Ground state preparation of random all-to-all Hamiltonians using ADAPT-VQE

Diese Arbeit zeigt, dass der TETRIS-ADAPT-VQE-Algorithmus eine hochpräzise Grundzustandspräparation für zufällige All-to-All-Hamiltonoper wie die SK- und SYK-Modelle erreichen kann, wenngleich er nur für das SK-Modell effizient bleibt und bei der effizienten Skalierung für dichte oder moderat dünnbesetzte SYK-Modelle versagt.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, die stabilste, entspannteste Position für eine massive, chaotische Menschenmenge zu finden. In der Welt der Quantenphysik ist diese „Menschenmenge“ eine Gruppe von Teilchen, und ihre „entspannte Position“ wird als Grundzustand bezeichnet. Das Finden dieses Zustands ist entscheidend für das Verständnis darüber, wie Materialien funktionieren, wie Schwarze Löcher arbeiten und sogar, wie die Gravitation mit der Quantenmechanik zusammenhängt.

Einige dieser Menschenmengen sind jedoch unglaublich schwierig zu organisieren. Sie sind „zufällig“ und „All-to-All“, was bedeutet, dass jedes einzelne Teilchen ständig mit jedem anderen Teilchen interagiert, nicht nur mit seinen Nachbarn. Dies erzeugt ein Niveau an Komplexität, das dem Versuch gleicht, einen Knoten zu entwirren, bei dem jeder Strang mit jedem anderen verbunden ist.

Dieses Paper untersucht, ob wir einen neuen Typ von Quantencomputer-Algorithmus namens TETRIS-ADAPT-VQE nutzen können, um diese chaotischen Mengen effizient zu organisieren. Denken Sie bei diesem Algorithmus an einen smarten, adaptiven Baumeister, der einen spezifischen „Schaltkreis“ (einen Satz von Anweisungen) konstruiert, um die Teilchen in ihren ruhigsten Zustand zu führen. Die Forscher testeten dies an drei verschiedenen Arten von chaotischen Mengen:

1. Das Quanten-SK-Modell: Eine Menge, in der jeder zufällig mit jedem interagiert.
2. Das dichte SYK-Modell: Eine Menge, in der jeder mit jedem interagiert, aber die Regeln etwas anders sind (unter Einbeziehung spezifischer Arten von Teilchen, den sogenannten Majorana-Fermionen).
3. Das dünnbesetzte (Sparse) SYK-Modell: Eine „ausgedünnte“ Version des dichten SYK-Modells, bei der viele der Interaktionen entfernt wurden, um zu sehen, ob es einfacher zu handhaben ist.

Die Ergebnisse: Ein Märchen von zwei Menschenmengen

Die Forscher fanden heraus, dass die Schwierigkeit, diese Mengen zu organisieren, vollständig davon abhängt, mit welcher Art von Menge man es zu tun hat.

1. Das SK-Modell: Die handhabbare Menge
Für das Quanten-SK-Modell arbeitete der Algorithmus wunderbar. Es war, als würde man ein Haus mit einem Standard-Set an Ziegeln bauen. Wenn die Menge größer wurde (bis zu 18 Personen), wuchs die Anzahl der benötigten Anweisungen, um sie zu organisieren, auf eine vorhersehbare, handhabbare Weise (polynomielles Wachstum). Der Algorithmus fand die perfekte Ruheposition mit nahezu perfekter Genauigkeit (über 99,99 % korrekt).

• Das Fazit: Für diese spezifische Art von zufälliger Interaktion sehen Quantencomputer sehr vielversprechend aus, um das Problem effizient zu lösen.

2. Die SYK-Modelle: Der unmögliche Knoten
Für sowohl das „dichte“ als auch das „dünnbesetzte“ SYK-Modell war die Geschichte eine ganz andere. Obwohl das „dünnbesetzte“ Modell weniger Interaktionen hatte (so als würde man einige der verhedderten Fäden entfernen), hatte der Algorithmus immer noch massiv zu kämpfen.

• Das Problem: Als die Menge wuchs (bis zu 20 Teilchen), explodierte die Anzahl der Instruktionen, die nötig waren, um sie zu organisieren, exponentiell. Es ist, als ob das Hinzufügen einer einzigen weiteren Person in den Raum die gesamte Baucrew und die Menge der Baumaterialien verdoppeln würde.
• Die Überraschung: Die Forscher hatten erwartet, dass das „Dünnbesetzen“ (das Entfernen von Interaktionen) das Modell einfacher machen würde. Sie entdeckten jedoch, dass die Verschränkung (die unsichtbaren, komplexen Verbindungen zwischen den Teilchen) genauso chaotisch und „volumenlastig“ blieb wie in der dichten Version. Die Teilchen waren immer noch so tief miteinander verknüpft, dass das Entfernen einiger Regeln das gesamte Rätsel nicht vereinfachte.
• **Das Faz: Selbst mit einem leistungsstarken Quantenalgorithmus ist die Vorbereitung des Grundzustands für diese spezifischen SYK-Modelle derzeit zu schwer. Die Komplexität wächst zu schnell, als dass der Computer sie bewältigen könnte, wenn das System größer wird.

Warum ist das wichtig?

Das Paper kommt zu dem Schluss, dass Quantencomputer zwar großartig darin sein könnten, die „SK“-Art von Zufallsproblemen zu lösen, aber bei der „SYK“-Art an eine Wand stoßen. Das „dünnbesetzte“ SYK-Modell, von dem man hoffte, dass es eine einfachere Version sei, erwies sich als ebenso schwierig, da die fundamentale Natur der Verbindungen der Teilchen (ihre Verschränkung) sich nicht änderte, nur weil es weniger Regeln gab.

Kurz gesagt: Die Forscher haben einen sehr smarten „Organisator“ (den Algorithmus) gebaut. Er funktionierte perfekt für eine Art von chaotischem Raum, scheiterte aber bei den anderen beiden, was beweist, dass manche Quantenprobleme von Natur aus viel schwieriger zu lösen sind als andere – ungeachtet dessen, wie viele Verbindungen man versucht zu entfernen.

Technische Zusammenfassung

Technische Zusammenfassung: Präparation des Grundzustands von zufälligen All-to-All-Hamiltonianen mittels ADAPT-VQE

Problemstellung
Die Arbeit adressiert die Herausforderung, Grundzustände für Zufallshamiltonianen mit All-to-All-Wechselwirkungen zu präparieren, spezifisch das Quanten-Sherrington-Kirkpatrick (SK)-Modell und das Sachdev-Ye-Kitaev (SYK)-Modell (sowohl in dichten als auch in spärlichen Varianten). Diese Systeme sind durch eine Volume-Law-Verschränkung in ihren Grundzuständen charakterisiert, was sie für die Simulation mittels klassischer Tensornetzwerk-Methoden schwierig macht. Während Neural Quantum States (NQS) die klassischen Approximationen verbessert haben, haben sie Schwierigkeiten, das korrekte Verhalten aller Volume-Law-Zustände zu reproduzieren, insbesondere für das SYK-Modell. Infolgedessen untersuchen die Autoren, ob variationale Quantenalgorithmen einen Quantenvorteil bei der Simulation dieser spezifischen ungeordneten Systeme bieten können – eine Frage, die trotz theoretischer Argumente, wonach ausreichend spärliche Zufallshamiltonianen „einfach“ zu präparieren sein könnten, weiterhin offen ist.

Methodik
Die Autoren verwenden den TETRIS-ADAPT-VQE-Algorithmus (Adaptive Derivative Assembled Problem-Tailored Variational Quantum Eigensolver). Dieser Ansatz konstruiert kompakte, hardwarefreundliche Quantenschaltkreise, indem er iterativ Operatoren aus einem vordefinierten Pool basierend auf Gradienteninformationen auswählt, wodurch die Optimierungsprobleme assoziierter fixer Ansätze vermieden werden.

Zentrale methodische Komponenten sind:

• Operator-Pools: Um die Symmetrien der Hamiltonianen zu respektieren und eine effiziente Konvergenz zu gewährleisten, konstruieren die Autoren symmetrie-informierte Pauli-Operator-Pools.
  • Für das SK-Modell umfasst der Pool Operatoren $Z_i Y_j$ und $Y_i Z_j$ ($i < j$), die aus Zeitumkehr- und Paritätssymmetrien abgeleitet sind.
  • Für die SYK-Modelle (dicht und spärlich) umfasst der Pool $Z_i$, $X_i Y_j$, $Y_i X_j$ und $Z_i Z_j$ ($i < j$), welche die $Z_2$-Paritätssymmetrie respektieren.
• Referenzzustände: Die Simulationen nutzen eine Gleichverteilung der Superposition von Néel-Zuständen (für SK) oder spezifische Néel-Zustände im korrekten $Z_2$-Paritätensektor (für SYK) als initialen Referenzzustand.
• Simulationsumfang: Die Studie führt rauschfreie klassische Simulationen durch, um die Skalierung zu bewerten.
  • SK-Modell: Bis zu $L = 18$ Standorte (Qubits).
  • SYK-Modelle: Bis zu $N = 20$ Majorana-Fermionen (entspricht $n = 10$ Qubits). Das spärliche SYK-Modell verwendet einen Spärlichkeitsparameter $k_s = 9$.

Wichtigste Ergebnisse
Die Leistung des Algorithmus variiert signifikant zwischen dem SK- und dem SYK-Modell:

1. Quanten-SK-Modell:

   • Der Algorithmus konstruiert erfolgreich akkurate Grundzustände für bis zu $L=18$ Qubits.
   • Fidelität: Erreicht Fidelitäten $\geq 99,9998\%$ über alle getesteten Instanzen hinweg.
   • Skalierung: Die Präparation ist effizient, wobei die Zwei-Qubit-Gattertiefe (CNOT-Anzahl) und die Anzahl der variablen Parameter polynomial mit der Systemgröße skalieren.
   • Phasenabhängigkeit: Der Algorithmus benötigt weniger Iterationen und Parameter für $\Gamma = 3$ (paramagnetische Phase) im Vergleich zu $\Gamma = 1$ (nahe der Spin-Glas-Phasentransition bei $\Gamma = 1,5$), was die sich ändernde Komplexität des Grundzustands widerspiegelt.

2. Dichte und spärliche SYK-Modelle:

   • Der Algorithmus erreicht hohe Fidelitäten ($\geq 99,3\%$) für bis zu $N=20$ Majorana-Fermionen.
   • Skalierung: Im Gegensatz zum SK-Modell skalieren die Zwei-Qubit-Gattertiefe und die Anzahl der Parameter für sowohl dichte als auch spärliche Varianten exponentiell (oder als hochgradiges Polynom) mit der Systemgröße.
   • Auswirkung der Spärlichkeit: Während die Spärlichmachung (Reduktion der Hamiltonian-Terme von $O(N^4)$ auf $O(N)$) die Messkosten für das klassische Post-Processing signifikant senkt, reduziert sie nicht die variationale Komplexität, die zur Präparation des Grundzustands erforderlich ist.
   • Verschränkungsanalyse: Sowohl die dichten als auch die spärlichen ($k_s=9$) SYK-Grundzustände weisen eine Volume-Law-Verschränkungsentropie ($S_{EE} \propto N$) mit nahezu identischen Koeffizienten auf. Dies deutet darauf hin, dass die Schwierigkeit der Präparation durch die Verschränkungsstruktur des Zustands und nicht durch die Anzahl der Hamiltonian-Terme getrieben wird.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass TETRIS-ADAPT-VQE zwar eine effiziente Methode zur Präparation der Grundzustände des Quanten-SK-Modells ist (was darauf hindeutet, dass es eine geeignete Aufgabe für Near-Term-Quantencomputer ist), aber nicht effizient für die betrachteten dichten oder moderat spärlichen SYK-Modelle ist.

• Inhärente Schwierigkeit: Die Autoren kommen zu dem Schluss, dass die beobachtete exponentielle Skalierung für SYK-Modelle wahrscheinlich inhärent für das Problem ist (aufgrund der Volume-Law-Verschränkung) und kein Artefakt der Hyperparameter-Wahl, was durch Variation der Referenzzustände und Operator-Pools getestet wurde.
• Grenzen der Spärlichmachung: Die Arbeit zeigt, dass Spärlichmachung für $k_s = 1$ das Problem der Grundzustandspräparation im quantentechnischen Sinne nicht „einfach“ macht, wodurch diese Modelle von den in der theoretischen Literatur diskutierten „ausreichend spärlichen“ Hamiltoniana ($d=O(1)$) unterschieden werden, deren Präparation als einfach gilt.
• Offene Fragen: Die Autoren merken an, dass es eine offene Frage bleibt, ob die Grundzustandspräparation für diese Modelle in weniger spärlichen Regimen ($k_s \gg 1$) auf Quantencomputern effizient sein kann oder ob alternative Algorithmen (z. B. AVQITE) andere Ergebnisse liefern könnten. Sie stellten zudem fest, dass die Transferierbarkeit des Ansatzes über verschiedene Disorder-Instanzen hinweg bei diesen Systemen in der Praxis nicht funktioniert.

Zusammenfassend liefert die Arbeit einen rigorosen numerischen Benchmark, der zeigt, dass variationale Quantenalgorithmen zwar bestimmte All-to-All-Spin-Modelle effizient handhaben können, aber derzeit signifikante Skalierungshürden für Fermionen-Modelle mit Volume-Law-Verschränkung wie das SYK-Modell aufweisen, selbst wenn der Hamiltonian gesparsifiziert wurde.