Improving Ground State Accuracy of Variational Quantum Eigensolvers with Soft-coded Orthogonal Subspace Representations

Die Autoren schlagen eine neue Methode vor, die bei Variational Quantum Eigensolvern (VQE) orthogonale Subraumdarstellungen durch weiche Kodierung in der Kostenfunktion anstelle von harten Schaltkreiseinschränkungen ermöglicht, wodurch flachere Quantenschaltkreise bei hoher Genauigkeit erreicht werden.

Das Wesentliche

Das große Problem: Der müde Sucher im Labyrinth

Stellen Sie sich vor, Sie suchen den tiefsten Punkt in einem riesigen, dunklen Labyrinth (das ist das Quantensystem, das wir verstehen wollen). Ihr Ziel ist es, den absoluten tiefsten Punkt zu finden – das ist der Grundzustand (die stabilste Energieform eines Systems).

In der Welt der Quantencomputer gibt es einen beliebten Sucher namens VQE (Variational Quantum Eigensolver). Dieser Sucher ist wie ein Wanderer, der einen Weg durch das Labyrinth geht. Er probiert verschiedene Pfade aus, misst, wie tief er ist, und versucht, immer tiefer zu klettern.

Das Problem:
In der aktuellen Ära der Quantencomputer (die sogenannten "NISQ"-Geräte) sind diese Maschinen noch etwas "verrauscht" und fehleranfällig. Wenn der Wanderer zu lange wandern muss (zu viele Schritte im Labyrinth), wird er müde, macht Fehler und findet vielleicht gar nicht den tiefsten Punkt, sondern nur einen kleinen Kratzer auf dem Weg.

Die alte Lösung: Der starre Korb

Bisher haben Wissenschaftler versucht, das Problem zu lösen, indem sie nicht nur einen Wanderer schickten, sondern eine ganze Gruppe von Wanderern, die sich in einem Unterraum (einem kleinen Bereich des Labyrinths) bewegen.

Die alte Methode (genannt SSVQE oder MCVQE) war sehr streng:

• Stellen Sie sich vor, Sie schicken 4 Wanderer los.
• Die Regel war: Jeder muss einen völlig anderen Weg gehen. Sie dürfen sich nicht kreuzen, nicht berühren und müssen sich gegenseitig ausweichen.
• Um das zu erzwingen, mussten die Wanderer sehr komplexe, starre Anweisungen befolgen (harte mathematische Regeln im Schaltkreis).
• Das Ergebnis: Die Wanderer waren so damit beschäftigt, sich gegenseitig nicht zu berühren, dass sie kaum noch Zeit hatten, wirklich tief zu klettern. Die Wege wurden unnötig lang und kompliziert, was bei den fehleranfälligen Quantencomputern zu schlechten Ergebnissen führte.

Die neue Idee: Der weiche Korb mit "Stoßdämpfern"

Die Autoren dieses Papers (Giuseppe Clemente und Marco Intini) haben eine geniale neue Idee: Lassen Sie die Wanderer frei, aber geben Sie ihnen eine sanfte Erinnerung.

Statt sie mit starren Regeln zu zwingen, verschiedene Wege zu gehen, sagen sie:
"Geht einfach los! Wenn ihr euch aber zu sehr nähert und eure Wege sich überschneiden, gibt es eine kleine Strafe (ein 'Penalty'-Term) in der Bewertung."

Das ist wie bei einer Gruppe von Freunden, die versuchen, auf einer Wiese zu liegen, ohne sich zu berühren:

• Die alte Methode: Jeder bekommt ein festes, starres Seil um den Körper, das ihn zwingt, genau 2 Meter von den anderen entfernt zu bleiben. Das ist anstrengend und unflexibel.
• Die neue Methode (Soft-coded): Jeder liegt einfach hin. Wenn sie sich zu sehr nähern, piept es ein bisschen (die Strafe). Das motiviert sie, sich automatisch ein bisschen zu bewegen, ohne dass sie starr gebunden sind.

Warum ist das so genial?

1. Kürzere Wege (Shallower Circuits): Da die Wanderer nicht mehr starr gebunden sind, können sie direktere, kürzere Wege nehmen. Sie brauchen weniger Schritte, um tief genug zu kommen.
2. Bessere Ergebnisse: Weil die Wege kürzer sind, machen die fehleranfälligen Quantencomputer weniger Fehler.
3. Flexibilität: Die neuen Wanderer (die "Soft-Orthogonal"-Methode) können sich besser an die Form des Labyrinths anpassen. Sie finden den tiefsten Punkt viel genauer als die starren Wanderer.

Der Beweis: Zwei Testläufe

Die Autoren haben ihre Idee an zwei verschiedenen "Labyrinthen" getestet:

1. Das Ising-Modell: Ein recht ordentliches, symmetrisches Labyrinth. Hier hat die neue Methode bereits gezeigt, dass sie mit viel weniger Aufwand (kürzeren Wegen) fast perfekt ist, während die alten Methoden immer noch stolperten.
2. Das Spin-Glas-Modell (Edwards-Anderson): Das ist ein chaotisches, verwirrendes Labyrinth ohne klare Regeln (wie ein echter Spin-Glas). Hier war die alte Methode fast hoffnungslos. Die neue Methode mit den "weichen" Regeln hat jedoch überraschend gut funktioniert und viel genauere Ergebnisse geliefert.

Das Fazit in einem Satz

Die Autoren haben gezeigt, dass man bei der Suche nach dem tiefsten Punkt in einem Quantensystem nicht alle Wanderer mit starren Seilen zusammenbinden muss. Wenn man ihnen stattdessen erlaubt, sich frei zu bewegen und nur bei zu großer Nähe sanft "bestraft", finden sie den Weg schneller, machen weniger Fehler und landen viel genauer am Ziel.

Für die Zukunft: Das ist ein großer Schritt für die aktuellen, noch nicht perfekten Quantencomputer, da es bedeutet, dass wir mit weniger Ressourcen (weniger "Schritten" im Computer) viel bessere Ergebnisse erzielen können.

Technische Zusammenfassung

Titel

Verbesserung der Grundzustandsgenauigkeit von Variational Quantum Eigensolvers (VQE) durch soft-codierte orthogonale Unterraum-Darstellungen

1. Problemstellung

Das Finden des Grundzustands (Ground State) eines quantenmechanischen Systems ist eine der vielversprechendsten Anwendungen des Quantencomputings. Der Variational Quantum Eigensolver (VQE) ist der Standardalgorithmus für die NISQ-Ära (Noisy Intermediate-Scale Quantum), da er gegenüber fehleranfälligen Algorithmen wie der Quantenphasenschätzung robuster ist.

Das Hauptproblem bei herkömmlichen VQE-Ansätzen besteht darin, dass sie oft in lokalen Minima stecken bleiben oder eine unzureichende Genauigkeit erreichen, insbesondere bei Systemen mit geringer Symmetrie (z. B. Spin-Gläsern).
Bestehende Erweiterungen wie SSVQE (Subspace-Search VQE) und MCVQE (Multistate Contracted VQE) versuchen, das Problem zu lösen, indem sie den Suchraum auf einen Unterraum mehrerer Zustände erweitern. Diese Methoden erzwingen jedoch die Orthogonalität der Zustände, die den Unterraum aufspannen, durch eine "Hard-Coding"-Strategie auf der Ebene des Quantenschaltkreises (Circuit Level). Dies führt zu:

• Tiefen und komplexeren Schaltkreisen.
• Eingeschränkter Ausdruckskraft (Expressibility) des Ansatzes.
• Schwierigkeiten, hohe Genauigkeiten (Fidelity) zu erreichen, selbst bei tiefen Schaltkreisen.

2. Methodik

Die Autoren schlagen einen neuen Ansatz vor, der die Orthogonalitätsbedingung nicht durch die Schaltungstopologie erzwingt, sondern als weiche Bedingung (Soft-Coding) über Strafterme in der Kostenfunktion implementiert.

Kernkonzepte:

• Soft-Codierte Orthogonalität: Anstatt $K$ orthogonale Startzustände durch denselben parametrisierten Schaltkreis $U(\theta)$ zu transformieren (wie bei Hard-Coding), werden für jeden der $K$ Zustände im Unterraum unabhängige parametrisierte Schaltkreise $U_p(\theta^{(p)})$ verwendet, die alle vom selben Zustand $|0\rangle$ ausgehen.
• Kostenfunktion: Die zu minimierende Kostenfunktion $C_K(\theta)$ besteht aus zwei Teilen:
  1. Der durchschnittlichen Energie der $K$ Zustände.
  2. Einem Strafterm (Penalty Term), der die Überlappung (Overlap) zwischen verschiedenen Zuständen bestraft: $\beta \sum_{p<q} |\langle \psi_q | \psi_p \rangle|^2$.
     Der Hyperparameter $\beta$ steuert die Stärke der Orthogonalitätsforderung.
• Diagonalisierung: Nach Konvergenz der Optimierung wird der Hamiltonoperator auf den gefundenen Unterraum eingeschränkt. Im Gegensatz zu Hard-Coding-Methoden, wo die Überlappungsmatrix die Identität ist, muss hier eine verallgemeinerte Eigenwertproblemlösung ($H c = \lambda S c$) durchgeführt werden, da die Überlappungsmatrix $S$ (mit Elementen $S_{pq} = \langle \psi_p | \psi_q \rangle$) explizit geschätzt werden muss.
• Annahmen: Der Ansatz ist "agnostisch" bezüglich der Hamilton-Symmetrien (keine vorab eingebrachten Symmetrien im Schaltkreis) und die Struktur des Ansatzes bleibt während der Optimierung fest (keine sequenzielle Erweiterung des Subraums).

3. Wichtige Beiträge

1. Neue Darstellung: Einführung einer Unterraum-Repräsentation mit soft-codierter Orthogonalität, die tiefere Schaltkreise vermeidet, aber hohe Genauigkeit bewahrt.
2. Vergleichende Analyse: Detaillierter Vergleich zwischen Hard-Coding (SSVQE/MCVQE), Soft-Coding und Standard-VQE (Single-State).
3. Analyse der Ausdruckskraft (Expressibility): Theoretische Argumentation, dass Soft-Coding durch lineare Kombinationen nicht-kommutierender Unitären einen reichhaltigeren Zustandsraum abdeckt als Hard-Coding, selbst bei flacheren Schaltkreisen.
4. Metriken: Einführung eines "Relativen Gewinnfaktors" (Relative Gain Factor), um die Verbesserung gegenüber dem Standard-VQE unabhängig von der absoluten Fidelity zu quantifizieren.

4. Ergebnisse

Die Methode wurde an zwei Benchmark-Modellen getestet:

1. Transverses-Feld-Ising-Modell (TFI): $3 \times 3$ Gitter, nahe dem kritischen Punkt.
2. Edwards-Anderson (EA) Spin-Glas-Modell: $4 \times 4$ Gitter mit zufälligen Kopplungen (stärkerer Testfall aufgrund fehlender Symmetrien).

Ergebnisse für TFI-Modell:

• Fidelity: Soft-Coding erreicht konsistent Fidelitäten von >97%, während Standard-VQE bei ca. 76% und Hard-Coding bei ca. 80% stagniert.
• Schaltkreistiefe: Soft-Coding erreicht hohe Genauigkeiten bereits mit sehr flachen Schaltkreisen (wenige Schichten), während Hard-Coding und Standard-VQE auch bei tieferen Schaltkreisen nicht an die Genauigkeit von Soft-Coding herankommen.
• Konvergenzverhalten: Standard-VQE und Hard-Coding zeigen ein nicht-monotones Verhalten der Fidelity (die Fidelity sinkt manchmal trotz sinkender Kosten), was auf eine Überlappung mit angeregten Zuständen hindeutet. Soft-Coding zeigt ein robusteres, monotones Konvergenzverhalten.
• Subraum-Dimension: Eine Erhöhung der Subraum-Dimension $K$ über 2 hinaus bringt für dieses Modell kaum weitere Vorteile, aber Soft-Coding mit $K=2$ ist bereits deutlich überlegen.

Ergebnisse für EA-Modell (Spin-Glas):

• Auch bei diesem komplexen, ungeordneten System zeigt Soft-Coding eine signifikante Verbesserung.
• Der relative Gewinnfaktor (im Vergleich zu VQE) liegt bei Soft-Coding im Median bei ca. 2,5, während Hard-Coding kaum einen Vorteil gegenüber Standard-VQE bietet (oft sogar schlechter).
• Die Methode ist robust gegenüber verschiedenen Realisierungen der Unordnung.

5. Bedeutung und Fazit

Die Arbeit zeigt, dass die Soft-Coding-Strategie eine überlegene Alternative zu etablierten Unterraum-Methoden (SSVQE/MCVQE) darstellt.

• NISQ-Relevanz: Da die Methode mit flacheren Schaltkreisen (Shallow Circuits) höhere Genauigkeiten erreicht, ist sie ideal für die aktuelle NISQ-Ära geeignet, wo Dekohärenz und Gate-Fehler tiefe Schaltkreise limitieren.
• Effizienz: Sie umgeht die Notwendigkeit, komplexe Orthogonalitätsbedingungen in den Schaltkreis zu kodieren, was die Ressourcenanforderungen senkt.
• Robustheit: Der Ansatz funktioniert auch bei Systemen ohne bekannte Symmetrien (wie Spin-Gläsern), wo andere Methoden oft versagen.

Die Autoren schlussfolgern, dass die Erhöhung der Ausdruckskraft durch unabhängige Parameter für jeden Zustand im Unterraum der Schlüssel zum Erfolg ist. Zukünftige Arbeiten könnten adaptive Schemata (dynamische Anpassung von $K$ oder $\beta$) oder die Kombination mit ADAPT-VQE untersuchen.