Algoritmos de optimización cuántica: Implicaciones energéticas

Resumen Desde el amanecer de la computación cuántica (QC), desarrollos teóricos como el algoritmo de Shor demostraron la superioridad conceptual de la QC sobre la computación tradicional. Sin embargo, estas afirmaciones de supremacía cuántica son difíciles de lograr en la práctica debido a los desafíos técnicos de realizar qubits sin ruido. En un futuro cercano, las aplicaciones de la QC necesitarán confiar en dispositivos cuánticos ruidosos que descarguen parte de su trabajo en dispositivos clásicos. Una forma de lograr esto es mediante el uso de circuitos cuánticos parametrizados en tareas de optimización o incluso en aprendizaje automático. Los requisitos energéticos de los algoritmos cuánticos aún no han sido estudiados extensamente. En este artículo, exploramos varios algoritmos de optimización utilizando tanto conocimientos teóricos como experimentos numéricos para entender su impacto en el consumo de energía. Específicamente, destacamos por qué y cómo algoritmos como el descenso de gradiente natural cuántico, aproximaciones estocásticas de perturbación simultánea o métodos de aprendizaje de circuitos son al menos más eficientes energéticamente que sus contrapartes clásicas; por qué la optimización cuántica basada en retroalimentación es ineficiente energéticamente; y cómo técnicas como Rosalin pueden mejorar la eficiencia energética de otros algoritmos en un factor de 20. Finalmente, utilizamos el modelo de programación de alto nivel NchooseK para ejecutar problemas de optimización tanto en computadoras cuánticas basadas en puertas como en recocedores cuánticos. Los datos empíricos indican que estos problemas de optimización se ejecutan más rápido, tienen mejores tasas de éxito y consumen menos energía en recocedores cuánticos que en sus contrapartes basadas en puertas.