Variational Thermal State Preparation on Digital Quantum Processors Assisted by Matrix Product States

Diese Arbeit stellt einen hybriden quantenklassischen Rahmen vor, der Matrix-Produkt-Zustände zur effizienten Berechnung der freien Energie mit einem hardware-effizienten Ansatz kombiniert, um hochwertige Gibbs-Zustände für ein- und zweidimensionale Systeme vorzubereiten und auf einem 156-Qubit-IBM-Prozessor erfolgreich zu validieren.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, das perfekte Wetter für eine große Stadt zu simulieren. Nicht nur einen einzelnen Tag, sondern den gesamten Klimaverlauf über Jahre hinweg. In der Welt der Quantencomputer ist das „Wetter" der thermische Zustand (oder Gibbs-Zustand) eines Materials. Das ist der Zustand, in dem sich Atome befinden, wenn sie warm oder kalt sind – also wenn sie nicht absolut stillstehen, sondern sich in einer Art „quantenmechanischem Hitzetanz" befinden.

Das Problem: Quantencomputer sind wie sehr empfindliche, laute Instrumente. Wenn man versucht, diesen komplexen Tanz auf einem echten Quantencomputer zu programmieren, stören die Umgebungsgeräusche (das Rauschen) die Musik sofort. Außerdem ist es extrem schwer, die „Temperatur" (die Unordnung) in der Simulation mathematisch zu berechnen, ohne den Computer zu überlasten.

Hier kommt die neue Arbeit von Rui-Hao Li und seinem Team ins Spiel. Sie haben einen cleveren Trick entwickelt, um dieses Problem zu lösen. Man könnte es sich wie eine Kooperation zwischen einem genialen Architekten und einem handwerklichen Baumeister vorstellen.

1. Der Trick: Der „Architekt" (MPS) und der „Baumeister" (Quantencomputer)

Stellen Sie sich vor, Sie wollen ein riesiges, komplexes Haus bauen (das ist das Quantensystem).

• Der Baumeister (Der Quantencomputer): Er ist schnell und kann die Ziegelsteine (die Quantenbits) direkt verlegen. Aber er ist oft müde, macht Fehler und kann sich nicht lange konzentrieren. Er kann das Haus nicht allein perfekt planen, weil die Pläne zu kompliziert sind.
• Der Architekt (Die Matrix Product States - MPS): Das ist ein klassischer Computer-Algorithmus, der wie ein super-intelligenter Architekt ist. Er kann die Struktur des Hauses auf dem Papier perfekt berechnen, ohne die Ziegelsteine physisch zu bewegen. Er weiß genau, wie die Wände stehen müssen, damit das Haus stabil ist.

Die Idee der Forscher:
Anstatt dass der müde Baumeister das ganze Haus allein plant und baut, arbeitet er mit dem Architekten zusammen.

1. Der Baumeister baut einen kleinen Teil des Hauses (den Quantenschaltkreis).
2. Der Architekt schaut sich das an und berechnet auf seinem Papier (dem klassischen Computer), wie gut das Haus steht. Er berechnet dabei besonders schwierig zu messende Dinge wie die „Unordnung" (Entropie) des Hauses, ohne dass der Baumeister das Haus zerlegen muss.
3. Basierend auf dem Feedback des Architekten passt der Baumeister seine Pläne an und baut es besser.
4. Dieser Kreislauf wiederholt sich, bis das Haus (der Quantenzustand) perfekt ist.

2. Der Vergleich: Zwei verschiedene Baupläne (Ansätze)

Die Forscher haben zwei verschiedene Arten getestet, wie man diesen Bauplan erstellt:

• Plan A (TFDA): Dieser Plan ist wie ein sehr detaillierter, alter Bauplan, der für jede Temperatur neu gezeichnet werden muss. Er funktioniert gut, wenn es sehr heiß ist (hohe Temperatur), wird aber bei Kälte extrem kompliziert und schwer zu bauen.
• Plan B (HEA - Hardware-Effizienter Ansatz): Das ist wie ein modulares Baukastensystem. Es ist einfacher, flexibler und passt sich besser an die aktuellen, etwas „kaputten" Quantencomputer an.

Das Ergebnis: Der modulare Plan B (HEA) war der Gewinner, besonders für kalte Temperaturen. Er brauchte weniger Bausteine (Gates) und war robuster gegen die Fehler des Baumeisters.

3. Der Test: Vom Modellhaus zum echten Gebäude

Die Forscher haben diesen Ansatz an zwei Orten getestet:

1. Im Simulator (Das Modellhaus): Sie haben das System auf klassischen Computern simuliert. Sie konnten damit Materialien mit bis zu 30 Atomen in einer Reihe und sogar 6x6 Atomen in einem Quadrat simulieren. Das ist riesig für Quantenstandards! Sie haben gemessen, wie sich das Material verhält (Energie, Wärme, Magnetismus), und es passte fast perfekt zu den theoretischen Vorhersagen.
2. Auf dem echten Quantencomputer (Das echte Gebäude): Sie haben den Plan auf einem echten IBM-Quantencomputer (dem „IBM Heron") ausgeführt.
   • Das Problem: Der echte Computer war verrauscht. Die Messungen waren ungenau, wie ein Foto, das bei starkem Wind gemacht wurde.
   • Die Lösung (Fehlerkorrektur): Sie nutzten eine Technik namens „Zero-Noise Extrapolation". Stellen Sie sich vor, Sie nehmen ein Foto, das unscharf ist. Dann machen Sie drei weitere Fotos, die absichtlich noch unschärfer sind (indem Sie die „Störung" künstlich erhöhen). Wenn Sie diese drei unscharfen Fotos mathematisch vergleichen, können Sie berechnen, wie das perfekte, scharfe Foto aussehen müsste.
   • Das Ergebnis: Durch diesen Trick konnten sie die Fehler um mehr als 50 % reduzieren. Das Bild wurde plötzlich viel klarer.

Zusammenfassung in einem Satz

Die Forscher haben eine Methode entwickelt, bei der ein klassischer Computer als „Gehirn" dient, das die komplexen Pläne für einen Quantencomputer erstellt, während der Quantencomputer als „Hände" dient, die das Material tatsächlich simulieren – und zwar so gut, dass sie selbst auf heutigen, fehleranfälligen Maschinen genaue Ergebnisse für komplexe physikalische Probleme liefern können.

Warum ist das wichtig?
Dies ist ein großer Schritt, um Quantencomputer nicht nur für theoretische Spielereien, sondern für echte Anwendungen zu nutzen: von der Entwicklung neuer Medikamente und Materialien bis hin zu besseren KI-Systemen, die lernen, wie sich Dinge bei verschiedenen Temperaturen verhalten.

Technische Zusammenfassung

1. Problemstellung

Die Vorbereitung von Quanten-Gibbs-Zuständen (thermischen Zuständen) bei endlichen Temperaturen ist eine fundamentale Herausforderung im Quantencomputing. Solche Zustände sind essenziell für Anwendungen wie die Simulation von Vielteilchensystemen in der kondensierten Materie, das Training von Quanten-Boltzmann-Maschinen und Optimierungsprobleme durch thermisches Sampling.

Das Hauptproblem bei der Vorbereitung dieser Zustände auf aktuellen Noisy Intermediate-Scale Quantum (NISQ)-Geräten besteht in der effizienten Bewertung der Helmholtz-Freien Energie $F(\rho) = E(\rho) - \beta^{-1}S(\rho)$. Während der Erwartungswert der Energie $E(\rho)$ relativ einfach durch Quantenmessungen geschätzt werden kann, ist die Berechnung der von-Neumann-Entropie $S(\rho)$ extrem ressourcenintensiv. Herkömmliche Methoden erfordern oft vollständige Quantenzustands-Tomographie oder stochastische Rekonstruktion, was bei größeren Systemen aufgrund von Rauschen und begrenzter Kohärenzzeit unpraktikabel ist. Zudem sind viele existierende Algorithmen (z. B. basierend auf Quantenphasenschätzung) zu tief und komplex für heutige Hardware.

2. Methodik

Die Autoren schlagen einen variationalen Rahmen vor, der Quantenschaltungen mit klassischen Matrix Product States (MPS) kombiniert, um die Freien Energie effizient zu bewerten.

• Hybrider Ansatz (MPS-unterstützt):

  • Anstatt den gemischten Gibbs-Zustand direkt auf dem Quantenprozessor zu messen, wird ein parametrisierter Quantenschaltkreis verwendet, um einen reinen Zustand $|\psi(\theta)\rangle$ auf einem erweiterten Hilbert-Raum vorzubereiten. Dieser Raum besteht aus physikalischen Qubits und Hilfs-Qubits (Ancillas).
  • Der reine Zustand wird klassisch als MPS approximiert. Durch das „Trace-out" (Spurziehen) der Ancilla-Qubits entsteht der gemischte Zustand $\rho(\theta)$.
  • Vorteil: Die Energie $E(\rho)$ und die Entropie $S(\rho)$ können rein klassisch aus der MPS-Darstellung berechnet werden. Die Entropie ergibt sich direkt aus den quadrierten Schmidt-Koeffizienten der Zerlegung zwischen physikalischen und Ancilla-Qubits, was die Notwendigkeit aufwendiger Quantenmessungen für die Entropiebestimmung eliminiert.
  • Die Parameter $\theta$ werden durch einen klassischen Optimierer (COBYLA) iterativ so angepasst, dass die Freie Energie minimiert wird.

• Ansatz-Auswahl (Ansatzes):

  • Zwei Ansätze wurden verglichen: Der Thermofield Double Ansatz (TFDA) und der Hardware-Effiziente Ansatz (HEA).
  • Der TFDA ist physikalisch motiviert, benötigt aber viele Schichten und Ancillas, besonders bei niedrigen Temperaturen, was ihn für NISQ-Geräte ungeeignet macht.
  • Der HEA wurde als überlegene Wahl identifiziert. Er ist flexibel, benötigt weniger Ancillas (oft deutlich weniger als physikalische Qubits) und ist besser an die Qubit-Konnektivität aktueller Hardware angepasst. Er zeigt besonders bei niedrigen Temperaturen (hohe $\beta$) eine hohe Genauigkeit.

3. Wichtige Beiträge

• Skalierbarkeit: Der vorgestellte Rahmen ermöglicht die Vorbereitung von Gibbs-Zuständen für Systeme mit bis zu 30 Gitterplätzen in 1D und 6x6 Gitterplätzen in 2D (insgesamt bis zu 44 Qubits), was deutlich über den bisherigen NISQ-Ergebnissen (meist <10 Qubits) liegt.
• Vergleich der Ansätze: Eine systematische Analyse zeigt, dass der HEA bei niedrigen Temperaturen dem TFDA überlegen ist, während der TFDA bei hohen Temperaturen besser abschneidet. Da niedrige Temperaturen physikalisch interessanter und schwieriger zu simulieren sind, wird der HEA als primärer Kandidat für zukünftige Anwendungen empfohlen.
• Hardware-Validierung: Die Methode wurde erfolgreich auf einem 156-Qubit IBM Heron-Prozessor (ibm_kingston) implementiert, um den Gibbs-Zustand eines 30-Spin-Transversfeld-Ising-Modells (TFIM) vorzubereiten.

4. Ergebnisse

Die Autoren führten umfangreiche Benchmarks für verschiedene Observablen durch:

• Energiedichte: Die geschätzte Energiedichte stimmt bei niedrigen Temperaturen ($\beta > 1$) hervorragend mit exakten analytischen Ergebnissen (1D) und Quantum Monte Carlo (QMC) Simulationen (2D) überein. Bei mittleren Temperaturen ($\beta \approx 1$) treten leichte Abweichungen auf, da der Zustand dort eine komplexe Mischung aus vielen Eigenzuständen ist.
• Magnetische Suszeptibilität ($\chi$) und Spezifische Wärme ($c_v$):
  • Die Suszeptibilität wird bei niedrigen Temperaturen gut vorhergesagt, zeigt jedoch bei mittleren Temperaturen größere Abweichungen, da sie langreichweitige Korrelationen erfordert, die von flachen Schaltungen schwer erfasst werden.
  • Die spezifische Wärme ist am schwierigsten zu schätzen, da sie auf der Varianz der Energie basiert und hochlokale Operatoren (bis zu 4-lokal) erfordert, was die Genauigkeit stark beeinträchtigt.
• Zweipunkt-Korrelationen: Die Analyse zeigt, dass der HEA bei niedrigen Temperaturen langreichweitige Korrelationen gut erfasst, bei hohen Temperaturen jedoch versagt, da er die schnelle Abklingrate der Korrelationen nicht ausreichend modellieren kann.
• Hardware-Ergebnisse und Fehlermitigation:
  • Auf dem IBM-Hardware-Prozessor zeigten unkorrigierte Ergebnisse relative Fehler von ca. 11,4 % (Energie) und 38,9 % (Suszeptibilität).
  • Durch den Einsatz von Zero-Noise Extrapolation (ZNE) konnten die relativen Fehler für beide Observablen um über 50 % reduziert werden (auf ca. 5,6 % für Energie und 19,1 % für Suszeptibilität). Dies demonstriert die praktische Machbarkeit trotz Hardware-Rauschen.

5. Bedeutung und Ausblick

Diese Arbeit stellt einen bedeutenden Schritt in Richtung skalierbarer Quantensimulationen bei endlichen Temperaturen dar.

• Effizienz: Die Kombination aus variationalen Quantenalgorithmen und klassischer MPS-Simulation umgeht das Flaschenhals-Problem der Entropieberechnung auf Quantenhardware.
• Praktische Relevanz: Die erfolgreiche Demonstration auf einem echten Quantenprozessor mit Fehlermitigation zeigt, dass hybride Ansätze bereits heute für mittlere Systemgrößen nutzbar sind.
• Zukünftige Herausforderungen: Die Autoren identifizieren das mittlere Temperaturregime als kritischen Punkt, wo die Optimierung schwierig bleibt. Zukünftige Arbeiten könnten problem-spezifischere Ansätze (z. B. Initialisierung mit DMRG-Zuständen) oder tensor-netzwerk-inspirierte Schaltungen untersuchen, um die Genauigkeit bei höheren Temperaturen und kritischen Punkten zu verbessern.

Zusammenfassend bietet das Paper einen robusten, skalierbaren Weg, um thermische Quantenzustände auf aktuellen und zukünftigen Quantenprozessoren zu simulieren und zu charakterisieren.