada, que penaliza las desviaciones de una temperatura de crecimiento preferida. El problema de optimización se codifica en un QUBO donde:

$Q_{growth}$ : Maximiza el proxy de crecimiento.
$Q_{energy}$ : Minimiza el consumo de electricidad basado en tarifas de uso horario.
$Q_{switch}$ : Penaliza los cambios de estado del calefactor.
$Q_{bound}$ : Impone límites de temperatura ( $T_{min} \le T_{air} \le T_{max}$ ) utilizando penalizaciones cuadráticas y variables de holgura binarias ( $M=6$ bits por límite).

Una distinción crítica en este trabajo es la métrica de evaluación: la energía bruta del QUBO no es el criterio de desempeño final. En su lugar, todos los candidatos de soluciones binarias se decodifican de nuevo a trayectorias de control físicas y se evalúan frente al objetivo original del simulador y las restricciones de factibilidad.

Metodología
El estudio evalúa cuatro flujos de trabajo distintos en una instancia primaria con un horizonte de 24 horas ( $H=24$ , $\Delta t = 1$ hora), lo que resulta en un BQM de 312 variables binarias (24 de control + 288 de holgura) y 4,596 acopladores.

Enumeración Exacta: Sirve como línea base de verdad fundamental, buscando exhaustivamente todas las $2^{24}$ programaciones para encontrar la solución decodificada óptima.
Recocido Simulado Clásico (SA): Utiliza un muestreador de recocido térmico sobre el modelo cuadrático binario.
Recocido Cuántico de Integral de Camino (PIA): Un algoritmo clásico que simula efectos de túnel cuántico mediante integrales de camino.
D-Wave Leap Hybrid BQM: Un flujo de trabajo híbrido cuántico-clásico que descompone el BQM lógico para su procesamiento interno.
Ejecución Directa en QPU: Realizada en instancias reducidas ( $H=10, 12, 14$ ) utilizando un sistema D-Wave Advantage2. Estas requieren el minor-embedding del modelo lógico en el grafo de qubits físicos.

Todos los resolvedores estocásticos se ejecutaron con 10 repeticiones independientes. El desempeño se midió mediante el valor del objetivo decodificado ( $J_{total}$ ), la energía total, el crecimiento total, el número de violaciones de temperatura y los eventos de conmutación.

Resultados Clave

Benchmark Principal ( $H=24$ ):
- La Enumeración Exacta proporcionó el óptimo de referencia ( $J_{total} = -145.14$ ).
- Líneas Base Clásicas (SA y PIA): Ambas produjeron soluciones factibles y casi óptimas en las 10 repeticiones. SA logró un mejor objetivo de $-150.11$ (brecha $\approx 4.97$ ), e PIA logró $-149.11$ (brecha $\approx 4.03$ ).
- Flujo de Trabajo Híbrido: El resolvedor híbrido D-Wave Leap fue menos confiable, produciendo soluciones factibles en solo 7/10 ejecuciones. Su mejor objetivo factible fue $-174.32$ (brecha $\approx 29.18$ ), significativamente peor que las líneas base clásicas. Aumentar el tiempo solicitado del resolvedor de 15s a 60s no produjo mejoras monotónicas en el desempeño decodificado.
- Observación: El flujo de trabajo híbrido no superó a las líneas base de recocido clásico bajo los límites de tiempo y la formulación probada. La brecha de desempeño pareció estar vinculada al compromiso entre crecimiento, energía y conmutación, más que a un fallo en satisfacer las restricciones.
Instancias Reducidas (QPU Directa):
- Para $H=10$ y $H=12$ , la ejecución directa en QPU recuperó el óptimo exacto en 5/10 y 2/10 ejecuciones, respectivamente.
- Para $H=14$ , no se recuperaron los óptimos exactos, aunque la mejor solución permaneció cerca del óptimo.
- Tendencia: A medida que el horizonte aumentaba, la confiabilidad de la QPU (medida por la tasa de aciertos exactos y el promedio del objetivo decodificado) disminuía. Sin embargo, todas las soluciones decodificadas de la QPU permanecieron factibles (cero violaciones de temperatura). La degradación se caracterizó por una pérdida de confiabilidad en la optimalidad más que por una pérdida de factibilidad.

Contribuciones y Significado
Los autores declaran explícitamente que este artículo no pretende reclamar ventaja cuántica. En cambio, la importancia radica en proporcionar un benchmark reproducible para evaluar flujos de trabajo de recocido en QUBOs de control estructurados.

Evaluación Decodificada: El trabajo enfatiza que para problemas motivados por aplicaciones, el desempeño del solver debe juzgarse mediante la trayectoria física decodificada y el objetivo del lado del simulador, no solo por la energía bruta del BQM. Esto resalta cómo el embedding, el escalado de penalizaciones y el comportamiento de muestreo afectan la relación entre el modelo matemático y el desempeño físico.
Comparación de Líneas Base: El estudio demuestra que para problemas de control estructurado de tamaño moderado ( $H=24$ ), los métodos de recocido clásico (SA y PIA) sirven actualmente como bases sólidas que superan al flujo de trabajo híbrido cuántico-clásico probado.
Diagnóstico de Hardware: Los resultados de la QPU directa en instancias reducidas muestran que, si bien el hardware cuántico actual puede encontrar soluciones factibles y ocasionalmente óptimos exactos para instancias pequeñas, su confiabilidad se degrada con el tamaño del problema y aún no supera a los métodos clásicos en desempeño promedio para estas formulaciones específicas.

Limitaciones
El artículo reconoce ciertas limitaciones: el modelo del invernadero es un proxy simplificado (un solo calefactor, sin ventilación/humedad/CO2); la instancia de $H=24$ es demasiado pequeña para probar la escalabilidad completa de los flujos de trabajo de descomposición híbrida; y el escalado de penalizaciones para las restricciones se eligió empíricamente sin un estudio de sensibilidad sistemático. Los resultados están destinados a ser benchmarks diagnósticos más que pruebas definitivas de superioridad para cualquier solver específico.

La Gran Carrera de Calentadores de Invernaderos

Los Resultados: ¿Quién Ganó la Carrera?

La Conclusión: No hay una Solución Mágica (Todavía)

Más como este