Workflows modernos

Este curso ha cubierto una amplia variedad de métodos para manejar el ruido y los errores cuánticos. Evitamos intencionadamente algunas soluciones de caja negra para poder ver cómo funcionan estos métodos. Ahora estamos listos para usar estos métodos en su forma más moderna. En concreto, exploramos algunas herramientas de manejo de errores altamente optimizadas que nos ocultan parte de la complejidad. También exploramos Samplomatic y addons como los shaded lightcones (SLC), que nos dan un control muy fino sobre ciertos procesos de mitigación.

En este video, el Dr. Chris Porter ofrece una visión general de estas herramientas modernas. Planeamos añadir workflows de ejemplo a esta lección más adelante. Sin embargo, esta lección ya contiene toda la información que necesitas para usar estas herramientas y aprobar el examen de insignia.

Visión general

Las primeras primitivas de IBM Quantum, como Estimator y Sampler, exponían la mitigación de errores mediante un pequeño número de niveles predefinidos. Versiones posteriores ofrecieron un control más directo sobre técnicas individuales, incluidas las opciones de estrategia de extrapolación a ruido cero, las configuraciones de Pauli twirling y los parámetros de aleatorización. Sin embargo, estos ajustes seguían siendo en gran medida globales y se aplicaban de manera uniforme a todo un circuito.

A medida que las cargas de trabajo cuánticas se vuelven más sofisticadas, los desarrolladores necesitan cada vez más la capacidad de adaptar las estrategias de ejecución y mitigación a regiones específicas de un circuito. El siguiente diagrama describe varias herramientas clave que se tratan en esta lección y muestra dónde encajan dentro de un workflow típico.

El modelo de ejecución dirigida responde a la necesidad de un control modular sobre la ejecución e integra muchas de estas herramientas.

Modelo de ejecución dirigida

En lugar de tomar decisiones de ejecución implícitas, el modelo de ejecución dirigida sigue directivas proporcionadas por el usuario. Este enfoque mejora la transparencia y facilita la inspección y la depuración de workflows complejos. Algunas características clave de este modelo son:

• Configuración por capa mediante regiones de circuito etiquetadas

• Identificación de capas únicas y repetidas para un aprendizaje de ruido eficiente

• Workflows de ejecución por lotes

• Posprocesamiento estructurado

• Estrecha integración con addons como los shaded lightcones

El modelo se construye en torno a dos componentes clave:

• Samplomatic, que define recetas de ejecución

• Executor, que lleva a cabo esas recetas y devuelve muestras

La mayoría de los workflows que usan Executor también pueden implementarse con Sampler, porque ambos producen muestras en última instancia. La ventaja clave de Executor es la eficiencia. Tareas como generar configuraciones de twirling suelen ser mucho más rápidas en el entorno de casi tiempo real del lado del servidor que en el cliente. Estimator y Sampler siguen siendo compatibles y podrían seguir siendo la opción más conveniente para muchas cargas de trabajo.

Sin embargo, antes de la ejecución debes construir y preparar un circuito. Qiskit ofrece varios addons que ayudan con la generación, simulación y optimización de circuitos. Para obtener más información sobre cualquiera de las siguientes herramientas, sigue los enlaces.

Construir circuitos cuánticos

Para algunas aplicaciones o enfoques nuevos, los usuarios deben determinar cómo asignar su problema a un circuito cuántico. Sin embargo, en muchos dominios, los addons de Qiskit pueden automatizar partes importantes de este proceso.

Optimization mapper

Optimization mapper ayuda a expresar problemas de optimización clásicos en formas adecuadas para algoritmos cuánticos. Su funcionalidad clave incluye:

• Construir funciones objetivo y restricciones

• Convertir problemas en formulaciones QUBO

• Generar representaciones de hamiltoniano u operador

Fermionic mapper

Fermionic mapper convierte operadores fermiónicos en operadores de qubits adecuados para hardware cuántico. Admite mapeos como Jordan-Wigner, que convierte operadores sobre fermiones indistinguibles en operadores de Pauli sobre qubits distinguibles, preservando al mismo tiempo la estadística fermiónica. Este addon es útil para aplicaciones de química cuántica y ciencia de materiales.

Los dos addons anteriores se centran en el mapeo inicial de la estructura de un problema a un circuito cuántico. Sin embargo, es igualmente importante asignar de manera eficiente la evolución temporal de un proceso a un circuito cuántico y optimizar un circuito reduciendo su profundidad. Los siguientes addons abordan estas tareas.

Fórmulas multiproducto (MPF)

Las fórmulas multiproducto mejoran la precisión de las simulaciones de evolución temporal cuántica combinando múltiples aproximaciones. En concreto, creas circuitos con distintos números de pasos de Trotter, de modo que puedas usar una combinación ponderada de los resultados de los circuitos. Para una precisión objetivo dada, MPF a menudo puede usar circuitos menos profundos que los métodos de Trotter estándar. El costo es que debes ejecutar varios circuitos y combinar sus resultados de forma clásica.

AQC-Tensor

AQC-Tensor realiza compilación cuántica aproximada mediante métodos de redes tensoriales. Un caso de uso común es reemplazar una parte de un circuito profundo por una aproximación variacional menos profunda. El circuito resultante puede alcanzar una precisión similar con una profundidad significativamente menor.

Transpilación

Ya has usado la transpilación muchas veces en este curso. Sabes que, una vez construido un circuito abstracto, debe prepararse para su ejecución en hardware. Sin embargo, aún no hemos explorado en detalle las múltiples etapas de la transpilación.

Las etapas clave de la transpilación incluyen:

• Layout: asignar qubits lógicos a qubits físicos

• Traducción: reescribir las operaciones usando el conjunto de puertas nativas del backend

• Enrutamiento: insertar y optimizar las operaciones SWAP requeridas por la conectividad del hardware

Estos procesos están interrelacionados. Por ejemplo, el layout debe minimizar la profundidad incluso después de tener en cuenta el enrutamiento. El layout también debe evitar los qubits y las conexiones más propensos a errores. Estas etapas suelen estar automatizadas, pero los usuarios avanzados pueden optar por especificar layouts personalizados u otras restricciones cuando sea necesario.

Para obtener más información sobre la transpilación, consulta la guía Introducción a la transpilación.

Comprueba tu comprensión

Observa el siguiente circuito cuántico y supón que necesitas ejecutarlo en una computadora cuántica con un layout heavy-hex, del que se muestra una parte. (a) Propón una asignación de los números de qubit del circuito abstracto a los números de qubit de la computadora cuántica física que minimice el número de puertas SWAP necesarias. (b) ¿Es tu elección única o podría haber otras opciones igualmente buenas? (c) Aunque tu elección sea el único layout óptimo para reducir las puertas SWAP, ¿cuáles son algunas razones por las que el transpilador podría elegir una asignación distinta?

Respuesta

(a) Podría haber muchas respuestas correctas, pero ten en cuenta que solo el qubit abstracto 0 tiene puertas de entrelazamiento (de dos qubits) con tres vecinos. Todos los demás participan en operaciones de dos qubits con solo dos vecinos. Este circuito puede asignarse a una topología heavy-hex sin ninguna puerta SWAP. Cualquier layout que lo logre es aceptable. Usando $\text{aq[0]}$ para referirnos al qubit abstracto cero, y $\text{tq[0]}$ para el qubit transpilado cero, un layout de este tipo es:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[15],}\\ \text{aq[1]} & \rightarrow \text{tq[16],}\\ \text{aq[2]} & \rightarrow \text{tq[19],}\\ \text{aq[3]} & \rightarrow \text{tq[14],}\\ \text{aq[4]} & \rightarrow \text{tq[17],}\\ \text{aq[5]} & \rightarrow \text{tq[25]} \end{aligned}$$

(b) Este layout no es único. Muchos otros layouts evitan por completo las puertas SWAP. Otro ejemplo es:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[3],}\\ \text{aq[1]} & \rightarrow \text{tq[4],}\\ \text{aq[2]} & \rightarrow \text{tq[8],}\\ \text{aq[3]} & \rightarrow \text{tq[2],}\\ \text{aq[4]} & \rightarrow \text{tq[5],}\\ \text{aq[5]} & \rightarrow \text{tq[13]} \end{aligned}$$

(c) A veces un qubit específico es más propenso a errores que la mayoría de los demás del chip. Además, algunas conexiones entre qubits son más propensas a errores que otras. El transpilador intenta encontrar un layout que evite puertas SWAP innecesarias, pero que también use los qubits y las conexiones de mayor fidelidad disponibles en la computadora cuántica seleccionada.

Reducir los efectos del ruido y los errores

Varios addons de Qiskit se centran específicamente en reducir el impacto del ruido y de las imperfecciones del hardware.

Retropropagación de operadores y transformaciones de circuitos conscientes del ruido

Ya hemos tratado la propagación de operadores en el contexto de las comprobaciones de Pauli coherentes en la corrección de errores. Sin embargo, la propagación de operadores es útil de forma más general. Hay dos formas principales de usar la propagación de un operador a través de un circuito cuántico: (1) absorber las últimas capas de un circuito cuántico en los observables que se miden, y (2) tener en cuenta los efectos probables de los errores en el circuito y compensarlos midiendo un observable diferente. Las siguientes dos herramientas usan estos enfoques.

Retropropagación de operadores

La retropropagación de operadores reduce la profundidad del circuito absorbiendo puertas del final de un circuito en el observable medido. Por ejemplo, considera el siguiente circuito.

Este circuito contiene capas de rotación y de entrelazamiento que parecen no triviales, seguidas de una escalera de puertas CNOT y una medición de Z en el qubit 5. Este circuito tiene una profundidad de dos qubits de 7. Esta profundidad es previa a la transpilación. En la práctica, normalmente se aplica la retropropagación después de la transpilación, pero este ejemplo es solo con fines didácticos. Recuerda que existen reglas para propagar un observable más allá de una puerta. En particular, cuando una puerta CNOT tiene objetivo $q_t$ y control $q_c$, un observable $Z_t$ sobre $q_t$ se convierte en $Z_c Z_t$ al propagarse hacia atrás más allá de la puerta CNOT: $Z_t \rightarrow Z_c Z_t$. En este circuito de ejemplo, si propagas el observable $Z_5$ hacia atrás a través de toda la escalera de puertas CNOT, obtienes el observable $Z_5 Z_4 Z_3 Z_2 Z_1 Z_0$, o en la notación estándar de Qiskit, simplemente $ZZZZZZ$. Si medimos este observable en lugar de solo $Z_5$, podemos eliminar toda la escalera de puertas CNOT, lo que reduce la profundidad de dos qubits de 7 a 2. Este observable sigue requiriendo una medición en una sola base en cada qubit, por lo que no aumenta el número de shots que necesitamos. Esto no siempre es así. En general, los observables más complicados requieren más shots y, a veces, más mediciones en bases diferentes.

La estrategia general de la retropropagación de operadores incluye los siguientes pasos:

• Acortar el circuito ejecutado

• Reemplazar el observable original por un observable ampliado

• Intercambiar profundidad del circuito por mayores requisitos de muestreo

El circuito anterior es un ejemplo evidente en el que la retropropagación resulta ventajosa. En general, sin embargo, no es fácil identificar los circuitos que más se benefician de la retropropagación. Para decidir cuándo usar la retropropagación, comprueba cuánta profundidad puedes eliminar de tu circuito y sopesa esa reducción frente a los mayores requisitos de muestreo.

Absorción de ruido propagado (PNA)

La absorción de ruido propagado es estructuralmente similar a la retropropagación de operadores. Sin embargo, en lugar de propagar un operador hacia atrás a través de las puertas ideales de un circuito, PNA incorpora un modelo de ruido aprendido y propaga los efectos del ruido directamente al observable. PNA hace lo siguiente:

• Aprende el comportamiento del ruido a partir del hardware

• Propaga el modelo de ruido a través del circuito

• Produce un observable modificado que compensa el ruido de las puertas

Cuando el observable modificado se mide en hardware ruidoso, los valores esperados resultantes aproximan mejor el resultado ideal sin ruido. PNA tiene dos tipos de sobrecarga. Primero, debes aprender el modelo de ruido, lo que requiere ejecutar circuitos adicionales. Segundo, PNA puede producir observables más complicados, lo que puede aumentar los requisitos de muestreo.

Corte de circuitos

El corte de circuitos divide un circuito grande en subcircuitos más pequeños que pueden ejecutarse de forma independiente. Después realizas suficientes mediciones para recombinar los resultados. El corte de circuitos hace lo siguiente:

• Reduce los requisitos de hardware

• Permite cómputos mayores que el número de qubits disponibles (circuitos más anchos)

• Ayuda a superar las limitaciones de profundidad y conectividad (circuitos más profundos)

• Reconstruye el resultado original mediante posprocesamiento clásico

Samplomatic

Muchas de las técnicas de las secciones anteriores complementan otros métodos de supresión y mitigación tratados a lo largo de este curso, entre ellos:

• Desacoplamiento dinámico

• Pauli twirling

• M3

• TREX

• Extrapolación a ruido cero (ZNE)

• Cancelación probabilística de errores (PEC)

En muchos workflows, puedes aplicar diferentes técnicas a distintas regiones del mismo circuito. Como hemos visto, muchas de estas técnicas también conllevan sobrecarga cuántica. Por lo tanto, a veces necesitamos un control fino y detallado sobre el aprendizaje de ruido, el muestreo y la aplicación de secuencias de twirling. Estas son algunas de las motivaciones detrás de Samplomatic.

Samplomatic es una biblioteca de código abierto que permite workflows personalizados de muestreo, aleatorización y mitigación de errores.

Su primera tarea es analizar un circuito y dividirlo en regiones etiquetadas, o cajas. Estas cajas tienen dos propósitos:

• Dividen visualmente el circuito.

• Crean regiones indexadas que pueden configurarse de forma independiente.

Los usuarios pueden adjuntar anotaciones que describen cómo debe tratarse cada caja durante la ejecución. Algunos ejemplos son:

• Aplicar Pauli twirling a todas las cajas

• Aplicar twirling solo a las cajas seleccionadas

• Usar diferentes grupos de twirling en distintas regiones

• Inyectar ruido aprendido en capas específicas

• Personalizar las estrategias de mitigación a un nivel detallado

Samplomatic también identifica regiones en cajas que se repiten. Como las capas idénticas suelen presentar características de ruido similares, solo necesitas realizar el aprendizaje de ruido una vez para cada capa única.

Salidas de Samplomatic

Samplomatic produce dos objetos principales:

• Circuito plantilla

• Samplex

El circuito plantilla es un circuito parametrizado, transpilado y organizado en cajas, listo para su ejecución. El samplex contiene toda la información necesaria para generar y procesar variantes del circuito. El contenido del samplex incluye:

• Valores de parámetros para circuitos parametrizados

• Selecciones de aleatorización

• Distribuciones de muestreo

• Información de posprocesamiento

• Metadatos de ejecución adicionales

Formalmente, un samplex es una distribución de probabilidad sobre los parámetros de un circuito plantilla, junto con información auxiliar necesaria para la ejecución y el posprocesamiento. Una importante ventaja práctica es que tanto el circuito plantilla como el samplex se crean localmente en el lado del cliente. Como resultado, puedes inspeccionarlos, validarlos y depurarlos antes de usar cualquier recurso de hardware.

Samplomatic tiene muchos beneficios, entre ellos el control detallado de la asignación adaptativa de shots y de la aleatorización. También ofrece beneficios logísticos, como flujos de posprocesamiento estructurados. Uno de los beneficios más importantes es la reutilización de la información de ruido aprendida entre capas idénticas, lo que puede ahorrar una cantidad significativa de tiempo de computación cuántica durante el aprendizaje de ruido.

Conos de luz sombreados

Antes de decidir dónde aplicar técnicas de mitigación costosas, resulta útil identificar las regiones de un circuito que más importan para el observable que se está midiendo. Esta necesidad motiva el addon de conos de luz sombreados. La idea de un cono de luz proviene de la relatividad, donde las relaciones causales están limitadas por la velocidad finita a la que puede viajar la información.

Un concepto similar se aplica en los circuitos cuánticos.

Considera un circuito grande en el que solo interesa un observable de bajo peso. Un observable de bajo peso actúa de forma no trivial en solo unos pocos qubits. Los observables de bajo peso son de interés por muchas razones. Por ejemplo, pueden representar lo siguiente:

• Términos individuales dentro de un Hamiltoniano más grande

• Una región de interacción localizada

• Información recopilada en un conjunto pequeño de qubits auxiliares

• Otros observables que involucran solo unos pocos qubits

No todos los errores del circuito pueden afectar el resultado de la medición. Esto es especialmente cierto para los errores de Pauli, o cualquier error que se pueda modelar como un conjunto de operaciones de Pauli. Por ejemplo, observa el siguiente circuito:

Un error de Pauli en el qubit 0 de la última capa no puede influir en la medición del qubit 6, porque no hay ninguna puerta de conexión que pueda propagar el error del qubit 0 al qubit 6. Ten en cuenta que este argumento no se aplica a ciertos errores no unitarios. Por ejemplo, una transición de tipo T1 al estado fundamental en el qubit 0 colapsa el qubit 0 a un estado de la base computacional. Si los qubits 0 y 6 estaban previamente entrelazados (como ocurre en este circuito), el error no unitario en el qubit 0 puede afectar al qubit 6. La siguiente discusión se centra en los errores que se pueden representar como operaciones de Pauli, o como mezclas probabilísticas de operaciones de Pauli.

En la última capa, solo un error de Pauli en el qubit 5 o en el qubit 6 puede afectar directamente la medición del qubit 6.

En la capa de entrelazamiento anterior, los qubits 5 y 6 están entrelazados con los qubits 4 y 7, respectivamente. Por lo tanto, en esa capa de entrelazamiento o justo antes de ella, un error de Pauli en cualquiera de esos cuatro qubits puede afectar la medición posterior. Puedes seguir rastreando hacia atrás a través del circuito para encontrar el subconjunto de puertas y qubits que están conectados causalmente con la medición. Este conjunto causal forma una región en forma de cono en el espacio (qubits) y el tiempo (capas), lo que da origen al término cono de luz. La forma exacta de la región varía de un circuito a otro. Como este análisis depende de la conectividad del hardware y de la ubicación de las puertas, es más útil después de la transpilación, el enrutamiento y la optimización del layout.

Más allá de la conectividad causal

Los conos de luz sombreados amplían esta idea al considerar también qué tipos de errores importan.

Por ejemplo, ten en cuenta lo siguiente:

• Un error Z inmediatamente antes de una medición en la base Z no tiene efecto en el resultado de la medición.

• Un error X inmediatamente antes de una medición en la base Z puede cambiar drásticamente el resultado.

Por lo tanto, algunos tipos de error merecen más esfuerzo de mitigación que otros. Esta distinción puede reducir sustancialmente el sobrecosto de técnicas como PEC. En la práctica, el addon genera análisis de sensibilidad independientes para cada uno de los siguientes tipos de error:

• X errors

• Z errors

• Errores Y (o XZ salvo una fase)

Esta sensibilidad a los errores generalmente se ve diferente para cada tipo de error, porque distintos errores conectados causalmente tienen impactos diferentes en la medición. Ten en cuenta también que la sensibilidad cambia a lo largo del circuito. Un error X inmediatamente antes de la medición puede ser muy dañino, mientras que un error que ocurre muchas capas antes puede tener un efecto menor después de propagarse a través de un estado altamente entrelazado.

Los conos de luz sombreados cuantifican esta diferencia asignando un valor de sensibilidad a los errores potenciales en todo el circuito.

Los mapas resultantes indican lo siguiente:

• Dónde importan los errores

• Qué tipos de error importan

• Con qué intensidad influyen en el observable final

Los conos de luz sombreados no mitigan los errores por sí mismos, pero pueden ayudar a concentrar el esfuerzo de mitigación donde ofrece el mayor beneficio.

Aprender e inyectar ruido

Una vez que un circuito ha sido construido, optimizado y anotado, quedan dos tareas complementarias: aprender el ruido y usar el modelo de ruido (por ejemplo, para inyectar ruido o para propagar los efectos del ruido).

NoiseLearnerV3

NoiseLearnerV3 es la herramienta actual para el aprendizaje de ruido. La interfaz anterior, NoiseLearner, aceptaba circuitos completos y producía modelos de ruido de Pauli-Lindblad. NoiseLearnerV3, en cambio, opera directamente sobre instrucciones de circuito organizadas en cajas. En resumen, NoiseLearnerV3 hace lo siguiente:

• Acepta colecciones de capas de circuito etiquetadas

• Reutiliza la información de las capas repetidas

• Admite el aprendizaje del ruido de medición

• Admite el posprocesamiento de los modelos aprendidos

• Permite flujos de trabajo de inyección y escalado de ruido

Este diseño se alinea estrechamente con el flujo de trabajo orientado a capas de Samplomatic. En particular, NoiseLearnerV3 usa los siguientes métodos para cada conjunto de instrucciones:

• Aprendizaje de Pauli-Lindblad para operaciones de puertas

• Aprendizaje basado en TREX para mediciones

Luego puedes usar un modelo de ruido aprendido en muchos de los métodos que ya hemos cubierto. Por ejemplo, recuerda que la extrapolación a ruido cero (ZNE) con plegado de puertas puede dar lugar a circuitos intratablemente profundos. El método alternativo para escalar el ruido en ese caso era muestrear a partir de un modelo de ruido conocido, lo que aumenta efectivamente el nivel de ruido, incluso con factores no enteros. Este método, la amplificación probabilística de errores (PEA), es un buen ejemplo de cómo puedes usar un modelo de ruido para mitigar errores. También se requiere un buen modelo de ruido para la cancelación probabilística de errores (PEC) y la absorción de ruido propagado (PNA).

En resumen, con un modelo de ruido de alta calidad, el ruido se convierte en un recurso programable en lugar de ser solo una fuente de error.

Conos de luz sombreados frente a NoiseLearnerV3

NoiseLearnerV3 y SLC están estrechamente relacionados, pero toman entradas distintas y responden preguntas diferentes. SLC determina dónde concentrar el esfuerzo de mitigación. NoiseLearnerV3 caracteriza el ruido real presente en esas regiones. Estos procesos también implican diferentes tipos de sobrecosto. La siguiente tabla resume estas diferencias.

	Conos de luz sombreados	NoiseLearnerV3
Propósito	Identifica dónde importa la mitigación	Aprende cómo se comportan los errores
Sobrecosto	Principalmente sobrecosto clásico	Requiere ejecuciones en hardware
Salida	Produce mapas de sensibilidad	Produce descripciones de canales de ruido
Entrada	Usa la estructura del circuito y la propagación de operadores	Usa la estructura del circuito y datos experimentales del hardware

Ejecución con Executor y en tiempo de ejecución

Executor realiza el paso final de ejecución. Puede operar con cualquiera de las siguientes entradas:

• Un circuito plantilla y un samplex generados por Samplomatic

• Un circuito cuántico convencional sin Samplomatic

Con esta flexibilidad, puedes adoptar tantos o tan pocos componentes del flujo de trabajo de ejecución dirigida como necesites.

Executor trabaja en estrecha colaboración con Samplomatic, que gestiona las decisiones de aleatorización, la asignación de shots, las selecciones de inyección de ruido y los metadatos de ejecución relacionados, como se describió anteriormente.

Para ver ejemplos prácticos del modelo de ejecución dirigida, consulta la guía Modelo de ejecución dirigida, así como los tutoriales y la documentación de los addons de Qiskit en IBM Quantum® Platform.

Conclusión

Los flujos de trabajo cuánticos modernos dependen cada vez más de un conjunto de herramientas complementarias en lugar de una única primitiva de ejecución.

Estas herramientas respaldan cada etapa del flujo de trabajo:

• Mapeo del problema

• Construcción de circuitos

• Transpilación y optimización

• Supresión de errores

• Mitigación de errores

• Aprendizaje de ruido

• Ejecución estructurada

• Posprocesamiento

En conjunto, herramientas como Samplomatic, Executor, NoiseLearnerV3, los conos de luz sombreados, la absorción de ruido propagado, el corte de circuitos y AQC-Tensor ofrecen un control significativamente mayor que los modelos de ejecución anteriores.

El campo continúa evolucionando con rapidez. A medida que los procesadores cuánticos se vuelven más grandes y más conectados, es probable que estas técnicas desempeñen un papel cada vez más importante para lograr una ventaja cuántica útil y, con el tiempo, para integrarse sin fisuras con los flujos de trabajo de computación cuántica tolerante a fallos.