Linear combination of unitaries with exponential convergence

Resumen Técnico: Combinación Lineal de Unitarias con Convergencia Exponencial

Planteamiento del Problema
La Combinación Lineal de Unitarias (LCU, por sus siglas en inglés) es un primitivo fundamental en la computación cuántica utilizado para construir codificaciones de bloques unitarios para operadores no unitarios, permitiendo aplicaciones tales como la resolución de sistemas lineales, la simulación de la dinámica cuántica abierta y la Transformación de Valores Singulares Cuánticos (QSVT). Sin embargo, los métodos de descomposición general existentes enfrentan un cuello de botella significativo de escalabilidad. El enfoque predominante aproxima los operadores no unitarios mediante expansiones de Taylor de bajo orden (por ejemplo, diferencias finitas), lo que requiere que el factor de subnormalización $\alpha$ (el factor de escala requerido para embeber el operador no unitario en una unitaria) crezca polinómicamente con el inverso del error objetivo ($\alpha = \text{poly}(1/\epsilon)$). Esta relación penaliza la probabilidad de éxito de la post-selección o requiere una amplificación de amplitud costosa, lo que hace que la LCU general sea poco práctica para aplicaciones de alta precisión o con presupuestos de error fijos. Aunque existen construcciones exactas para operadores dispersos o estructurados, las técnicas generales eficientes para operadores no unitarios arbitrarios siguen siendo limitadas.

Metodología
Los autores proponen un método de descomposición general basado en el método de extensión de Fourier. En lugar de depender de expansiones de Taylor locales, el método aproxima la aplicación identidad $f(\tau) = \tau$ en un subintervalo $[-\pi/\eta, \pi/\eta]$ de un dominio periódico más amplio $[-\pi, \pi]$ utilizando una extensión periódica suave.

1. Serie de Senos de Fourier: La función $f(\tau) = \tau$ se aproxima mediante una serie de senos $\sum a_k \sin(k\tau)$ con coeficientes $a_k$ derivados mediante optimización de mínimos cuadrados continuos. Al elegir un factor de extensión del dominio $\eta > 1$, la función se vuelve suave y periódica en el dominio extendido, lo que permite una convergencia exponencial de los coeficientes $a_k$ a medida que aumenta el número de términos $m$.
2. Descomposición de Operadores: La serie de senos se aplica a entradas matriciales. Utilizando la identidad $\sin(k\tau H) = (e^{ik\tau H} - e^{-ik\tau H}) / 2i$, el método expresa un operador hermítico $H$ como una combinación lineal de unitarias. Para un operador no unitario general $A$, los autores lo descomponen en componentes hermíticos ($H_1$) y anti-hermíticos ($iH_2$). La aproximación final involucra $4m$ operadores unitarios:
   $$A \approx \sum_{k=1}^m \frac{a_k}{2\tau} \left( i e^{-ik\tau H_1} - e^{-ik\tau H_2} - i e^{ik\tau H_1} + e^{ik\tau H_2} \right)$$
3. Optimización de Coeficientes: El artículo introduce dos estrategias para seleccionar los coeficientes:
   • Mínimos Cuadrados (LS): Minimiza el error de aproximación $\epsilon$, produciendo convergencia exponencial.
   • Ajuste Regularizado: Explota la sobrecompletitud de la base de extensión de Fourier (donde $\eta > 1$) para minimizar la subnormalización $\alpha$ (la norma $L_1$ de los coeficientes) para un presupuesto de error fijo. Esto traza un frente de Pareto entre el error y la subnormalización, permitiendo la selección de coeficientes que reducen $\alpha$ sin sacrificar la fidelidad.

Contribuciones Clave

• Convergencia Exponencial con Subnormalización Doblemente Logarítmica: La principal contribución teórica es una descomposición donde el error de aproximación decae exponencialmente con el número de unitarias $m$ ($m = O(\log(1/\epsilon))$), mientras que la subnormalización $\alpha$ escala solo como $O(\log \log(1/\epsilon))$. Esto representa una mejora dramática respecto al escalamiento polinómico ($\alpha = \text{poly}(1/\epsilon)$) de los métodos de diferencias finitas existentes.
• Estrategia de Regularización: Los autores demuestran que, al tratar la base de extensión de Fourier como sobrecompleta, se puede resolver un problema de optimización regularizada para encontrar vectores de coeficientes que reducen significativamente $\alpha$. Esto permite codificaciones de bloque de alta fidelidad con una subnormalización menor que los enfoques estándar de mínimos cuadrados.
• Implementación de Circuitos: El artículo detalla una implementación de circuito cuántico utilizando $O(\log m)$ qubits ancila para controlar los $4m$ términos unitarios, logrando una codificación de bloque $(\alpha, n_a, \epsilon)$.

Resultados
Las simulaciones numéricas utilizando representaciones de estado vectorial de un sistema cuántico abierto markoviano (un qubit impulsado con desfase puro) validan las afirmaciones teóricas:

• Convergencia: El error en la codificación de bloque exhibe convergencia exponencial con respecto a $m$, alcanzando la precisión de punto flotante de doble precisión ($\epsilon \approx 10^{-12}$) con $m=16$.
• Subnormalización: Para los coeficientes de mínimos cuadrados, $\alpha$ crece lentamente ($\approx 5$) a medida que $m$ aumenta. Sin embargo, para los coeficientes regularizados, $\alpha$ disminuye a medida que $m$ aumenta, alcanzando valores tan bajos como $\approx 2$ para $m=32$ y $m=64$.
• Eficiencia de Costo: La métrica de "costo" $\alpha m$ (que representa la sobrecarga de recursos) muestra que los coeficientes regularizados pueden alcanzar errores objetivo con una subnormalización significativamente menor que los coeficientes de mínimos cuadrados, reduciendo la dependencia de la amplificación de amplitud. Por ejemplo, en $m=16$, los coeficientes regularizados ofrecen una precisión comparable a $m=8$ términos de mínimos cuadrados pero con una reducción de 1.74 veces en los requisitos de amplificación.

Significancia y Reivindicaciones
El artículo afirma que la LCU de Fourier proporciona un marco versátil y preciso para la computación cuántica no unitaria que no está restringida por patrones de simetría estructural o de dispersión específicos. Al desacoplar la caída del error de la subnormalización, el método ofrece una "estrategia de aproximación global" que es superior a las expansiones de Taylor locales.

Los autores enfatizan que, si bien la ventaja algorítmica asintótica (convergencia exponencial) es teóricamente robusta, la utilidad práctica reside en la capacidad de construir codificaciones de bloque de alta calidad con una subnormalización manejable. Esto es crítico para el hardware con presupuestos de error fijos o niveles de ruido, donde una subnormalización excesiva hace que la señal sea indistinguible del ruido. El método sirve como un punto de acceso robusto para QSVT y otros algoritmos que requieren mapas no unitarios. Los autores señalan que la ventaja de extremo a extremo depende de la capacidad de implementar las simulaciones de Hamiltoniano controladas subyacentes ($e^{\pm ik\tau H}$) a profundidades de circuito aceptables, un desafío específico del problema que sigue siendo el siguiente paso lógico para su despliegue.