Los científicos están explorando cada vez más los circuitos cuánticos variacionales como modelos prometedores para el aprendizaje automático. Sin embargo, lograr un rendimiento óptimo requiere un diseño de circuito cuidadoso, un proceso que a menudo resulta difícil y consume mucho tiempo. Grier M. Jones y Viki Kumar Prasad, ambos del Departamento de Ingeniería Eléctrica y de la Computación Edward S. Rogers Sr. de la Universidad de Toronto, Canadá, y del Departamento de Ciencias Químicas y Físicas de la Universidad de Toronto Mississauga, Canadá, junto con Aviraj Newatia del Departamento de Ingeniería Eléctrica y de la Computación Edward S. Rogers Sr. de la Universidad de Toronto, Canadá, del Departamento de Ciencias de la Computación de la Universidad de Toronto, Canadá, y del Vector Institute for Artificial Intelligence, Canadá, y sus colegas, presentan un nuevo algoritmo de optimización inspirado en la evolución para optimizar estos circuitos a través de modificaciones locales de las puertas. Esta investigación, realizada en colaboración con investigadores del Departamento de Química de la Universidad de Calgary, Canadá, introduce un método para descubrir automáticamente arquitecturas de circuitos competitivas, demostrado a través de una aplicación exitosa a tareas de regresión sintética y conjuntos de datos complejos, incluyendo energías de separación de enlaces y datos de conformadores de agua. La capacidad de diseñar eficientemente circuitos cuánticos de alto rendimiento representa un paso significativo hacia la realización del potencial del aprendizaje automático cuántico y la implementación de estos modelos en el hardware actual.
Los circuitos cuánticos parametrizados, aunque flexibles, a menudo requieren un diseño manual minucioso para lograr un rendimiento óptimo para tareas específicas. Al aplicar un conjunto fijo de acciones a nivel de puerta a circuitos existentes, el algoritmo explora eficientemente configuraciones prometedoras.
Esta estrategia de búsqueda localizada se basa en la observación de que muchos circuitos cuánticos efectivos se pueden derivar de perturbaciones relativamente pequeñas de diseños ya funcionales. Esta métrica de rendimiento, calculada a través de la simulación de vectores de estado, indica la frecuencia de predicciones incorrectas realizadas por el modelo durante cada paso computacional.
El análisis de los circuitos descubiertos revela que el algoritmo prioriza la preservación estructural durante el refinamiento, manteniendo la integridad funcional al tiempo que permite mejoras específicas. El modelo de mejor rendimiento se implementó con éxito en hardware cuántico de última generación, validando su aplicabilidad práctica más allá de la simulación. Esta implementación confirma la viabilidad de traducir circuitos diseñados algorítmicamente en computaciones cuánticas tangibles.
Este enfoque evita las limitaciones de los métodos de búsqueda de arquitectura cuántica anteriores, que a menudo luchan con el costo computacional de buscar en vastos espacios de configuración. Además, un conjunto de datos de conformadores de agua, generado utilizando el enfoque acoplado-cluster impulsado por datos, proporcionó un punto de referencia desafiante para evaluar las capacidades del algoritmo para modelar las propiedades moleculares.
Esta elección de conjuntos de datos refleja el potencial del aprendizaje automático cuántico para acelerar tareas computacionalmente intensivas dentro de la química y la ciencia de los materiales. Sin embargo, la realización de este potencial exige más que solo algoritmos; requiere el diseño eficiente de circuitos cuánticos adaptados a tareas específicas.
Este trabajo presenta un paso significativo hacia la automatización de ese proceso, demostrando un método para evolucionar las arquitecturas de circuitos cuánticos a través de una búsqueda local y probabilística. Además, el conjunto fijo de acciones a nivel de puerta puede limitar la exploración de topologías de circuitos verdaderamente novedosas. De cara al futuro, podemos anticipar una convergencia de estos algoritmos de búsqueda de arquitectura con técnicas para optimizar la compilación de circuitos y la corrección de errores. La próxima generación de herramientas no solo encontrará buenos circuitos, sino que los construirá, adaptándose a las limitaciones específicas del hardware disponible y superando los límites de lo que es computacionalmente posible.
