Impacto del ruido de medición en la salida de los puntos silla en algoritmos cuánticos variacionales

Por qué el ruido cuántico aleatorio puede ser un aliado oculto

Los ordenadores cuánticos actuales siguen siendo pequeños y ruidosos, pero los investigadores esperan usarlos para abordar problemas de química, materiales y optimización que superan la capacidad de las máquinas clásicas. Una estrategia destacada es el Variational Quantum Eigensolver (VQE), que mide repetidamente un circuito cuántico y ajusta sus parámetros para reducir una puntuación similar a la energía. Debido a que cada medición es intrínsecamente aleatoria, el algoritmo nunca recibe una señal perfectamente nítida. Este estudio plantea una pregunta sutil pero práctica: ese inevitable “ruido de disparo” ¿simplemente estorba, o puede en realidad ayudar al VQE a escapar de soluciones malas y encontrar mejores más rápido?

Subir montañas con una brújula imprecisa

VQE funciona un poco como hacer senderismo por un paisaje de colinas y valles, donde la altura representa la energía de un sistema cuántico. El objetivo es encontrar el valle más profundo, correspondiente al estado fundamental. En cada paso, el algoritmo estima la pendiente del paisaje y ajusta los parámetros del circuito en la dirección que baja. En un dispositivo cuántico real, sin embargo, esa pendiente debe estimarse a partir de un número finito de mediciones, o disparos. Como cada disparo produce un resultado probabilístico, la pendiente estimada tiembla de un paso a otro: incluso si la pendiente verdadera es la misma, el valor medido fluctúa. Esto convierte el habitual “descenso por gradiente” suave en una versión estocástica, o ruidosa, conocida como descenso de gradiente estocástico.

Desatrancarse de crestas planas

En paisajes de alta dimensión, los principales obstáculos a menudo no son valles locales sino puntos silla—crestas planas que parecen un valle desde algunas direcciones y una colina desde otras. Un algoritmo puramente determinista puede derivar a lo largo de estas mesetas durante mucho tiempo antes de encontrar una salida, desperdiciando mediciones cuánticas valiosas. Los autores muestran que la aleatoriedad de las mediciones finitas puede sacar los parámetros de esos sillas más rápidamente. Mediante la simulación de VQE en modelos de espines cuánticos interactuantes, encuentran que el tiempo necesario para escapar de un punto silla se reduce de forma regular a medida que crece el nivel de ruido efectivo. Crucialmente, este nivel de ruido depende de dos perillas bajo el control del usuario: la tasa de aprendizaje (qué tan grande es cada paso de parámetro) y el número de disparos usados para estimar cada gradiente.

Una imagen continua para un proceso por pasos

Aunque VQE actualiza sus parámetros en pasos discretos, los autores modelan su comportamiento usando una ecuación de movimiento aleatorio continua, similar a las que se usan en física para describir partículas sometidas a ruido térmico. En esta imagen, la tasa de aprendizaje desempeña el papel de incremento temporal, y la aleatoriedad de los resultados de medida aparece como una fuerza fluctuante. Este marco predice que lo que realmente importa para escapar de los puntos silla es una cantidad combinada construida a partir de la tasa de aprendizaje y el número de disparos, que actúa como una fuerza de ruido efectiva. El equipo comprueba cuidadosamente dónde funciona esta aproximación y dónde falla, encontrando que, aunque no captura perfectamente las fluctuaciones estacionarias a largo plazo, describe con precisión el comportamiento transitorio crucial de abandonar sillas y mesetas de estados excitados.

Cómo se compensan ruido, tamaño de paso y presupuesto de medición

Al explorar diferentes tasas de aprendizaje y recuentos de disparos en sus simulaciones, los investigadores descubren reglas de ley de potencia simples: en términos generales, el tiempo para escapar de un punto silla disminuye como una potencia fija de la fuerza de ruido efectiva. Esto significa que aumentar la tasa de aprendizaje o reducir el número de disparos por paso puede tener efectos casi equivalentes en la rapidez con que el algoritmo avanza desde una meseta. También definen un coste total de medición—el número total de disparos cuánticos necesarios para desatrancarse—y muestran cómo escala con el mismo parámetro de ruido efectivo. Extender el estudio a sistemas mayores de seis qubits revela que el escape asistido por ruido funciona mejor cuando el paisaje alrededor de un punto estacionario tiene muchas direcciones inestables; en regímenes altamente sobredimensionados donde estas direcciones escasean, el ruido adicional aporta poco beneficio.

Qué significa esto para futuros algoritmos cuánticos

Para no especialistas, la conclusión clave es que no todo el ruido cuántico es puramente dañino. La aleatoriedad inevitable en los resultados de las mediciones puede, en las condiciones adecuadas, ayudar al VQE a deslizarse fuera de regiones planas o marginalmente estables y avanzar hacia mejores soluciones de manera más eficiente. El trabajo ofrece una receta concreta para pensar en el compromiso entre tasa de aprendizaje y número de mediciones en términos de una única fuerza de ruido efectiva, y aclara cuándo un modelo continuo y suave predice de forma fiable el comportamiento real de optimización. A medida que mejore el hardware cuántico y se aborden problemas de VQE más grandes, tales ideas pueden guiar a los practicantes a elegir tamaños de paso, presupuestos de disparos y diseños de circuitos que saquen el máximo partido a sus limitados recursos cuánticos—a veces dejando que un poco de ruido haga un trabajo útil.

Cita: Kaminishi, E., Mori, T., Sugawara, M. et al. Impact of measurement noise on escaping saddles in variational quantum algorithms. Sci Rep 16, 9390 (2026). https://doi.org/10.1038/s41598-026-40123-3

Palabras clave: variational quantum eigensolver, ruido de medición, descenso de gradiente estocástico, escape de punto silla, optimización cuántica