Symmetry-guided quantum state preparation: Branched-Subspaces Adiabatic Preparation (B-SAP)

Resumen Técnico: Preparación Adiabática de Subespacios Ramificados (B-SAP)

Planteamiento del Problema
La preparación de estados cuánticos es una tarea fundamental para la simulación de sistemas complejos de muchos cuerpos en física, química y ciencia de datos. Los enfoques actuales enfrentan compromisos significativos. Los Algoritmos Cuánticos Variacionales (VQA) dependen de ansatzes parametrizados y optimización clásica, lo que a menudo sufre de "mesetas estériles" (barren plateaus — gradientes que se desvanecen exponencialmente), una escalabilidad deficiente debido a la necesidad de espacios de parámetros exponencialmente grandes, y problemas de convergencia relacionados con mínimos locales. Por el contrario, la Preparación Adiabática (AP) evoluciona un estado inicial bajo un Hamiltoniano dependiente del tiempo para alcanzar un estado objetivo. Aunque son conceptualmente distintos, la AP es altamente sensible a las brechas espectrales de energía; si los niveles de energía se cruzan o las brechas se cierran exponencialmente con el tamaño del sistema, el teorema adiabático falla al garantizar la preparación de un estado propio específico, resultando a menudo en una superposición desconocida de estados degenerados. Estas limitaciones dificultan la preparación simultánea de estados fundamentales y excitados, lo cual es crucial para comprender los espectros ópticos, los procesos de transferencia de carga y los intermediarios de reacción.

Metodología: Preparación Adiabática de Subespacios Ramificados (B-SAP)
Los autores proponen B-SAP, un algoritmo híbrido que integra las fortalezas estructurales de los VQA y la AP, mitigando sus respectivas debilidades mediante estructuras de teoría de grupos y post-procesamiento clásico.

1. Inicialización Guiada por Simetría: A diferencia de la AP convencional, que típicamente selecciona un Hamiltoniano inicial ($H_0$) con un grupo de simetría mínimo para evitar la degeneración, B-SAP selecciona un $H_0$ cuyo grupo de simetría contiene al grupo de simetría del Hamiltoniano objetivo ($H_T$) como un subgrupo. En consecuencia, el espectro de energía inicial exhibe una alta degeneración.
2. Exploración de Subespacios mediante Puertas Parametrizadas: El algoritmo identifica un espacio propio degenerado $S(B_n)$ de $H_0$ correspondiente a un nivel de energía $E_n$. En lugar de usar un ansatz genérico, B-SAP construye un conjunto específico de puertas unitarias parametrizadas $\{G_j(\alpha_j)\}$ que actúan como endomorfismos en este subespacio. Estas puertas se derivan de los generadores del grupo unitario $U(d_n)$ (donde $d_n$ es la dimensión del subespacio), reducidos al espacio cociente $U(d_n)/U(d_{n-1})$ para asegurar que el mapeo sea biyectivo para un estado de referencia fijo.
   • Crucialmente, el número de parámetros entrenables escala como $2d_n - 1$ (o $2(d_n-1)$ si la fase global es irrelevante). Dado que $d_n$ escala polinómicamente con el tamaño del sistema $L$ para los modelos considerados, el conteo de parámetros evita la escala exponencial que conduce a las mesetas estériles.
3. Evolución Adiabática con Ramificación: El sistema experimenta una evolución adiabática desde $H_0$ hacia $H_T$. Debido a que el grupo de simetría de $H(s)$ permanece constante o disminuye (las simetrías se rompen, no se introducen), las representaciones irreducibles (irreps) del grupo de simetría permanecen inalteradas o se dividen (ramifican). Esta estructura de "ramificación" evita la fusión de niveles de energía distintos que causa los cruces de niveles en la AP convencional. El protocolo asegura que la condición de brecha espectral solo se requiera entre espacios propios distintos, en lugar de entre cada estado propio individual, relajando las restricciones para una preparación exitosa.
4. Post-procesamiento Clásico (MC-VQE): Para optimizar los parámetros variacionales sin sufrir cuellos de botella de optimización, los autores emplean el Variational Quantum Eigensolver de Contracción Multiestado (MC-VQE).
   • En lugar de optimizar un solo estado, el algoritmo prepara estados de traslape $|\Psi^p_{ml}\rangle$ (superposiciones de estados base) en el registro cuántico.
   • Mide los elementos de matriz del Hamiltoniano objetivo $H_T$ en la base evolucionada, construyendo una matriz de $d_n \times d_n$ $[H_T]^{(n)}_{ml}$.
   • Esta matriz se diagonaliza clásicamente para obtener los autovalores y los coeficientes de los vectores propios del objetivo.
   • Los parámetros variacionales se ajustan entonces clásicamente para maximizar el traslape entre el estado preparado y el vector objetivo derivado clásicamente. Esto evita la necesidad de un circuito cuántico durante el paso de minimización final y proporciona un mínimo global conocido para la función de pérdida.

Contribuciones Clave

• Marco Híbrido: El artículo introduce un nuevo algoritmo que evita la necesidad de ansatzes heurísticos (comunes en VQA) y los estrictos requisitos de no-cruce de brechas (comunes en AP).
• Construcción Basada en la Teoría de Grupos: Utiliza la teoría de la representación del grupo de simetría del Hamiltoniano para construir un circuito parametrizado que explora eficientemente un subespacio degenerado específico, asegurando que el número de parámetros escale polinómicamente con el tamaño del sistema.
• Robustez ante Cruces de Niveles: Al diseñar la trayectoria adiabática de tal manera que las simetrías se rompen en lugar de introducirse, el método previene la formación de degeneraciones accidentales que suelen afectar la evolución adiabática, permitiendo la preparación de estados excitados.
• Omisión de la Optimización Clásica: La integración de MC-VQE permite la extracción de información de estados excitados mediante la diagonalización clásica de una matriz pequeña, reduciendo la dependencia de ciclos difíciles de optimización cuántica-clásica.

Resultados
Los autores validaron B-SAP utilizando el modelo Heisenberg XYZ unidimensional con condiciones de contorno periódicas en un simulador cuántico (Qiskit) para tamaños de sistema de hasta $L=10$ qubits.

• Precisión: El algoritmo preparó con éxito el estado fundamental y los primeros cuatro estados excitados a través de un amplio rango de constantes de acoplamiento ($J_x, J_y, J_z$).
• Métricas de Error: Para el estado fundamental, el error (infidelidad) fue insignificante en comparación con el traslape de un estado aleatorio ($2^{-L}$) en la mayoría de las regiones de parámetros, incluso con un número mínimo de pasos de Trotter ($L/2$). Para los estados excitados, los errores generalmente se mantuvieron por debajo del 10% y, a menudo, por debajo del nivel de porcentaje.
• Escalabilidad: La profundidad del circuito requerida escala polinómicamente con el tamaño del sistema $L$.
• Comparación: Al compararse con la AP estándar en el mismo modelo y parámetros:
  • La AP estándar funcionó de manera comparable para el estado fundamental, pero falló completamente para el primer estado excitado en la mayoría de las regiones de parámetros debido a los cruces de niveles de energía.
  • B-SAP preparó con éxito los estados excitados donde la AP estándar falló, demostrando su capacidad para navegar los cruces de niveles mediante la ramificación de subespacios degenerados.

Significancia y Reivindicaciones
El artículo afirma que B-SAP ofrece una ruta prometedora para la preparación de estados cuánticos en plataformas de computación cuántica de corto plazo (near-term) al equilibrar precisión, eficiencia de recursos y robustez.

• Aplicabilidad a Corto Plazo: La escala polinómica de la profundidad y los parámetros del circuito hace que el algoritmo sea adecuado para dispositivos con tiempos de coherencia y conectividad limitados.
• Acceso a Estados Excitados: El método aborda una brecha crítica en las capacidades actuales al permitir la preparación confiable de estados excitados de orden superior, los cuales son esenciales para determinar espectros ópticos y reactividad química, pero que son típicamente inaccesibles mediante métodos adiabáticos o variacionales estándar debido a los cruces de niveles y las dificultades de optimización.
• Perspectiva Futura: Los autores sugieren que el enfoque puede extenderse a simulaciones cuánticas de materiales complejos, química cuántica y sistemas de teoría de campos, con trabajos futuros enfocados en la integración de técnicas de mitigación de errores para su despliegue en hardware real. El artículo no pretende resolver el problema general de todos los preparaciones de estados cuánticos, sino que posiciona a B-SAP como una solución específica y efectiva para Hamiltonianos de muchos cuerpos con simetrías conocidas.