GroverFigureOfMerit: una figura de mérito agnóstica para la caracterización de backends cuánticos en la era NISQ

Resumen

La era de la computación cuántica de escala intermedia ruidosa (NISQ) plantea un desafío concreto para los desarrolladores: los proveedores de hardware cuántico exponen sus capacidades a través de interfaces heterogéneas con métricas propietarias que varían ampliamente entre proveedores, dificultando una selección informada de backends. Las métricas de caracterización estática habituales, tiempos de coherencia T1/T2, tasas de error de compuerta, entre otras. Presentan limitaciones específicas: no capturan la variabilidad dinámica entre ejecuciones sucesivas, ignoran el impacto del proceso de transpilación y carecen de comparabilidad arquitectónica entre tecnologías físicas distintas. En este trabajo proponemos una Figura de Mérito (FoM) basada en el algoritmo de Grover, diseñada para actuar como un stress test algorítmico que evalúa de forma holística el rendimiento de backends cuánticos. La métrica propuesta combina la probabilidad de éxito de los estados objetivo con penalizaciones por desuniformidad en la amplificación y por fuga de probabilidad hacia estados no marcados, generando un score unificado y comparable entre distintas arquitecturas de hardware. Implementamos esta FoM sobre el framework Qonscious, una plataforma de ejecución condicional que proporciona los adaptadores polimórficos necesarios para ejecutar la misma métrica de forma agnóstica en backends de IBM, IonQ y simuladores. Las contribuciones principales son: (1) la propuesta y validación del GroverFigureOfMerit, una métrica basada en Grover que incorpora penalizaciones por desuniformidad y dispersión de probabilidad (adaptadas de enfoques previos como GRADE), con énfasis en capturar el efecto combinado de ruido, transpilación y restricciones topológicas; (2) un análisis sistemático de la heterogeneidad entre nueve proveedores cuánticos, que motiva la necesidad de métricas agnósticas; y (3) la demostración experimental de la FoM mediante ejecuciones en simuladores ideales y modelos de ruido derivados de procesadores reales. Los resultados confirman que la métrica permite distinguir el rendimiento entre backends bajo un score unificado, capturando los límites algorítmicos intrínsecos. La validación sobre QPUs físicas queda identificada como paso natural de confirmación.