La computación cuántica sigue avanzando a gran velocidad, pero un reto que frena el campo es mitigar el ruido que afecta a las máquinas cuánticas. Esto provoca tasas de error mucho más altas que las de los ordenadores clásicos.

Este ruido suele estar causado por señales de control imperfectas, interferencias del entorno e interacciones no deseadas entre los qubits, que son los componentes básicos de un ordenador cuántico. La realización de cálculos en un ordenador cuántico implica un "circuito cuántico", que es una serie de operaciones denominadas puertas cuánticas. Estas puertas cuánticas, que se asignan a los qubits individuales, cambian los estados cuánticos de ciertos qubits, que luego realizan los cálculos para resolver un problema.

Pero las puertas cuánticas introducen ruido, lo que puede dificultar el rendimiento de una máquina cuántica.

Los investigadores del MIT y de otros lugares están trabajando para superar este problema desarrollando una técnica que hace que el propio circuito cuántico sea resistente al ruido. (En concreto, se trata de circuitos cuánticos "parametrizados" que contienen puertas cuánticas ajustables). El equipo creó un marco que puede identificar el circuito cuántico más robusto para una tarea informática concreta y generar un patrón de mapeo que se adapte a los qubits de un dispositivo cuántico determinado.

Su marco, denominado QuantumNAS (búsqueda adaptativa al ruido), es mucho menos intensivo desde el punto de vista computacional que otros métodos de búsqueda y puede identificar circuitos cuánticos que mejoren la precisión de las tareas de aprendizaje automático y química cuántica. Cuando los investigadores utilizaron su técnica para identificar circuitos cuánticos para dispositivos cuánticos reales, sus circuitos superaron a los generados con otros métodos.

"La idea clave aquí es que, sin esta técnica, tenemos que muestrear cada arquitectura de circuito cuántico individual y cada escenario de mapeo en el espacio de diseño, entrenarlos, evaluarlos y, si no es bueno, tenemos que desecharlo y empezar de nuevo. Pero con este método podemos obtener muchos circuitos y estrategias de mapeo diferentes de una vez sin necesidad de entrenar muchas veces", afirma Song Han, profesor asociado del Departamento de Ingeniería Eléctrica e Informática (EECS) y autor principal del artículo.

Junto a Han participan en el trabajo los autores principales Hanrui Wang y Yujun Lin, ambos estudiantes de posgrado de EECS; Yongshan Ding, profesor adjunto de informática de la Universidad de Yale; David Z. Pan, titular de la cátedra de ingeniería eléctrica de los Laboratorios Silicon de la Universidad de Texas en Austin, y Jiaqi Gu, estudiante de posgrado de la misma universidad; Fred Chong, profesor Seymour Goodman del Departamento de Informática de la Universidad de Chicago; y Zirui Li, estudiante de grado de la Universidad Jiao Tong de Shanghai. La investigación se presentará en el Simposio Internacional del IEEE sobre Arquitectura de Ordenadores de Alto Rendimiento.

Muchas opciones de diseño

Construir un circuito cuántico parametrizado implica seleccionar un número de puertas cuánticas, que son las operaciones físicas que realizarán los qubits. No es una tarea fácil, ya que hay muchos tipos de puertas entre los que elegir. Además, un circuito puede tener cualquier número de puertas, y las posiciones de esas puertas -a qué qubits físicos corresponden- pueden variar.

"Con tantas opciones diferentes, el espacio de diseño es extremadamente grande. El reto es cómo diseñar una buena arquitectura de circuito. Con QuantumNAS queremos diseñar esa arquitectura para que sea muy robusta frente al ruido", dice Wang.

Los investigadores se centraron en los circuitos cuánticos variacionales, que utilizan puertas cuánticas con parámetros entrenables que pueden aprender una tarea de aprendizaje automático o de química cuántica. Para diseñar un circuito cuántico variacional, normalmente un investigador debe diseñar el circuito a mano o utilizar métodos basados en reglas para diseñar el circuito para una tarea concreta, y luego tratar de encontrar el conjunto ideal de parámetros para cada puerta cuántica mediante un proceso de optimización.

En el método de búsqueda ingenua, en el que los posibles circuitos se evalúan individualmente, hay que entrenar los parámetros de cada circuito cuántico candidato, lo que supone una enorme sobrecarga computacional. Además, el investigador debe identificar en primer lugar el número ideal de parámetros y la arquitectura del circuito.

En las redes neuronales clásicas, incluir más parámetros suele aumentar la precisión del modelo. Pero en la computación cuántica variacional, más parámetros requieren más puertas cuánticas, que introducen más ruido.

Con QuantumNAS, los investigadores tratan de reducir el coste global de búsqueda y entrenamiento, al tiempo que identifican el circuito cuántico que contiene el número ideal de parámetros y la arquitectura adecuada para maximizar la precisión y minimizar el ruido.

Construir un "supercircuito"
Para ello, primero diseñan un "SuperCircuito", que contiene todas las posibles puertas cuánticas parametrizadas en el espacio de diseño. Ese SuperCircuito se utilizará para generar circuitos cuánticos más pequeños que puedan probarse.

Entrenan el SuperCircuito una vez, y luego, como todos los demás circuitos candidatos en el espacio de diseño son subconjuntos del SuperCircuito, heredan los parámetros correspondientes que ya han sido entrenados. Esto reduce la carga computacional del proceso.

Una vez entrenado el SuperCircuit, lo utilizan para buscar arquitecturas de circuitos que cumplan un objetivo determinado, en este caso una alta robustez al ruido. El proceso consiste en buscar circuitos cuánticos y mapeos de qubits al mismo tiempo utilizando lo que se conoce como un algoritmo de búsqueda evolutiva.

Este algoritmo genera algunos circuitos cuánticos y mapeos de qubits candidatos, y luego evalúa su precisión con un modelo de ruido o en una máquina real. Los resultados se devuelven al algoritmo, que selecciona las partes que mejor funcionan y las utiliza para iniciar de nuevo el proceso hasta encontrar los candidatos ideales.

"Sabemos que los distintos qubits tienen propiedades y tasas de error de puerta diferentes. Puesto que sólo vamos a utilizar un subconjunto de qubits, ¿por qué no usamos los más fiables? Podemos hacerlo mediante la búsqueda conjunta de la arquitectura y el mapeo de qubits", explica Wang.

Una vez que los investigadores han llegado al mejor circuito cuántico, entrenan sus parámetros y realizan una poda de puertas cuánticas eliminando las que tienen valores cercanos a cero, ya que no contribuyen mucho al rendimiento general. La eliminación de estas puertas reduce las fuentes de ruido y mejora aún más el rendimiento en las máquinas cuánticas reales. A continuación, afinan los parámetros restantes para recuperar la precisión perdida.

Una vez completado este paso, pueden desplegar el circuito cuántico en una máquina real.

Cuando los investigadores probaron sus circuitos en dispositivos cuánticos reales, superaron todas las líneas de base, incluidos los circuitos diseñados a mano por humanos y otros realizados con otros métodos computacionales. En uno de los experimentos, utilizaron QuantumNAS para producir un circuito cuántico resistente al ruido que se utilizó para estimar la energía del estado básico de una molécula concreta, lo que constituye un paso importante en la química cuántica y el descubrimiento de fármacos. Su método realizó una estimación más precisa que cualquiera de las líneas de base.

Ahora que han demostrado la eficacia de QuantumNAS, quieren utilizar estos principios para que los parámetros de un circuito cuántico sean robustos al ruido. Los investigadores también quieren mejorar la escalabilidad de una red neuronal cuántica entrenando un circuito cuántico en una máquina cuántica real, en lugar de un ordenador clásico.

Para fomentar más trabajos en este campo, los investigadores crearon una biblioteca de código abierto, llamada TorchQuantum, que contiene información sobre sus proyectos, tutoriales y herramientas que pueden ser utilizadas por otros grupos de investigación.

Este trabajo ha contado con el apoyo de la National Science Foundation, el MIT-IBM Watson AI Lab, la Qualcomm Innovation Fellowship y el Departamento de Energía de Estados Unidos.

###

Escrito por Adam Zewe, MIT News Office