A penalty-free quantum algorithm to find energy eigenstates

Dieser Artikel schlägt einen vollständig quantenmechanischen Algorithmus vor, der die Grund- und angeregten Zustände von Vielteilchen-Hamilton-Operatoren findet, ohne auf Straffunktionen, variationelle Schritte oder hybride quantenklassische Ansätze zurückzugreifen.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, den tiefsten Punkt in einem riesigen, nebligen Gebirge zu finden. In der Welt der Physik wird dieser „tiefste Punkt" als Grundzustand bezeichnet, während die höheren Gipfel angeregte Zustände sind. Zu wissen, wo diese Punkte liegen, hilft Wissenschaftlern zu verstehen, wie Materialien funktionieren, wie Magnete wirken und wie Quantencomputer arbeiten.

Lange Zeit war es, diese Punkte auf einem Computer zu finden, so, als würde man versuchen, jeden einzelnen Zentimeter dieses Gebirges mit einem Lineal zu vermessen. Je größer das Gebirge wird (mehr beteiligte Teilchen), desto unmöglicher wird die Aufgabe für klassische Computer, da die Datenmenge explodiert.

Dieser Artikel stellt einen neuen, „strafkostenfreien" Quantenalgorithmus vor, der wie eine intelligente, automatisierte Drohne funktioniert, um diese Punkte zu finden. So funktioniert er, aufgeteilt in einfache Konzepte:

1. Das Problem mit alten Methoden

Die meisten aktuellen Methoden sind wie das Versuch, den tiefsten Punkt durch Raten und Überprüfen zu finden. Sie bauen ein Modell, raten einen Ort und verwenden dann einen klassischen Computer, um Ihre Schätzung zu verfeinern.

• Die Falle: Manchmal bleibt der Computer in einer „barren plateau" (einer kargen Hochebene) stecken – einem flachen Bereich, in dem es egal ist, in welche Richtung Sie Ihre Schätzung schieben, sie wird nicht besser. Es ist wie das Gehen auf einer flachen Wüste, ohne zu wissen, in welche Richtung das Tal führt.
• Die Strafe: Um den zweittiefsten Punkt (den ersten angeregten Zustand) zu finden, müssen alte Methoden oft eine „Strafe" in die Mathematik einfügen. Es ist wie das Platzieren eines riesigen Felsbrockens auf dem tiefsten Punkt, damit die Drohne gezwungen ist, ihn zu ignorieren und nach dem nächsten zu suchen. Dieser Felsblock ist schwer zu bauen und zerstört oft das System.

2. Der neue Ansatz: Der „Stochastische Sampler"

Die Autoren schlagen eine Methode vor, die nicht rät, keine Strafen verwendet und keinen klassischen Computer zur Hilfe benötigt. Sie verlässt sich auf die Imaginäre Zeitentwicklung (ITE).

Stellen Sie sich ITE als einen magischen Filter vor, der langsam die „Energie" aus einem System abführt. Wenn Sie mit einer zufälligen Mischung von Zuständen beginnen, führt dieser Filter die hochenergetischen Zustände auf natürliche Weise ab und lässt nur den Zustand mit der niedrigsten Energie übrig.

Wie sie es auf einem Quantencomputer umsetzen:
Anstatt zu versuchen, eine riesige, komplexe Maschine zu bauen, die die Energie auf einmal abführt, teilen sie das Problem in zwei kleinere, einfachere Teile auf (nennen wir sie Teil A und Teil B).

• Stellen Sie sich ein komplexes Puzzle vor, bei dem Sie die Lösung für die linke Hälfte und die Lösung für die rechte Hälfte separat kennen.
• Der Algorithmus wählt zufällig ein Teil (entweder A oder B) aus und führt einen winzigen Teil der „Ableitung" darauf aus.
• Durch wiederholtes zufälliges Durchführen dieses Vorgangs Tausende von Malen fließt das System natürlich in Richtung des Grundzustands. Es ist wie ein Wassertropfen, der einen Hügel hinabrollt; er braucht keine Karte, er folgt einfach dem Weg des geringsten Widerstands.

3. Die höheren Gipfel finden (Angeregte Zustände)

Sobald die Drohne das tiefste Tal (den Grundzustand) gefunden hat, wie finden wir das nächsttiefste, ohne einen „Straf-Felsblock" zu verwenden?

Die Autoren verwenden einen cleveren Trick namens Zustandsbasierte Simulation.

• Die Analogie: Stellen Sie sich vor, Sie haben das tiefste Tal gefunden. Jetzt wollen Sie das zweittiefste finden. Anstatt einen Felsblock in das erste Tal zu legen, erstellen Sie eine perfekte „Geisterkopie" dieses Tals und platzieren sie neben dem echten.
• Der Algorithmus führt dann einen speziellen Tanz (eine Quantenoperation) zwischen dem realen System und dieser Geisterkopie aus. Wenn das reale System der Geisterkopie (dem Grundzustand) zu sehr ähnelt, hebt der Tanz es auf.
• Dies „filtert" den Grundzustand effektiv heraus und ermöglicht es dem System, sich natürlich im nächsten tiefsten Tal (dem ersten angeregten Zustand) niederzulassen.
• Sie können diesen Prozess wiederholen: Sobald Sie das zweite Tal gefunden haben, erstellen Sie eine Geisterkopie davon, filtern sie heraus und finden das dritte.

4. Warum das eine große Sache ist

• Keine Strafen: Es müssen keine künstlichen „Felsblöcke" (Straf-Funktionen) hinzugefügt werden, um das System zu zwingen, den Grundzustand zu ignorieren. Sie werden einfach sauber herausgefiltert.
• Keine kargen Hochebenen: Da es nicht auf einen klassischen Computer angewiesen ist, um Parameter zu verfeinern (wie die alten „Raten-und-Überprüfen"-Methoden), vermeidet es die Falle, in flachen, unbrauchbaren Bereichen stecken zu bleiben.
• Rein Quantenmechanisch: Es läuft vollständig auf dem Quantencomputer und nutzt die natürlichen Eigenschaften der Quantenmechanik, um die schwere Arbeit zu erledigen.

5. Der Beweis

Die Autoren testeten diese Idee mit einem berühmten Modell namens Transversales Ising-Modell (stellen Sie sich eine Reihe winziger Magnete vor, die nach oben oder unten kippen können).

• Sie fanden erfolgreich den Grundzustand und die ersten drei angeregten Zustände.
• Die Ergebnisse waren sehr genau (über 96 % Fidelity), selbst als sie ein größeres System mit 10 Magneten simulierten.
• Sie zeigten, dass der Algorithmus selbst dann in der Lage ist, sie zu unterscheiden, wenn die Magnete fast identische Energien haben (nahezu entartet).

Zusammenfassung

Dieser Artikel präsentiert einen neuen Weg, einen Quantencomputer zur Lösung komplexer Energieprobleme einzusetzen. Anstatt mit Strafen zu kämpfen und in Sackgassen stecken zu bleiben, nutzt diese Methode zufällige Stichproben, um auf natürliche Weise zum Zustand mit der niedrigsten Energie zu fließen, und verwendet dann Geisterkopien, um das bereits Gefundene herauszufiltern und das nächste Energieniveau freizulegen. Es ist ein saubererer, direkterer Weg zum Verständnis der Quantenwelt.

Technische Zusammenfassung

Technisches Fazit: Ein straffreier Quantenalgorithmus zur Bestimmung von Energieeigenzuständen

Problemstellung

Die Bestimmung der Eigenwerte und Eigenzustände von Vielteilchen-Hamilton-Operatoren ist eine grundlegende Herausforderung in der Physik und den computergestützten Wissenschaften. Klassische Methoden stoßen bei steigender Anzahl von Qubits $n$ auf ein exponentielles Skalierungsverhalten ($O(2^{2n})$ Speicherbedarf und $O(2^{3n})$ Rechenzeit). Zwar bieten Quantenalgorithmen einen Ausweg, doch bestehende Ansätze weisen erhebliche Einschränkungen auf:

• Variational Quantum Eigensolver (VQE): Ein hybrider quanten-klassischer Ansatz, der während der Optimierung häufig unter „barren plateaus" (verschwindende Gradienten) leidet. Die Bestimmung angeregter Zustände erfordert typischerweise Strafterme, um Beiträge des Grundzustands zu unterdrücken, was die Komplexität und die Fehleranfälligkeit erhöht.
• Quanten-Annealing: Erfordert lange Evolutionszeiten zur Gewährleistung der Adiabasizität und hat Schwierigkeiten mit kleinen Energielücken zwischen Grund- und angeregten Zuständen.
• Imaginäre Zeitentwicklung (ITE) & QITE: Obwohl vielversprechend, steht die Standard-ITE vor Skalierungsproblemen bei der Realisierung nicht-unitärer Operatoren. Quanten-ITE (QITE) verlässt sich oft auf variationsbasierte Optimierung oder Strafterme für angeregte Zustände, wodurch die Herausforderungen durch barren plateaus erneut auftreten und komplexe Ansätze erforderlich werden.
• Andere Methoden: Techniken wie die Quanten-Filter-Diagonalisierung (QFD) und die gefilterte Quanten-Phasenabschätzung (FQPE) sind stark von spezifischen Referenzzuständen oder optimierten Filterfunktionen abhängig.

Die Autoren identifizieren den Bedarf an einem vollständig quantenmechanischen Algorithmus, der sowohl Grund- als auch angeregte Zustände ohne Strafterme, variationsbasierte Schritte oder hybride quanten-klassische Schleifen finden kann und damit barren plateaus vermeidet.

Methodik

Der vorgeschlagene Algorithmus ist eine vollständig quantenmechanische, straffreie Methode, die auf einer stochastischen Stichprobenziehung aus einer Dichtematrix eines gemischten Zustands in Kombination mit einer zustandsbasierten Simulation beruht.

1. Hamilton-Zerlegung und Abbildung der Dichtematrix

Der Algorithmus geht davon aus, dass der Ziel-Hamilton-Operator $H$ in zwei lösbare Komponenten zerlegt werden kann, $H = h_1 + h_2$, wobei die Eigenwerte ($\lambda^j_i$) und Eigenzustände ($|\psi^j_i\rangle$) von $h_1$ und $h_2$ bekannt und einfach herzustellen sind.

• Die Autoren verschieben und skalieren die Eigenwerte von $h_1$ und $h_2$, um eine gültige Wahrscheinlichkeitsverteilung zu erzeugen.
• Sie konstruieren eine Dichtematrix $\rho$ für einen gemischten Zustand, die dem verschobenen Hamilton-Operator entspricht:
  $$\rho = \frac{1}{C} (H + (c_1 + c_2)I) = \sum_{i,j} p^j_i |\psi^j_i\rangle\langle\psi^j_i|$$
  wobei $p^j_i$ Wahrscheinlichkeiten sind, die aus den verschobenen Eigenwerten abgeleitet werden. Die Eigenzustände von $\rho$ sind identisch mit denen von $H$.

2. Stochastische Imaginäre Zeitentwicklung (ITE) für den Grundzustand

Um den Grundzustand zu finden, führt der Algorithmus eine ITE an $\rho$ mittels stochastischer Stichprobenziehung durch:

• Stichprobenziehung: Zu jedem Zeitschritt $\eta$ wird ein Projektor $P^j_i = |\psi^j_i\rangle\langle\psi^j_i|$ aus der Verteilung $\{p^j_i\}$ gezogen.
• Evolutionsoperator: Anstatt den vollen nicht-unitären Operator $e^{-\eta \rho}$ zu implementieren, implementiert der Algorithmus den Operator $I - \eta P^j_i$ für den gezogenen Projektor.
• Schaltkreis-Implementierung: Dies wird über einen post-selektierten unitären Schaltkreis unter Einbeziehung eines Hilfs-Qubits erreicht. Der unitäre Operator $U$ ist ein $n$-Qubit-gesteuertes SU(2)-Gatter. Befindet sich das System im Zustand, der dem gezogenen Projektor entspricht, unterliegt das Hilfs-Qubit einer Rotation; andernfalls bleibt es unverändert. Die Post-Selektion des Hilfs-Qubits im Zustand $|0\rangle$ ergibt die gewünschte Operation $I - \eta P^j_i$.
• Konvergenz: Die Wiederholung dieses Prozesses treibt das System ohne variationsbasierte Optimierung in Richtung des Grundzustands von $\rho$ (und somit von $H$).

3. Zustandsbasierte Simulation für angeregte Zustände

Um angeregte Zustände zu finden, muss der Algorithmus die Beiträge bereits gefundener Zustände niedrigerer Energie (z. B. den Grundzustand $P_g$) unterdrücken.

• Herausforderung: Die direkte Implementierung von Projektoren für stark verschränkte Grundzustände ist schwierig.
• Lösung: Die Autoren nutzen ein zustandsbasiertes Simulationsprotokoll. Dies beinhaltet ein duales $n$-Qubit-System (Hilfs-Qubits), das im bekannten Grundzustand $P_g$ präpariert ist, ein Steuer-Qubit und das primäre System.
• Mechanismus: Ein gesteuertes SWAP-Gatter wird zwischen dem primären System und den Hilfs-Qubits angewendet, konditioniert durch das Steuer-Qubit. Die Messung des Steuer-Qubits in der $|+\rangle$-Basis implementiert effektiv die Evolution $e^{-\eta P_g}$ (approximiert als $I - \eta P_g$) und projiziert die Komponente des Grundzustands heraus.
• Hebungsverfahren: Um den ersten angeregten Zustand zu finden, wird die Wahrscheinlichkeit, den Projektor des Grundzustands zu ziehen, in der Dichtematrix-Verteilung künstlich „gehoben" (erhöht). Der Algorithmus führt dann eine ITE an dieser modifizierten Verteilung durch. Wenn der Projektor des Grundzustands gezogen wird, wird die zustandsbasierte Simulation verwendet, um ihn herauszufiltern. Dieser Prozess kann iteriert werden, um höhere angeregte Zustände zu finden.

4. Variante für allgemeine Hamilton-Operatoren

Für Hamilton-Operatoren, die sich nicht leicht in zwei lösbare Teile zerlegen lassen, schlagen die Autoren eine Variante vor, bei der $H$ als Linearkombination von Pauli-Operatoren behandelt wird ($H = \sum \alpha_i O_i$). Die stochastische Stichprobenziehung wird direkt auf diese Pauli-Operatoren angewendet, wobei ähnliche Schaltkreis-Implementierungen für die Evolutionsschritte verwendet werden.

Wichtige Ergebnisse

Die Autoren validierten den Algorithmus mittels klassischer Simulationen des Transversen-Feld-Ising-Modells (eine 1D-Kette mit periodischen Randbedingungen), das als Benchmark dient, da es in lösbare $Z$-Basis- und $X$-Basis-Komponenten zerlegt werden kann.

• Grundzustand (4-Qubit-System): Erzielte eine Fidelität von 99,9 % zum exakten Grundzustand.
• Angeregte Zustände (4-Qubit-System):
  • 1. angeregter Zustand: 98,6 % Fidelität.
  • 2. angeregter Zustand: 96,8 % Fidelität.
  • 3. angeregter Zustand: 96,6 % Fidelität.
• Skalierungstest (10-Qubit-System): Der Algorithmus fand erfolgreich den Grundzustand (98,6 % Fidelität) und den ersten angeregten Zustand (97,8 % Fidelität). Er löste zudem den drittniedrigsten Eigenzustand (90,2 % Fidelität) auf, trotz einer nahezu entarteten Lage zwischen den ersten beiden Zuständen.
• Pauli-Variante: Die Variante mit Stichprobenziehung von Pauli-Operatoren zeigte ebenfalls hohe Fidelitäten (97,1 %–99,5 %) für die ersten vier Eigenzustände im 4-Qubit-Fall.
• Ressourcenskaling: Die theoretische Analyse zeigt, dass der Algorithmus pro Schritt mit $O(n)$ Zwei-Qubit-Gattern skaliert, was eine erhebliche Verbesserung gegenüber Trotter-basierten ITE-Methoden darstellt, die als $O(n^2)$ skalieren.

Bedeutung und Behauptungen

Die Arbeit behauptet, einen vollständig quantenmechanischen Algorithmus vorzustellen, der das Eigenzustandsproblem ohne die Nachteile aktueller hybrider oder variationsbasierter Methoden adressiert:

1. Straffrei: Er findet angeregte Zustände, ohne Strafterme zu einer Verlustfunktion hinzuzufügen, wodurch die Notwendigkeit komplexer Ansätze und das Risiko von barren plateaus vermieden werden.
2. Keine hybriden Schritte: Er eliminiert die Notwendigkeit klassischer Optimierungsschleifen und stellt somit ein rein quantenmechanisches Verfahren dar.
3. Breite Anwendbarkeit: Die Annahme, dass $H$ in lösbare Teile zerlegt werden kann, wird als nicht-einschränkend erachtet, da sie viele physikalische Modelle und sogar QMA-vollständige Probleme abdeckt.
4. Robustheit: Die Methode demonstriert die Fähigkeit, mehrere niedrig liegende Eigenzustände sequenziell zu finden, selbst in Systemen mit nahezu entarteten Energieniveaus.

Die Autoren räumen ein, dass die Gesamterfolgsrate von der Post-Selektion abhängt, was auf aktuellen Noisy Intermediate-Scale Quantum (NISQ)-Geräten aufgrund von Gate-Fehlern und Dekohärenz eine Herausforderung darstellen kann. Sie gehen jedoch davon aus, dass die Methode einen konkreten Weg bietet, Quantenschaltkreise zur Bewältigung klassisch unlösbarer Eigenzustandsprobleme einzusetzen, und stellt eine grundlegende Ergänzung zum Werkzeugkasten der Quantenberechnung dar.