Qubit-efficient variational algorithm for nuclear structure

Diese Arbeit vergleicht drei Qubit-Mapping-Strategien im Rahmen des Variational Quantum Eigensolver (VQE)-Verfahrens zur Untersuchung der Grundzustände der Kerne $^{10}$B und $^{12}$C und zeigt, dass das Slater-Determinanten-(SD-)Mapping auf Quantenhardware die höchste Genauigkeit liefert, während das ladungssymmetrieangepasste (cSD-)Mapping eine überlegene Qubit-Effizienz für die Skalierung auf komplexe Kerne bietet.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, ein riesiges, unglaublich komplexes Puzzle zu lösen. Dieses Puzzle repräsentiert den „Grundzustand" (die stabilste, energieärmste Anordnung) eines Atomkerns, speziell für Elemente wie Bor-10 und Kohlenstoff-12. In der Welt der Physik ist es, herauszufinden, wie sich diese winzigen Teilchen anordnen, wie der Versuch, das eine perfekte Bild unter Milliarden falscher Möglichkeiten zu finden.

Traditionell nutzen Wissenschaftler leistungsstarke klassische Computer, um dies zu lösen, doch je größer das Puzzle wird (mehr Teilchen), desto schneller explodiert die Anzahl der möglichen Anordnungen, sodass selbst die besten Supercomputer ins Stocken geraten. Hier kommt das Quantencomputing ins Spiel. Es ist wie ein magischer neuer Puzzle-Löser, der viele Möglichkeiten gleichzeitig betrachten kann.

Dieser Artikel handelt vom Testen von drei verschiedenen „Strategien" oder „Karten", um dieses Kern-Puzzle in eine Sprache zu übersetzen, die ein Quantencomputer verstehen kann. Die Forscher verwendeten eine Methode namens VQE (Variational Quantum Eigensolver), die im Wesentlichen ein Trial-and-Error-Prozess ist, bei dem der Computer seine Einstellungen justiert, bis er die beste Lösung findet.

Hier ist eine Aufschlüsselung der drei getesteten Strategien, unter Verwendung einfacher Analogien:

Die drei Strategien (Mappings)

Stellen Sie sich die „Qubits" des Quantencomputers (seine grundlegenden Informationseinheiten) als Sitze in einem Bus vor. Das Ziel ist es, alle Puzzlestücke (die Kernzustände) effizient in den Bus zu bekommen.

1. Die „Ein-Sitz-pro-Stück"-Strategie (SD-Mapping)

• Wie es funktioniert: Stellen Sie sich vor, Sie haben 26 Puzzlestücke. Bei dieser Strategie weisen Sie für jedes einzelne Puzzlestück einen bestimmten Sitz im Bus zu. Wenn Sie 26 Stücke haben, benötigen Sie 26 Sitze.
• Die Vorteile: Es ist sehr geradlinig. Die „Regeln", wie die Teile interagieren, sind einfach, sodass der Computer nicht viel Schwerarbeit leisten muss, um die Antwort zu berechnen. Es ist wie das Vorhandensein eines sehr klaren, einfachen Handbuchs.
• Die Nachteile: Es werden viele Sitze (Qubits) verbraucht. Wenn Ihr Puzzle größer wird, könnten Ihnen die Sitze im Bus ausgehen.
• Das Ergebnis: Bei Tests auf echter Quanten-Hardware war diese Methode am genauesten und verfehlte die perfekte Antwort nur um 0,21 %. Sie war der zuverlässigste Läufer.

2. Die „Geteiltes-Team"-Strategie (pnSD-Mapping)

• Wie es funktioniert: Diese Strategie versucht, Platz zu sparen, indem sie das Puzzle in zwei Teams aufteilt: „Protonen" und „Neutronen". Anstatt jedem einzelnen Stück seinen eigenen Sitz zu geben, werden sie gruppiert. Für das Bor-Puzzle reduzierte dies den Bedarf von 26 Sitzen auf 20.
• Die Vorteile: Es spart Platz im Bus (weniger Qubits).
• Die Nachteile: Die Anweisungen, wie diese Teams interagieren, werden unglaublich kompliziert und chaotisch. Der Computer muss eine enorme Anzahl komplexer Schritte (Gates) ausführen, um die Antwort zu finden. Es ist wie der Versuch, einen Tanz zwischen zwei Teams zu koordinieren, bei dem jeder einem sehr langen, verwirrenden Skript folgen muss.
• Das Ergebnis: Da die Anweisungen so komplex waren und die Hardware derzeit etwas „rauschbehaftet" ist (wie ein Raum mit viel Hintergrundgeräusch), hatte diese Methode die größten Schwierigkeiten, mit Fehlern von etwa 8,88 %.

3. Die „Magische-Komprimierung"-Strategie (cSD-Mapping)

• Wie es funktioniert: Dies ist der innovativste Ansatz. Anstatt jedem Stück einen Sitz zu geben, nutzten die Forscher einen cleveren Trick, um das gesamte Puzzle zu „komprimieren". Sie nahmen die 26 Stücke und pressten sie in ein Format, das nur 5 Sitze (Qubits) benötigte.
• Die Vorteile: Es ist unglaublich platzsparend. Es ermöglichte ihnen, ein größeres, komplexeres Puzzle (Kohlenstoff-12) zu untersuchen, das mit den anderen beiden Methoden nicht in den Bus gepasst hätte.
• Die Nachteile: Da sie das Puzzle so stark komprimierten, wurde das „Handbuch" sehr lang und komplex. Der Computer muss viele mehr Knöpfe (Parameter) justieren, um die richtige Antwort zu finden.
• Das Ergebnis: Es funktionierte vernünftig gut (etwa 3,37 % Fehler für Bor und 6,82 % für Kohlenstoff). Obwohl es nicht so genau war wie die erste Methode, bewies es, dass man viel größere Probleme mit sehr wenigen Ressourcen lösen kann.

Das Experiment und die Ergebnisse

Die Forscher führten diese Strategien auf zwei Arten von „Teststrecken" aus:

1. Ein perfekter Simulator: Eine rauschfreie Computersimulation, bei der alles perfekt funktioniert.
2. Echte Quanten-Hardware: Sie verwendeten einen echten Quantencomputer (IBMs ibm_fez) und einen rauschbehafteten Simulator, der reale Unvollkommenheiten nachahmt.

Wichtige Erkenntnisse:

• Rauschen ist der Feind: Echte Quantencomputer sind derzeit „rauschbehaftet", was bedeutet, dass sie kleine Fehler machen. Je komplexer die Anweisungen sind (wie bei der pnSD-Strategie), desto mehr summieren sich diese Fehler auf.
• Fehlerkorrektur: Sie verwendeten eine Technik namens „Zero-Noise Extrapolation" (ZNE). Stellen Sie sich vor, Sie machen ein unscharfes Foto, machen es erneut mit einer etwas unschärferen Kamera und verwenden dann Mathematik, um zu erraten, wie das scharfe Foto ausgesehen hätte. Dies half, die Ergebnisse zu bereinigen.
• Der Gewinner: Für das kleinere Puzzle (Bor-10) war die „Ein-Sitz-pro-Stück"-Strategie (SD) der Champion und erhielt die Antwort fast perfekt, selbst auf echter Hardware.
• Die zukünftige Hoffnung: Die „Magische-Komprimierung"-Strategie (cSD) zeigte vielversprechende Aussichten. Obwohl sie für das kleine Puzzle nicht die genaueste war, bewies sie, dass wir viel größere, komplexere Kerne (wie Kohlenstoff-12) bewältigen können, ohne einen Bus mit Hunderten von Sitzen zu benötigen.

Das Fazit

Dieser Artikel ist ein „Stresstest" für verschiedene Möglichkeiten, mit Quantencomputern über Atomkerne zu sprechen.

• Wenn Sie maximale Genauigkeit sofort bei kleinen Problemen wünschen, verwenden Sie das geradlinige SD-Mapping.
• Wenn Sie größere, schwierigere Probleme mit begrenzten Quanten-Ressourcen lösen möchten, ist das cSD-Mapping das effizienteste Werkzeug, auch wenn es eine komplexere Justierung erfordert.

Die Autoren kommen zu dem Schluss, dass zwar noch keine einzelne Methode perfekt ist, aber der Ansatz der „Magischen Komprimierung" (cSD) ein vielversprechender Weg nach vorne ist, um komplexe Probleme der Kernphysik auf den Quantencomputern zu lösen, die wir heute haben.

Technische Zusammenfassung

Technische Zusammenfassung: Qubit-effizienter variationsbasierter Algorithmus für die Kernstruktur

Problemstellung
Die Untersuchung atomarer Kerne mittels des Kernschalenmodells stößt auf ein erhebliches rechnerisches Engpassproblem: Die Größe des Hilbert-Raums wächst kombinatorisch mit der Anzahl der Nukleonen, wodurch viele Systeme für klassische Computer unlösbar werden. Während Quantencomputing einen Weg bietet, diese stark verschränkten Zustände effizient zu simulieren, sind aktuelle Noisy Intermediate-Scale Quantum (NISQ)-Geräte durch die Qubit-Anzahl und die Schaltungstiefe begrenzt. Vorangegangene Arbeiten der Autoren zeigten, dass die direkte Abbildung von Vielteilchenkonfigurationen auf Qubits Schaltungen mit geringer Tiefe liefern kann, jedoch auf Kosten einer großen Anzahl benötigter Qubits, was die Skalierbarkeit einschränkt. Diese Arbeit adressiert den Kompromiss zwischen Qubit-Effizienz und Schaltungstiefe durch den Vergleich dreier unterschiedlicher Abbildungsstrategien zur Berechnung von Kerngrundzuständen unter Verwendung des Variational Quantum Eigensolver (VQE).

Methodik
Die Autoren untersuchen die Grundzustände zweier Kerne der mittleren p-Schale, $^{10}\text{B}$ ($3^+$) und $^{12}\text{C}$ ($0^+$), unter Verwendung der CKpot-Effektivwechselwirkung. Sie vergleichen drei Strategien zur Abbildung der Vielteilchenbasis (Slater-Determinanten, SDs) auf den Qubit-Hilbert-Raum:

1. Slater-Determinanten (SD)-Abbildung: Jeder der $N_{SD}$ Vielteilchenzustände wird auf ein einzelnes Qubit abgebildet. Für $^{10}\text{B}$ ergibt dies ein 26-Qubit-System. Der Hamiltonoperator wird in Pauli-Saiten umgewandelt, wobei jedes Qubit eine vollständige SD repräsentiert und die Antisymmetrie auf natürliche Weise berücksichtigt wird. Dieser Ansatz liefert eine einfache, flache Versuchswellenfunktion, erfordert jedoch die maximale Anzahl an Qubits.
2. Proton-Neutron-Slater-Determinanten (pnSD)-Abbildung: Die SDs werden in Protonen- und Neutronenkomponenten zerlegt. Eindeutige Protonen-SDs und Neutronen-SDs werden separaten Qubits zugewiesen. Für $^{10}\text{B}$ reduziert dies das System auf 20 Qubits (10 Protonen + 10 Neutronen). Der Hamiltonoperator wird mittels der Jordan-Wigner-Transformation abgebildet. Dies reduziert die Qubit-Anzahl, erhöht jedoch die Schaltungstiefe aufgrund der Notwendigkeit von gesteuerten Anregungsgattern und einer größeren Anzahl kommutierender Pauli-Gruppen.
3. Kompakte Slater-Determinanten (cSD)-Abbildung: Diese Strategie zielt auf maximale Qubit-Effizienz ab. Die Dimension der Hamilton-Matrix wird auf die nächste Zweierpotenz aufgefüllt (z. B. 26 $\to$ 32 für $^{10}\text{B}$, 51 $\to$ 64 für $^{12}\text{C}$) und unter Verwendung von Qiskit in einen Pauli-Saiten-Hamiltonoperator umgewandelt. Dies ergibt ein 5-Qubit-System für $^{10}\text{B}$ und ein 6-Qubit-System für $^{12}\text{C}$. Die Versuchswellenfunktion verwendet einen hardware-effizienten Ansatz (abwechselnde Schichten von $RY$- und CNOT-Gattern) anstelle von physikinspirierten Anregungsoperatoren. Dies minimiert die Anzahl der Qubits und Gatter, erfordert jedoch eine signifikant höhere Anzahl variationaler Parameter.

Die VQE-Optimierung wurde unter Verwendung des SLSQP-Optimierers auf einem rauschfreien Zustandsvektor-Simulator durchgeführt, um optimale Parameter zu bestimmen. Diese Parameter-festen Schaltungen wurden anschließend auf einem rauschbehafteten Simulator (IBMs FakeFez-Backend) und echter Quantenhardware (ibm_fez) ausgeführt. Zero-Noise Extrapolation (ZNE) wurde angewendet, um Fehler zu mindern, indem das Rauschniveau von Zwei-Qubit-Gattern skaliert wurde.

Hauptergebnisse

• Ressourcenzählungen: Die SD-Abbildung erforderte 26 Qubits für $^{10}\text{B}$, aber nur 4 kommutierende Pauli-Gruppen für die Energiemessung. Die pnSD-Abbildung erforderte 20 Qubits, aber 530 kommutierende Gruppen. Die cSD-Abbildung erforderte für $^{10}\text{B}$ nur 5 Qubits und für $^{12}\text{C}$ 6 Qubits, mit jeweils 122 bzw. 365 kommutierenden Gruppen.
• Genauigkeit auf Hardware:
  • Für $^{10}\text{B}$ lieferte die SD-Abbildung das genaueste, nach der Fehlerminderung erhaltene Ergebnis auf der Hardware, mit einem prozentualen Fehler von 0,21 % relativ zum exakten Schalenmodell-Ergebnis.
  • Die cSD-Abbildung für $^{10}\text{B}$ ergab einen Fehler von 3,37 %.
  • Die pnSD-Abbildung für $^{10}\text{B}$ zeigte einen Fehler von 8,88 %.
  • Für $^{12}\text{C}$, das für SD- und pnSD-Abbildungen auf klassischen Simulatoren rechnerisch prohibitiv war, erreichte die cSD-Abbildung auf der Hardware einen Fehler von 6,82 %.
• Wellenfunktions-Übereinstimmung: Für die cSD-Abbildung betrug die Übereinstimmung (Fidelity) der auf der Hardware gesampelten VQE-Wellenfunktion (ohne Fehlerminderung) 0,942 für $^{10}\text{B}$ und 0,915 für $^{12}\text{C}$ im Vergleich zu den exakten Schalenmodell-Wellenfunktionen.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die SD-Abbildung aufgrund geringerer Schaltungstiefe und weniger kommutierender Gruppen auf aktueller Hardware überlegene Genauigkeit bietet, die cSD-Abbildung jedoch die vielversprechendste Strategie für die Skalierung auf komplexe Kerne darstellt. Der cSD-Ansatz demonstriert die Fähigkeit, den Grundzustand von $^{12}\text{C}$ unter Verwendung von nur 6 Qubits zu definieren, eine Aufgabe, die für die SD-Abbildung 51 Qubits und für pnSD 30 Qubits erfordern würde, wodurch Letztere über den Bereich standardmäßiger klassischer Zustandsvektor-Simulatoren hinausgeht.

Die Autoren schließen, dass die cSD-Abbildung trotz des Bedarfs an mehr variationalen Parametern aufgrund ihrer Qubit-Effizienz vielversprechend ist, um komplexe Kernsysteme in verschiedenen Massenzonen auf NISQ-Hardware zu beschreiben. Sie weisen zudem darauf hin, dass die SD- und pnSD-Abbildungen für zukünftige Quantengeräte und für die Vorbereitung von Anfangszuständen in anderen Quantenalgorithmen wertvoll bleiben, bei denen einzelne Slater-Determinanten durch einzelne Parameter kontrolliert werden können. Die Arbeit etabliert einen vergleichenden Rahmen für die Auswahl von Abbildungsstrategien basierend auf den spezifischen Einschränkungen der Qubit-Verfügbarkeit, der Schaltungstiefe und der rechnerischen Kosten der klassischen Simulation.