Circuito cuántico parametrizado informado por estadística: hacia la preparación y el aprendizaje prácticos de estados cuánticos mediante el principio de máxima entropía

Convertir datos del mundo real en estados cuánticos

Los ordenadores cuánticos modernos prometen grandes beneficios en finanzas, ciencia y aprendizaje automático, pero solo si primero podemos traducir los datos desordenados del mundo real al frágil lenguaje de los estados cuánticos. Este artículo presenta una nueva forma de hacer esa traducción, llamada circuito cuántico parametrizado informado por estadística (SI-PQC). Al incorporar patrones básicos de los datos directamente en la estructura del circuito cuántico, SI-PQC pretende cargar distribuciones de probabilidad en qubits de forma mucho más eficiente, haciendo que muchas de las aceleraciones cuánticas propuestas sean más realistas en la práctica.

Por qué es difícil poner datos en forma cuántica

Antes de que un algoritmo cuántico pueda ejecutarse, necesita que su entrada esté codificada como un estado cuántico cuyas amplitudes coincidan con una distribución de probabilidad objetivo, como una campana normal o una mezcla de varios picos. Construir tal estado en plena generalidad es notoriamente costoso: en el peor de los casos, el número de puertas o qubits auxiliares crece exponencialmente con el tamaño del conjunto de datos. Los métodos existentes intentan explotar modelos de los datos —por ejemplo, usando fórmulas conocidas para distribuciones estándar o entrenando circuitos cuánticos flexibles para imitar muestras observadas—. Pero estos enfoques a menudo esconden un coste elevado. Requieren preprocesamiento sustancial o largos entrenamientos para traducir parámetros del modelo en configuraciones de puertas, y este sobrecoste puede borrar las ventajas teóricas del propio algoritmo cuántico, especialmente cuando los datos o los parámetros del modelo cambian con el tiempo.

Usar simetría e incertidumbre como guías de diseño

La idea clave de SI-PQC es tratar los datos no como una colección arbitraria de números, sino como algo estructurado por sencillas “simetrías”, tales como un valor medio o una dispersión fijos. Los autores recurren al principio de máxima entropía, un concepto de la estadística y la física que afirma: entre todas las distribuciones coherentes con un pequeño conjunto de promedios conocidos, la estimación más honesta y con menos sesgo es la de máxima entropía. Muchas distribuciones familiares —como la gaussiana— pueden verse así. SI-PQC separa la información en dos partes. Una parte es conocimiento fijo sobre la forma del modelo y las características conservadas que debe respetar. La otra parte es un puñado de parámetros ajustables que capturan lo que aún es desconocido o cambiante en los datos. En el circuito, esto se traduce en capas fijas que no cambian entre problemas y un conjunto compacto de puertas de rotación ajustables que codifican directamente los parámetros del modelo.

Construir y mezclar distribuciones cuánticas

Con este diseño, los autores construyen un “cargador de distribuciones de máxima entropía” que puede preparar una amplia gama de formas de probabilidad estándar en un número moderado de qubits. Prueban sus circuitos con distribuciones exponencial, chi-cuadrado, gaussiana y Rayleigh, y muestran que, ajustando el grado de una aproximación polinómica, pueden hacer que el estado cuántico se asemeje estrechamente a la curva objetivo manteniendo bajo control la profundidad del circuito. Una característica destacada es que la estructura del circuito permanece igual incluso cuando los parámetros cambian, lo que permite la reutilización y una optimización agresiva. Luego extienden la idea a mezclas de distribuciones —situaciones donde la incertidumbre en los parámetros se describe mediante otra ley de probabilidad, como en los modelos de mezcla Gaussianos usados en aprendizaje automático y finanzas. Su “mezclador de distribuciones ponderadas” puede codificar tanto los datos observables como un espacio latente de posibles configuraciones de parámetros en un único estado cuántico, evitando la explosión exponencial que aqueja a construcciones cuánticas más ingenuas.

Aprender de los datos con ayuda cuántica

Más allá de la preparación de estados, SI-PQC también funciona como un modelo entrenable para aprender de datos. Debido a que el número de parámetros libres en el circuito está estrechamente alineado con los grados de libertad del modelo estadístico subyacente, el paisaje de entrenamiento es más pequeño y más interpretable que en circuitos variacionales cuánticos genéricos. Los autores demuestran esto ajustando un modelo de mezcla Gaussiana mediante un bucle híbrido cuántico–clásico que ajusta ángulos del circuito para minimizar la distancia entre el estado cuántico preparado y los datos muestreados. A medida que avanza el entrenamiento, tanto el estado cuántico como los parámetros clásicos que representa (como medias y varianzas) convergen hacia sus valores reales. La teoría sugiere que circuitos compactos y guiados por simetría deberían generalizar mejor, requerir menos muestras de entrenamiento y ser menos propensos a regiones planas o “estériles” donde los gradientes se anulan.

Beneficios prácticos en finanzas y riesgo

Para mostrar impacto en el mundo real, el artículo examina dos tareas financieras: la valoración de derivados y la evaluación de riesgo. Muchas propuestas cuánticas en este ámbito se basan en rutinas cuánticas tipo Monte Carlo que pueden acelerar la estimación de pagos esperados o probabilidades de pérdidas, siempre que la distribución de precios subyacente pueda prepararse rápidamente en un dispositivo cuántico. SI-PQC reduce drásticamente el tiempo de preprocesamiento clásico y la profundidad de la parte de preparación de estado de estos algoritmos, y puede actualizar sus parámetros en tiempo constante cuando cambian las condiciones del mercado, lo cual es crucial para la valoración en línea y el cálculo de griegas. Los autores también diseñan un procedimiento asistido por cuántica para estimar el Valor en Riesgo directamente a partir de datos empíricos en flujo. Aquí, promedios móviles sencillos obtenidos por monitores clásicos se usan como restricciones en un modelo de máxima entropía, que SI-PQC convierte en una versión cuántica aproximada de la distribución de pérdidas en tiempo real. La estimación de amplitud cuántica produce entonces medidas de riesgo que siguen de cerca a las calculadas a partir de los datos crudos.

Qué implica esto de cara al futuro

Para no especialistas, el mensaje central es que una “carga de datos” eficiente es tan vital para la ventaja cuántica como la velocidad del propio algoritmo cuántico. SI-PQC ofrece una manera fundada de cerrar esta brecha al codificar estructura estadística simple e interpretable directamente en el diseño de los circuitos cuánticos, manteniendo la parte ajustable pequeña y flexible. Los autores muestran que esta estrategia puede preparar y aprender distribuciones complejas, manejar mezclas de forma natural y reducir sustancialmente los costes de recursos de extremo a extremo en aplicaciones centradas en finanzas. Si estas ideas escalan en hardware futuro, podrían ayudar a trasladar la computación cuántica de una promesa abstracta a herramientas prácticas en áreas como negociación en tiempo real, aprendizaje automático adaptativo e incluso diagnóstico médico, dondequiera que patrones estadísticos rápidamente cambiantes deban capturarse y procesarse a velocidad cuántica.

Cita: Zhuang, XN., Chen, ZY., Xue, C. et al. Statistics-informed parameterized quantum circuit: towards practical quantum state preparation and learning via maximum entropy principle. npj Quantum Inf 12, 45 (2026). https://doi.org/10.1038/s41534-026-01191-5

Palabras clave: preparación de estados cuánticos, máxima entropía, aprendizaje automático cuántico, modelos de mezcla Gaussianos, finanzas cuánticas