Optimised Fermion-Qubit Encodings for Quantum Simulation with Reduced Transpiled Circuit Depth

Dieser Beitrag stellt eine deterministische Optimierungsmethode für Ternärbaum-Fermion-Qubit-Kodierungen vor, die den Pauli-Gewichtswert und die transpilte Schaltungstiefe bei Simulationen von Wassermolekülen um etwa 26,5 % reduziert, ohne Ancillae zu benötigen oder die zugrundeliegende Baumstruktur zu verändern.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, eine komplexe chemische Reaktion zu simulieren, etwa wie Wassermoleküle miteinander wechselwirken, und zwar mit einem Quantencomputer. Um dies zu tun, müssen Sie die Regeln der Chemie (die „Fermionen" beinhalten, eine Art subatomarer Teilchen) in die Sprache des Quantencomputers übersetzen (der „Qubits" verwendet).

Dieser Übersetzungsprozess wird als Kodierung bezeichnet. Denken Sie daran wie daran, einen großen, unhandlichen Möbelstück (das chemische Problem) in einen Umzugswagen (den Quantencomputer) zu packen.

Das Problem: Der „Umzugswagen" ist zu klein und sperrig

Derzeit ist die gängigste Methode für diese Übersetzung die Verwendung einer standardmäßigen, starren Packmethode (die sogenannte Jordan-Wigner-Kodierung). Sie funktioniert, ist aber oft ineffizient.

• Das Problem: Wenn Sie die Möbel auf diese Weise packen, bleibt viel leerer Raum übrig, oder Sie müssen dasselbe Teil viele Male hin und her bewegen, nur um es an die richtige Stelle zu bringen. In der Quantencomputing-Terminologie bedeutet dies, dass der Computer zu viele „Gates" (Operationen) ausführen muss, um das Problem zu lösen.
• Die Folge: Da aktuelle Quantencomputer klein und fehleranfällig sind, machen diese zusätzlichen, unnötigen Schritte die Simulation zu langsam oder zu fehleranfällig, um nützlich zu sein. Es ist, als würde man versuchen, einen schweren LKW mit angezogener Handbremse zu fahren.

Die Lösung: Eine intelligentere Packstrategie

Die Autoren dieses Papiers haben eine neue, intelligentere Methode entwickelt, um die Möbel zu packen. Sie nennen ihre Methode TOPP-HATT.

So funktioniert es, unter Verwendung einer einfachen Analogie:

1. Die Baumstruktur: Stellen Sie sich die Verbindungen des Quantencomputers als einen Stammbaum vor. Manche Kodierungen zwingen die Möbel in eine bestimmte, starre Baumform. Die Autoren sagen: „Behalten wir diese Baumform genau so bei, denn die Struktur des Baums zu ändern ist zu schwierig und könnte das Layout des Computers zerstören."
2. Das Mischen: Anstatt den Baum zu verändern, mischen sie einfach die Beschriftungen auf den Ästen. Stellen Sie sich vor, Sie haben eine Reihe von Koffern (die chemischen Teile) und eine Reihe von Regalen (die Quantenbits). Die alte Methode setzt einfach Koffer A auf Regal 1, Koffer B auf Regal 2 und so weiter.
3. Die Optimierung: Die neue Methode betrachtet das spezifische chemische Problem und fragt: „Wenn ich Koffer A auf Regal 3 und Koffer B auf Regal 1 setze, muss der Computer dann weniger hin und her laufen?" Sie verwenden einen deterministischen (schrittweisen, garantierten) Algorithmus, um die beste Anordnung der Beschriftungen zu finden, ohne jemals die zugrunde liegende Baumstruktur zu verändern.

Die Ergebnisse: Eine schnellere, glattere Fahrt

Das Papier testete diese Methode an Wassermolekülen (ein Standardtestfall) und verglich sie mit den alten Packmethoden.

• Das „Vorher" und „Nachher": Sie maßen die „Schaltungstiefe", was im Wesentlichen die Länge der Reise ist, die der Quantencomputer zurücklegen muss.
• Die Verbesserung: Durch die Verwendung ihrer neuen Mischmethode reduzierten sie die Länge der Reise im Durchschnitt um etwa 25 %.
  • Für nicht optimierte Schaltungen betrug die Reduktion 24,7 %.
  • Für Schaltungen, die bereits für spezifische Hardware optimiert waren, betrug die Reduktion 26,5 %.

Warum dies wichtig ist (laut dem Papier)

Die Autoren betonen, dass dies eine deterministische Methode ist. Im Gegensatz zu früheren Methoden, die „Versuch und Irrtum" verwendeten (wie das Werfen einer Münze, um zu sehen, ob eine neue Anordnung besser ist), folgt diese Methode einem strengen Regelwerk, um jedes Mal ein gutes Ergebnis zu garantieren.

Sie stellen auch fest, dass diese Methode gut mit Kodierungen funktioniert, die speziell für das physische Layout von Quantenchips entwickelt wurden (wie der „Bonsai"-Algorithmus), wodurch sichergestellt wird, dass die „Möbel" auf verbundenen „Regalen" bleiben, damit der Computer keine Zeit damit verschwenden muss, Dinge herumzubewegen.

Zusammenfassend: Das Papier stellt eine neue, zuverlässige Methode vor, um die Abbildung chemischer Probleme auf Quantencomputer neu zu organisieren. Indem sie einfach die Beschriftungen auf den bestehenden Verbindungen mischen, anstatt die Verbindungen selbst neu zu bauen, können sie die Zeit und den Aufwand erheblich verkürzen, die für die Durchführung von Simulationen erforderlich sind, und so das Beste aus den begrenzten Quantencomputern herausholen, die wir heute haben.

Technische Zusammenfassung

1. Problemstellung

Die Simulation fermionischer Systeme (z. B. Moleküle) auf gate-basierten Quantencomputern erfordert die Abbildung fermionischer Operatoren auf Qubit-Operatoren, ein Prozess, der als Fermion-Qubit-Codierung bekannt ist. Die Wahl der Codierung beeinflusst die Effizienz von Quantensimulationen erheblich, insbesondere in Bezug auf:

• Schaltungstiefe (Circuit Depth): Die Anzahl der benötigten Quantengatter.
• Pauli-Gewicht (Pauli-weight): Die Anzahl der Nicht-Identitäts-Pauli-Operatoren in einer Kette, was mit Gatterfehlern und Mess-Overhead korreliert.
• Geräteverknüpfung (Device Connectivity): Das physische Layout der Qubits auf einem Quantenprozessor (QPU).

Bestehende Ansätze stehen vor einem Zielkonflikt:

1. Hamiltonian-optimierte Codierungen: Erstellen Codierungen basierend auf dem spezifischen Hamilton-Operator, um Koeffizienten zu minimieren, führen jedoch oft zu Baumstrukturen, die mit dem QPU inkompatibel sind und teure SWAP-Gatter erfordern, um Informationen zwischen nicht benachbarten Qubits zu bewegen.
2. Geräteoptimierte Codierungen: Erstellen Codierungen basierend auf dem Verknüpfungsgraphen des QPU (z. B. unter Verwendung des Bonsai-Algorithmus), nutzen aber die spezifische Struktur des Hamilton-Operators nicht aus, was zu suboptimalen Gatterzahlen führt.
3. Stochastische Optimierung: Frühere Versuche, diese Ziele zu kombinieren, verwendeten stochastische Methoden (z. B. simuliertes Abkühlen), die keine Garantie für das Finden globaler Minima bieten und anfällig für Anfangsbedingungen sind.

Die Kernherausforderung: Es besteht ein Bedarf an einer deterministischen Methode, die die Abbildung fermionischer Modi auf Qubits innerhalb einer festen Baumstruktur (speziell Ternärer Bäume) optimiert, um die Schaltungstiefe und das Pauli-Gewicht zu reduzieren, ohne die zugrunde liegende Graphentopologie zu verändern oder ancilläre Qubits zu benötigen.

2. Methodik: TOPP-HATT

Die Autoren schlagen TOPP-HATT (Topology-Preserving Hamiltonian Adaptive Ternary Tree) vor, einen deterministischen Algorithmus, der die Enumeration von Majorana-Operatoren innerhalb einer vordefinierten Struktur eines Ternären Baums (TT) optimiert.

Schlüsselkonzepte

• Majorana-Ketten-Codierungen (Majorana-String Encodings): Fermionische Operatoren werden in Majorana-Operatoren ($\gamma$) zerlegt, die dann auf Pauli-Ketten abgebildet werden.
• Ternäre Bäume (TTs): Eine Graphenstruktur, bei der Knoten Qubits repräsentieren und Kanten Pauli-Operatoren ($X, Y, Z$) darstellen. Blätter repräsentieren Majorana-Operatoren.
• Optimierungsziel: Minimierung des Pauli-Gewichts ($W_P$) und des koeffizienten-skalierten Pauli-Gewichts ($W_{CP}$), was für stochastische Algorithmen wie qDRIFT entscheidend ist.

Der Algorithmus (TOPP-HATT)

Die Methode weist fermionische Modi iterativ Blättern im Baum zu, wobei die Topologie des Baums und die Eigenschaften des Vakuumzustands erhalten bleiben:

1. Aufbau: Ein „naiver" Baum wird konstruiert, bei dem die Indizes fermionischer Modi mit Qubit-Indizes übereinstimmen.
2. Einschränkungen: Um die Gültigkeit sicherzustellen, erzwingt der Algorithmus:
   • Operator-Unabhängigkeit: Stellt sicher, dass Pauli-Ketten Antikommutativitätsrelationen erfüllen.
   • Erhaltung der Baumstruktur: Knoten und ihre Kinder bleiben fest; nur die Zuordnungen der Blätter ändern sich.
   • Erhaltung des Vakuums: Stellt sicher, dass der fermionische Vakuumzustand auf den Qubit-Zustand $|0\rangle^{\otimes N}$ abgebildet wird. Dies wird erreicht, indem Blätter strikt gepaart werden (z. B. wenn ein Blatt $\gamma_{2k}$ zugewiesen wird, muss sein Paar $\gamma_{2k+1}$ sein).
3. Iterative Schleife:
   • Der Algorithmus identifiziert „aktive Knoten" (Knoten in maximaler Entfernung von der Wurzel, die keine unzugewiesenen Kinder haben).
   • Für jeden aktiven Knoten berechnet er das kartesische Produkt aller möglichen gültigen Blattzuordnungen für seine Kanten.
   • Er bewertet das Pauli-Gewicht der resultierenden Hamilton-Operatorterme für jede Kombination.
   • Er wählt die Zuordnung aus, die das Gewicht minimiert, aktualisiert den Baum und reduziert den Hamilton-Operator (Vereinfachung von Termen, bei denen Indizes identisch werden).
4. Ausgabe: Eine neu geordnete Enumeration von Majorana-Operatoren, die die Kostenfunktion für den spezifischen Hamilton-Operator minimiert, während die ursprüngliche Baumtopologie beibehalten wird.

3. Hauptbeiträge

• Deterministische Optimierung: Im Gegensatz zu früheren stochastischen Methoden garantiert TOPP-HATT ein konsistentes, reproduzierbares Ergebnis ohne das Risiko, in lokalen Minima stecken zu bleiben.
• Erhaltung der Topologie: Die Methode optimiert innerhalb einer festen Baumstruktur. Dies ermöglicht ihre Anwendung auf Codierungen, die aus spezifischen Geräteverknüpfungsgraphen abgeleitet sind (z. B. Heavy-Hex-Gitter), ohne die Hardwarebeschränkungen zu verletzen.
• Breite Anwendbarkeit: Die Methode funktioniert für Standardcodierungen (Jordan-Wigner, Bravyi-Kitaev, Parity, JKMN) und Hamiltonian-adaptive Codierungen (Huffman, HATT).
• Keine Ancillae oder Overhead: Die Optimierung reduziert Schaltungstiefe und Pauli-Gewicht, ohne zusätzliche Qubits oder SWAP-Gatter hinzuzufügen.

4. Ergebnisse

Die Methode wurde am Wassermolekül ($H_2O$) in der STO-3G-Basis (14 Modi) und an verschiedenen anderen Molekülen in den STO-3G- und 6-31G-Basen getestet.

• Reduktion des Pauli-Gewichts:
  • Bei Standardcodierungen reduzierte TOPP-HATT im Vergleich zu naiven Enumerationen und simuliertem Abkühlen konsistent sowohl das durchschnittliche Pauli-Gewicht als auch das koeffizienten-skalierte Pauli-Gewicht.
  • Die Methode war bei linearen Codierungen (Jordan-Wigner, Parity) am effektivsten, zeigte aber auch Verbesserungen bei binären (Bravyi-Kitaev) und ternären (JKMN) Bäumen.
• qDRIFT-Schaltungstiefe:
  • Die Autoren wandten TOPP-HATT als Vorverarbeitungsschritt für den qDRIFT-Algorithmus (eine stochastische Zeitentwickelungsmethode) an.
  • Nicht transpilierte Schaltungen: Durchschnittliche Reduktion der Schaltungstiefe um 24,7 %.
  • Transpilierte Schaltungen: Nach der Kompilierung für eine 20-Qubit-IQM-Garnet-Gerätetopologie betrug die durchschnittliche Reduktion 26,5 %.
  • Spezifische Verbesserungen für die Jordan-Wigner-Codierung lagen bei ca. 20 % (nicht transpiliert) und ca. 19 % (transpiliert).
• Rechenkosten:
  • Der Algorithmus ist recheneffizient. Die Laufzeit skaliert ungefähr mit $|H_\gamma|^{1,47}$ (wobei $|H_\gamma|$ die Anzahl der Hamilton-Operatorterme ist).
  • Die innere Schleife ist hochgradig parallelisierbar.

5. Bedeutung

Diese Arbeit adressiert eine kritische Engstelle in der Quantensimulation der nahen Zukunft: die hohe Schaltungstiefe, die für fermionische Simulationen erforderlich ist. Durch die Bereitstellung einer deterministischen, kostengünstigen und topologieerhaltenden Optimierungsmethode ermöglicht TOPP-HATT:

• Co-Design: Es überbrückt die Lücke zwischen Hamilton-spezifischer Optimierung und Hardwarebeschränkungen, sodass Forscher gerätenative Codierungen nutzen können, ohne die Simulationsgenauigkeit oder -effizienz zu opfern.
• Fehlerreduktion: Ein niedrigeres Pauli-Gewicht führt direkt zu weniger Gattern, was die Anhäufung von Gatterfehlern und Auslesefehlern reduziert, was für Noisy Intermediate-Scale Quantum (NISQ)-Geräte von entscheidender Bedeutung ist.
• Skalierbarkeit: Die günstige Skalierung und die deterministische Natur der Methode machen sie für die Vorverarbeitung größerer molekularer Systeme geeignet, sobald sich die Quantenhardware verbessert.

Zusammenfassend bietet TOPP-HATT eine praktische, unmittelbare Verbesserung für Quantenchemie-Simulationen, indem es optimiert, wie fermionische Systeme auf Qubits abgebildet werden, was zu deutlich flacheren und robusteren Quantenschaltungen führt.