Quantum State Preparation with the QNN-based SRBB Algorithm

Resumen Técnico: Preparación de Estados Cuánticos con el Algoritmo QNN basado en SRBB

Planteamiento del Problema
La Preparación de Estados Cuánticos (QSP, por sus siglas en inglés) es un subprocedimiento fundamental en numerosos algoritmos cuánticos, incluyendo el Aprendizaje Automático Cuántico (QML), resolvedores de ecuaciones lineales y simulación de Hamiltonianos. El objetivo es construir un operador unitario $U$ tal que $U|0\rangle^{\otimes n} = |\psi\rangle$, donde $|\psi\rangle$ es un estado deseado de $n$ qubits. Aunque existen algoritmos de QSP exactos (por ejemplo, utilizando Rotaciones Controladas Uniformemente), estos suelen sufrir de una profundidad y conteo de puertas exponenciales ($O(2^n)$), lo que los hace inviables para el hardware de la era NISQ (actual/de corto plazo). Además, muchos enfoques existentes dependen de qubits auxiliares (ancillas) para lograr mejores compromisos entre espacio y tiempo, lo que aumenta los requisitos de hardware. El desafío radica en desarrollar un método de QSP aproximado que minimice los recursos (específicamente el conteo de CNOT y la profundidad del circuito) manteniendo una alta precisión, sin depender de qubits auxiliares.

Metodología
Los autores proponen un nuevo algoritmo cuántico variacional estructurado sobre la Base de Bloque Recursiva Estándar (SRBB), una construcción jerárquica para el álgebra de matrices del grupo $SU(2^n)$. La metodología aprovecha las propiedades topológicas y algebraicas de los grupos de Lie para diseñar un Circuito Cuántico Variacional (VQC).

1. Marco Teórico (SRBB y Álgebras de Lie):

   • El algoritmo se fundamenta en la descomposición del grupo unitario $U(2^n)$ en un producto local de $U(1)$ y $SU(2^n)$. La SRBB proporciona una base recursiva para el álgebra de Lie $\mathfrak{su}(2^n)$.
   • Crucialmente, los autores restringen el ansatz variacional a la sub-álgebra diagonal (el factor $Z$) de la SRBB. Mientras que la SRBB completa incluye componentes fuera de la diagonal ($\Psi$ y $\Phi$) necesarios para la síntesis unitaria general, el componente diagonal por sí solo es suficiente para parametrizar matrices unitarias diagonales.
   • Al utilizar la identidad $R_y(\gamma) = SH \cdot R_z(\gamma) \cdot HS^\dagger$, los autores mapean la estructura tradicional de "escalera" de la QSP (compuesta por Puertas Controladas Uniformemente o UCGs) sobre un circuito compuesto enteramente por puertas $S$, $H$ y $R_z$. Esto permite que el factor $Z$ de la SRBB diagonal aproxime los módulos de las amplitudes del estado objetivo, mientras que un bloque separado gestiona las fases.

2. Arquitectura del Algoritmo:

   • El Red Neuronal Cuántica (QNN) propuesta opera en dos etapas de entrenamiento distintas para evitar conflictos de optimización:
     • Aprendizaje del Módulo: La primera parte del circuito aproxima las amplitudes reales (módulos) del estado objetivo utilizando el factor $Z$ de la SRBB diagonal.
     • Aprendizaje de la Fase: La segunda parte aproxima las fases complejas del estado objetivo.
   • La profundidad del circuito se optimiza explotando la estructura recursiva del factor $Z$ de la SRBB, el cual utiliza un patrón de Código Gray para minimizar las puertas CNOT. La profundidad resultante escala como $D(n) \approx 6 \cdot 2^n - n^2/2 + 7n/2 - 3$, lo cual es competitivo con los límites asintóticamente óptimos alcanzados por otros métodos pero sin utilizar qubits auxiliares.

3. Optimización y Funciones de Pérdida:

   • El algoritmo se prueba utilizando dos optimizadores: Adam (usado con funciones de pérdida de Fidelidad y Distancia de Traza) y Nelder-Mead (usado con la Norma de Frobenius).
   • El entrenamiento minimiza la distancia entre el estado producido por el VQC y el estado objetivo (o la matriz unitaria ideal).

Contribuciones Clave
El artículo realiza cuatro contribuciones principales:

1. Nuevo Algoritmo: Propone un caso de uso específico de la jerarquía SRBB para la QSP aproximada, enmarcándolo como un problema variacional.
2. Reducción de Profundidad: Implementa la estructura de escalera tradicional de la QSP utilizando únicamente la sub-álgebra diagonal optimizada para CNOT de la SRBB. Esto reduce la profundidad del circuito y el conteo de CNOT por un factor exponencial en comparación con el uso de la álgebra completa, acercándose a los límites asintóticamente óptimos sin qubits auxiliares.
3. Evaluación Exhaustiva: El rendimiento se evalúa a través de estados aleatorios, estados dispersos (sparse) y distribuciones de probabilidad uniformes para sistemas que van desde 2 hasta 8 qubits en simulación.
4. Validación en Dispositivos Reales: El algoritmo se prueba en hardware cuántico real (IQM Deneb, IQM Garnet, Rigetti Ankaa-3 e IonQ Forte1) para evaluar su desempeño en entornos ruidosos.

Resultados

• Simulación:

  • Para hasta 4 qubits, el algoritmo logra una alta precisión con errores que oscilan entre $10^{-13}$ y $10^{-15}$ utilizando el optimizador Nelder-Mead.
  • El optimizador Adam muestra tiempos de entrenamiento más largos para conteos pequeños de qubits, pero no escala exponencialmente en tiempo, manteniendo una alta precisión para hasta 4 qubits.
  • El rendimiento se degrada a medida que aumenta el número de qubits más allá de 4; para 8 qubits, los errores aumentan a aproximadamente $10^{-3}$.
  • La red reproduce con éxito estados específicos como los estados Bell y GHZ con alta fidelidad en simulación.

• Hardware Real:

  • En dispositivos reales (2–5 qubits), el algoritmo logra buenos resultados para conteos pequeños de qubits, aunque el desempeño varía significativamente según el estado objetivo.
  • Para estados específicos como superposiciones uniformes y estados Bell, la distancia de Hellinger es relativamente baja (p. ej., $\sim 0.01$ a $0.12$ para 2 qubits).
  • Para estados dispersos o distribuciones más complejas, el error aumenta significativamente (p. ej., distancia de Hellinger $\sim 0.74$ para un estado disperso de 4 qubits en IQM Deneb).
  • Aumentar el número de disparos (shots) (de 1024 a 8192) en dispositivos Rigetti no produjo mejoras significativas en el rendimiento, lo que sugiere que el ruido y la profundidad del circuito son los factores limitantes, más que el ruido de disparo (shot noise).

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona un nuevo esquema para la preparación de estados cuánticos aproximados dentro de un marco variacional que vincula explícitamente los parámetros variacionales con la geometría de los grupos unitarios. La principal significancia reside en la capacidad de reducir los recursos del circuito (CNOTs y profundidad) al explotar la sub-álgebra diagonal de la SRBB, adhiriéndose así al "principio de relajación" de minimizar recursos manteniendo la precisión.

El artículo reconoce modestamente las limitaciones actuales:

• Escalabilidad: El algoritmo enfrenta desafíos con el aumento del número de qubits, donde el optimizador tiene dificultades para converger efectivamente, probablemente debido a la complejidad del paisaje paramétrico (posibles Mesetas Estériles o Barren Plateas).
• Ruido del Hardware: En dispositivos reales, el error no es fijo sino que varía significativamente dependiendo del estado objetivo específico, lo que indica sensibilidad al ruido y a la complejidad del estado.
• Trabajo Futuro: Los autores sugieren que la investigación futura debería comparar este marco contra algoritmos de QSP establecidos y técnicas de codificación (como la Codificación de Amplitud), optimizar aún más las puertas de rotación y analizar el paisaje de optimización para mitigar los problemas de convergencia en sistemas más grandes.

El trabajo no pretende resolver el problema de la QSP para sistemas arbitrarios de gran escala de inmediato, sino que demuestra un enfoque viable y eficiente en recursos para conteos de qubits pequeños a moderados que une la teoría del álgebra de Lie con circuitos cuánticos variacionales prácticos.