Investigadores han evaluado la fidelidad de la geometría de un kernel cuántico ZZ de cuatro cúbits en el hardware cuántico de IBM, específicamente en el procesador ibm_fez. El objetivo era determinar cómo la ejecución en hardware real preserva la geometría de los datos codificada en una matriz de Gram, un aspecto crucial para la fiabilidad de los métodos de aprendizaje automático cuántico. Se utilizaron 24 ventanas de datos de calidad del aire interior, ejecutando cada circuito con 1024 "shots" bajo tres configuraciones: una línea base, desacoplamiento dinámico y "gate twirling" (rotación de puertas).

Todas las configuraciones produjeron matrices de Gram completas, finitas y semidefinidas positivas, preservando la geometría del estado cuántico de manera sustancial, aunque incompleta. La métrica de alineamiento de kernels centrado (CKA) de la matriz completa osciló entre 0.933 y 0.989. El "gate twirling" demostró ser la técnica más fiel en todas las dimensiones geométricas evaluadas, siendo la única que mostró una mejora estadísticamente significativa sobre la línea base. Por otro lado, el desacoplamiento dinámico no se diferenció de la línea base a la escala de las ventanas de datos analizadas. Los resultados sugieren que la distorsión residual del hardware, y no el muestreo finito, es la principal fuente de discrepancia.

Curiosamente, la configuración más fiel en términos de preservación geométrica mostró el alineamiento más bajo entre el kernel y la etiqueta de los datos, lo que indica que la fidelidad de implementación y la relevancia para la tarea son aspectos distintos. Este hallazgo subraya la importancia de reportar ambos factores en estudios de aprendizaje automático cuántico en hardware. Los autores enfatizan que estos son resultados descriptivos para ejecuciones únicas en un backend específico y no implican ventajas cuánticas, superioridad de clasificadores de hardware o capacidades de predicción.