Artículo: Profundidad efectiva en algoritmos de Quantum Machine Learning: atenuación del gradiente en VQAs bajo ruido NISQ
Archivos
Fecha
Editor
Publicado en
Licencia Creative Commons
Resumen
Los dispositivos cuánticos ruidosos de escala intermedia (Noisy Intermediate-Scale Quantum, NISQ) imponen restricciones estructurales al entrenamiento de algoritmos variacionales cuánticos (VQAs). En ausencia de corrección completa de errores, cada puerta introduce una probabilidad no nula de fallo que se acumula con la profundidad del circuito, mientras que la estimación del gradiente mediante muestreo finito añade variabilidad estadística adicional. Como consecuencia, la convergencia depende de un equilibrio delicado entre coherencia física y varianza de estimación. En este contexto, la profundidad del ansatz (arquitectura variacional parametrizada) no solo determina su expresividad, sino también su viabilidad operativa bajo ruido. Sin una caracterización explícita de la interacción entre acumulación de error, número de mediciones (\emph{shots}) y estrategias de control, el incremento de recursos experimentales puede no traducirse en mejoras efectivas de rendimiento e incluso resultar contraproducente. En este trabajo analizamos empíricamente cómo la profundidad afecta a la señal práctica del gradiente bajo ruido depolarizante. Observamos un patrón compatible con una atenuación exponencial efectiva de la contribución coherente del gradiente, caracterizable mediante una tasa por capa, $\epsilon_{\mathrm{eff}}$, cuya magnitud depende de la complejidad estructural del circuito y refleja principalmente factores físicos y arquitectónicos más que el presupuesto de medición. En conjunto, la profundidad útil del ansatz puede interpretarse como una propiedad emergente del régimen señal–ruido efectivo, gobernada por un parámetro estructural medible más que por un umbral crítico universal. Este marco ofrece una base cuantitativa para orientar decisiones de diseño y control en VQAs bajo condiciones NISQ.


