🔬 physics

Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy

Este artículo presenta un marco híbrido de física y aprendizaje automático que utiliza una Red Neuronal Hamiltoniana de Grafos Cuánticos (QGHNN) para el codiseño de circuitos cuánticos superconductores, logrando una fidelidad de separación de lectura superior al 99,4 % y una precisión del algoritmo de Grover de aproximadamente el 86 %, comparable al procesador Q5 Tenerife de IBM.

Autores originales: Mahdi Esmaeili, Katayoun Emadzadeh, M. Hossein Eskandari, Muhamad. B Barfar, Saeed Hajihosseini, Ahmad Salmanogli, Hesam Zandi, Abolfazl Eskandari

Publicado 2026-09-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mahdi Esmaeili, Katayoun Emadzadeh, M. Hossein Eskandari, Muhamad. B Barfar, Saeed Hajihosseini, Ahmad Salmanogli, Hesam Zandi, Abolfazl Eskandari

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las computadoras cuánticas prometen resolver problemas que a las máquinas ordinarias les tomaría miles de años terminar, pero construirlas es como intentar equilibrar una casa de naipes en medio de un huracán. Estas máquinas dependen de unidades delicadas de información llamadas qubits, que pueden existir en múltiples estados a la vez, lo que les permite explorar muchas posibilidades simultáneamente. Sin embargo, este estado delicado se rompe fácilmente por el ruido, el calor o incluso por el acto de observarlo demasiado de cerca. Para que una computadora cuántica sea útil, los ingenieros deben diseñar circuitos que mantengan estos qubits estables el tiempo suficiente para realizar cálculos, mientras también sean capaces de leer los resultados con claridad antes de que la información se desvanezca. El desafío es que los ajustes que hacen que un qubit sea fácil de leer suelen hacer que sea más difícil realizar cálculos complejos, y los ajustes que ayudan a que calcule bien pueden hacer que la respuesta final sea difusa. Encontrar el equilibrio adecuado requiere navegar por un paisaje donde mejorar una parte del sistema a menudo perjudica a otra.

En un nuevo estudio, investigadores del Centro de Investigación de Tecnologías Cuánticas de Irán e instituciones colaboradoras han desarrollado un método para resolver este acto de equilibrio para un tipo específico de computadora cuántica construida a partir de circuitos superconductores. Crearon un marco híbrido que combina las leyes de la física con un tipo especializado de inteligencia artificial para diseñar un sistema de dos qubits que funciona mejor que los intentos anteriores. En lugar de tratar el diseño del hardware y el rendimiento del algoritmo como problemas separados, el equipo utilizó una red neuronal —un programa informático diseñado para aprender de los datos— para encontrar el punto de operación perfecto donde tanto la precisión de la medición como la tasa de éxito del cálculo se maximizan. Su trabajo demuestra que, al entrenar este sistema con la física subyacente del dispositivo, pueden identificar un punto ideal donde la máquina lee su propio estado con alta precisión mientras también ejecuta un famoso algoritmo de búsqueda con un éxito notable.

Los investigadores se centraron en una configuración donde dos qubits superconductores están conectados a través de un resonador compartido, un componente que actúa como un puente para sus interacciones. En este entorno, los qubits están sujetos a ruido constante y pérdida de energía, que se modelan mediante ecuaciones que describen cómo evolucionan los sistemas abiertos a lo largo del tiempo. El equipo tuvo que ajustar varias variables físicas, como la frecuencia de los qubits y la fuerza de su conexión con el puente, para lograr dos objetivos a la vez: hacer que la lectura del estado del qubit sea lo más clara posible y asegurar que el algoritmo de búsqueda de Grover, un método para encontrar un elemento específico en una lista grande, funcione correctamente. La dificultad radica en que estos dos objetivos a menudo tiran en direcciones opuestas; presionar el sistema para que sea más preciso en sus cálculos puede hacer que la señal de lectura sea más borrosa, y viceversa.

Para navegar este conflicto, el equipo empleó una herramienta llamada Red Neuronal de Hamilton de Grafos Cuánticos (Quantum Graph Hamiltonian Neural Network). A diferencia de los programas informáticos estándar que tratan los datos como una caja negra, esta red está construida para comprender la estructura del sistema físico, tratando a los qubits y sus conexiones como un mapa de partes que interactúan. Los investigadores generaron un gran conjunto de datos simulando el comportamiento del sistema cuántico bajo miles de condiciones físicas diferentes, registrando cómo cada cambio afectaba tanto a la calidad de la lectura como al éxito del algoritmo. Luego entrenaron la red neuronal para que aprendiera la compleja relación no lineal entre los ajustes físicos y los resultados finales. Una vez que la red aprendió este mapa, pudo predecir el resultado de cualquier nuevo ajuste instantáneamente, sin necesidad de ejecutar las lentas y pesadas simulaciones cada vez. Esto permitió al equipo utilizar un método de búsqueda matemática para escalar la colina de posibilidades y encontrar la cima donde ambos indicadores de rendimiento eran altos.

Los resultados de este enfoque de codiseño fueron impactantes. Antes de la optimización, el sistema mostraba una separación clara entre los diferentes estados del qubit, pero todavía había cierta superposición que podía conducir a errores. Después de que la red neuronal guiara el ajuste, la separación se volvió más nítida, logrando que la fidelidad de la medición superara el 99.4 por ciento. Aunque esto pueda parecer un salto numérico pequeño, en el mundo de la computación cuántica, tal fracción de un porcentaje representa una reducción masiva en la posibilidad de una respuesta errónea. Más importante aún, el rendimiento algorítmico experimentó un salto dramático. La probabilidad de éxito del algoritmo de búsqueda de Grover, que se había visto limitada por los ajustes iniciales del hardware, aumentó a aproximadamente el 86 por ciento. Este nivel de precisión es comparable con lo que se logra actualmente en los procesadores cuánticos comerciales establecidos, lo que sugiere que el nuevo diseño es viable para aplicaciones del mundo real.

El estudio también reveló un compromiso fundamental que los ingenieros deben gestionar. Cuando los investigadores optimizaron el sistema únicamente para el algoritmo de búsqueda, descubrieron que las interacciones fuertes necesarias para cálculos rápidos tendían a suprimir las delicadas conexiones cuánticas requeridas para el entrelazamiento, un recurso donde los qubits se vinculan de una manera que desafía la física clásica. La red neuronal encontró con éxito un punto medio, preservando suficientes de estos enlaces cuánticos mientras seguía entregando un alto rendimiento algorítmico. Para demostrar que sus hallazgos no eran solo teóricos, el equipo tomó los parámetros optimizados y los utilizó para diseñar una disposición de circuito físico en un software de ingeniería profesional. Luego ejecutaron simulaciones electromagnéticas en este diseño, confirmando que los números producidos por la inteligencia artificial se traducían directamente en una configuración de hardware funcional y construible.

Este trabajo destaca un cambio en la forma en que se construyen las computadoras cuánticas. En lugar de diseñar el hardware primero y luego intentar que el software funcione con él, o optimizar el software y esperar que el hardware le siga el ritmo, este enfoque diseña ambos al mismo tiempo. Al utilizar un modelo de aprendizaje automático que respeta las leyes de la física, los investigadores demostraron que es posible encontrar puntos de operación que satisfagan múltiples demandas competitivas simultáneamente. El estudio confirma que, incluso en un mundo ruidoso e imperfecto, un codiseño cuidadoso puede extraer un alto rendimiento de los circuitos cuánticos, allanando el camino para máquinas más fiables y potentes en el futuro. La capacidad de traducir estos ajustes optimizados directamente a dimensiones físicas, como la longitud de los cables o el tamaño de los capacitores, significa que el camino desde una simulación por computadora hasta un chip funcional se está volviendo más corto y directo.

Resumen Técnico: Co-diseño de un Circuito Cuántico utilizando QGHNN para una Alta Fidelidad de Separación y la Máxima Precisión del Algoritmo de Grover

Planteamiento del Problema
La optimización de los circuitos cuánticos superconductores enfrenta un desafío crítico: la relación entre los parámetros físicos de bajo nivel del dispositivo (por ejemplo, frecuencias, fuerzas de acoplamiento) y el rendimiento algorítmico de alto nivel es altamente no lineal y, a menudo, contraintuitiva. Las estrategias de optimización tradicionales suelen tratar la calibración del hardware (como la maximización de la fidelidad de lectura) y el rendimiento algorítmico (como el éxito de la búsqueda de Grover) como objetivos separados. Sin embargo, los puntos de operación que maximizan la distinguibilidad de la medición no necesariamente producen una alta eficacia algorítmica, y viceversa. Además, los métodos existentes suelen depender de simulaciones de fuerza bruta o ajustes heurísticos, los cuales son computacionalmente costosos y no logran capturar los complejos compromisos inherentes a los sistemas cuánticos abiertos sujetos a la decoherencia y la disipación.

Metodología
Los autores proponen un marco de co-diseño informado por la física y asistido por aprendizaje automático que optimiza conjuntamente la fidelidad de separación de estados y la precisión del algoritmo de Grover al nivel del Hamiltoniano. La metodología integra tres componentes principales:

Modelado Físico: El sistema se modela como una arquitectura de dos qubits superconductores (transmons) acoplados mediante un resonador de bus. Un qubit es sintonizable por flujo, mientras que el otro es fijo. La dinámica se describe mediante un Hamiltoniano total ( $H = H_{qubit} + H_{res} + H_{int}$ ) que incorpora interacciones dispersivas qubit-resonador y acoplamientos cross-Kerr ( $ZZ$ ) efectivos. Se simulan dinámicas realistas de sistemas abiertos, incluyendo la pérdida de fotones, la relajación de energía y la desfase, utilizando la ecuación maestra de Lindblad.
Métricas de Rendimiento:
- Fidelidad de Lectura: Evaluada mediante la simulación del proceso de medición dispersiva para generar distribuciones I/Q. La fidelidad de separación se calcula proyectando estas distribuciones sobre un eje de discriminación óptimo para estimar la distinguibilidad del estado en una sola toma (single-shot).
- Precisión Algorítmica: Evaluada mediante la simulación de un circuito de búsqueda de Grover de dos qubits. El algoritmo utiliza interacciones $ZZ$ efectivas derivadas de los parámetros del circuito para implementar los operadores de oráculo y difusión. La probabilidad de éxito se mide bajo la dinámica de Lindblad.
Surrogato QGHNN y Optimización: Se emplea una Red Neuronal de Grafos Cuánticos (QGHNN, por sus siglas en inglés) como un modelo surrogato diferenciable. La red mapea los parámetros a nivel de Hamiltoniano (capa de entrada: 9 neuronas correspondientes a los nueve parámetros de nivel de Hamiltoniano) hacia los objetivos duales de rendimiento (capa de salida: fidelidad de separación y precisión de Grover).
- La arquitectura QGHNN está diseñada como un modelo surrogato compacto totalmente conectado que consiste en una capa de entrada con nueve neuronas, seguida de dos capas ocultas con dieciséis neuronas cada una. Se utilizan funciones de activación tangente hiperbólica (Tanh) en las capas ocultas, y una función de activación Sigmoide en la capa de salida para restringir las predicciones dentro del intervalo [0, 1].
- El modelo se entrena con un conjunto de datos de 1,200 muestras físicamente restringidas generadas a partir de simulaciones de Lindblad.
- Una vez entrenado, el QGHNN reemplaza las simulaciones cuánticas computacionalmente intensivas, permitiendo la optimización basada en gradientes (usando el optimizador Adam) directamente en el espacio de parámetros para encontrar los puntos de operación que maximicen la suma de ambos objetivos.

Contribuciones Clave

Marco de Co-diseño Unificado: El artículo introduce un flujo de trabajo que optimiza simultáneamente el rendimiento de lectura del hardware y el éxito algorítmico, alejándose de las estrategias de optimización aisladas.
QGHNN para el Hardware Cuántico: La aplicación de QGHNNs proporciona un enfoque estructurado para modelar los parámetros del sistema y las métricas de rendimiento. Aunque la red se implementa como un modelo surrogato totalmente conectado, el marco está fundamentado en el modelado a nivel de Hamiltoniano para reflejar la dinámica del sistema físico.
Identificación de Compromisos (Trade-offs): El marco identifica y navega explícitamente los compromisos entre métricas competitivas. Por ejemplo, demuestra que maximizar la precisión de Grover mediante interacciones $ZZ$ fuertes puede, inadvertidamente, suprimir la hibridación de modos coherentes y el entrelazamiento, un compromiso que el enfoque de co-diseño logra equilibrar.
Parámetros Validados por Hardware: Los parámetros optimizados se validan mediante Qiskit Metal y simulaciones electromagnéticas basadas en EPR. El estudio confirma que los resultados del QGHNN son cantidades físicamente significativas; sin embargo, la traducción directa de estos parámetros optimizados a parámetros de diseño de escalado profesional específicos (como capacitancias e inductancias detalladas para circuitos a gran escala) se identifica como una dirección para trabajos futuros.

Resultos

Fidelidad de Lectura: La optimización guiada por QGHNN mejoró la fidelidad de separación de lectura de aproximadamente 99.38% a 99.44%. Los autores señalan que, aunque este incremento absoluto es modesto, es significativo porque se logró sin sacrificar el rendimiento algorítmico, representando un punto de operación equilibrado en lugar de un óptimo local de lectura.
Precisión del Algoritmo de Grover: La probabilidad de éxito de la búsqueda de Grover de dos qubits aumentó significativamente, alcanzando aproximadamente el 86% en el punto de diseño optimizado. Este rendimiento es comparable a los resultados obtenidos en el procesador IBM Q5 Tenerife.
Análisis de Conteo de Disparos (Shot Count): El estudio confirma que aumentar el número de disparos (de 256 a 8192) mejora la repetibilidad y la fiabilidad estadística de los resultados, pero no aumenta inherentemente la precisión máxima alcanzable, la cual permanece limitada por los errores inducidos por el hardware (infidelidad de compuerta, decoherencia).
Compromiso de Entrelazamiento: El análisis espectral reveló que la optimización para una alta precisión de Grover (mediante un acoplamiento $ZZ$ fuerte) aplana el espectro de transmisión del resonador y reduce los cruces evitados (avoided crossings), lo que indica una degradación del entrelazamiento en estado estacionario. Esto resalta la necesidad de acopladores sintonizables para futuros diseños escalables.
Validación: Los parámetros optimizados se implementaron en Qiskit Metal, y el diseño resultante del circuito fue confirmado mediante simulaciones EPR, validando la realizabilidad física de los resultados del QGHNN.

Significancia
El artículo sostiene que este trabajo establece una estrategia escalable y consciente del hardware para procesadores cuánticos de la era NISQ (Near-term Intermediate-Scale Quantum). Al integrar la dinámica de sistemas abiertos, la evaluación a nivel de algoritmo y la optimización asistida por aprendizaje automático, el marco identifica regímenes de operación globalmente favorables que serían difíciles de hallar mediante enfoques heurísticos. La significancia radica en demostrar que incluso las mejoras fraccionales en la fidelidad de lectura, cuando se logran de forma concurrente con ganancias sustanciales en el rendimiento algorítmico, son prácticamente significativas para reducir la acumulación de errores lógicos en sistemas con corrección de errores. El trabajo concluye que los resultados del QGHNN son cantidades físicamente significativas directamente traducibles en parámetros de diseño de hardware, cerrando la brecha entre la optimización teórica y la implementación práctica de circuitos.

Más como este