CANOE: Classically Assisted Non-Orthogonal Eigensolver

Resumen Técnico: CANOE

1. El Problema

En la era temprana de la computación cuántica tolerante a fallos, los recursos cuánticos (número de qubits, profundidad de circuitos, fidelidad de puertas) son limitados. Los algoritmos puramente cuánticos, como la Estimación de Fase Cuántica (QPE), requieren recursos prohibitivos, mientras que los métodos variacionales híbridos existentes (como VQE) a menudo sufren de problemas de optimización, ruido y una capacidad limitada para representar estados correlacionados complejos.

El desafío principal es encontrar una estrategia que combine la potencia expresiva de los estados cuánticos (capaces de capturar correlaciones difíciles de simular clásicamente) con la escalabilidad y el bajo costo de los recursos clásicos. Además, los métodos de subespacio no ortogonales (como NOQE o QSE) enfrentan dificultades numéricas cuando se combinan muchos estados, generando matrices de superposición mal condicionadas (dependencia lineal) y un alto costo de muestreo para estimar las superposiciones entre estados cuánticos y clásicos.

2. Metodología: El Marco CANOE

CANOE introduce un marco híbrido que distribuye la construcción de la base de estados entre hardware cuántico y clásico. En lugar de generar todo el subespacio en el procesador cuántico o solo mediante determinantes seleccionados clásicamente, CANOE construye un subespacio híbrido no ortogonal:

• Base Híbrida:

  • Componente Cuántico ($N_q$): Un conjunto pequeño de estados preparados en el procesador cuántico (típicamente estados de Krylov generados por evolución temporal del estado de Hartree-Fock). Estos aportan la "expresividad" para capturar correlaciones fuertes.
  • Componente Clásico ($N_c$): Un conjunto masivo de determinantes clásicos (típicamente $10^4$ a $10^6$) seleccionados mediante métodos como SHCI (Selected Heat-Bath Configuration Interaction). Estos expanden el espacio de búsqueda a un costo computacional despreciable.
  • Formulación: El estado total se expresa como una combinación lineal de ambos conjuntos: $|\psi\rangle = \sum c_i^c |\phi_i^c\rangle + \sum c_j^q |\phi_j^q\rangle$.

• Estimación de Superposición (Overlap):
  El cuello de botella es calcular los elementos de la matriz de superposición $S_{ij} = \langle \phi_i | \phi_j \rangle$, específicamente los bloques cruzados entre estados cuánticos y clásicos ($\langle \phi^c | \phi^q \rangle$).

  • Solución Propuesta: Se introduce un protocolo de estimación basada en histogramas. En lugar de usar tomografía de estado completa (costosa) o sombras clásicas locales (que escalan exponencialmente con el número de qubits para ciertos operadores), el método agrupa los determinantes clásicos en lotes (batches) y crea estados de interferencia.
  • Se miden histogramas en la base computacional (Z) para estimar directamente los coeficientes de superposición complejos con un costo de muestreo que escala linealmente con el tamaño del sistema (en lugar de exponencialmente).

• Estabilización Numérica (Schur Complement):
  La combinación de muchos estados genera dependencia lineal, haciendo que la matriz de superposición $S$ sea casi singular (mal condicionada), lo que inestabiliza la resolución del problema de autovalores generalizado $H\mathbf{c} = \lambda S\mathbf{c}$.

  • Solución Propuesta: Se utiliza una formulación basada en el complemento de Schur. En lugar de invertir directamente la matriz $S$ completa, se diagonaliza el bloque cuántico del complemento de Schur ($S_{schur} = M - U^\dagger U$).
  • Se aplican estrategias de deflación (eliminar direcciones cuasi-dependientes) o pseudo-inversa para estabilizar el solver (LOBPCG), preservando la información física mientras se mitiga el ruido numérico.

3. Contribuciones Clave

1. Arquitectura Híbrida de Base: Propone un nuevo nivel de hibridación donde la base misma es una mezcla de estados cuánticos expresivos y una gran cantidad de estados clásicos baratos, optimizando el uso de recursos cuánticos escasos.
2. Protocolo de Muestreo Eficiente: Desarrolla un método de estimación de superposición basado en histogramas que evita la tomografía completa y supera las limitaciones de escalabilidad de las sombras clásicas para proyecciones en la base Z.
3. Estabilización de Autovalores: Introduce un procedimiento robusto basado en el complemento de Schur para manejar la inestabilidad numérica inherente a los subespacios no ortogonales grandes y ruidosos.
4. Validación a Escala: Demuestra la viabilidad del método mediante simulaciones numéricas en un sistema de 76 qubits (átomo de cromo con 14 electrones y 38 orbitales espaciales), un tamaño que excede las capacidades de simulación clásica directa para la dinámica completa.

4. Resultados Principales

• Precisión Química: En sistemas de referencia (como $H_4$, $H_2O$, $NH_3$), CANOE alcanza la precisión química ($1.5936 \times 10^{-3}$ Hartree) con un costo de muestreo moderado.
• Complementariedad: Las simulaciones muestran que los estados cuánticos aportan una mejora marginal significativa en la energía del estado fundamental. Añadir un solo estado cuántico puede reemplazar miles de determinantes clásicos necesarios para alcanzar la misma precisión.
• Eficiencia de Muestreo: El método basado en histogramas requiere un número de disparos (shots) significativamente menor que las sombras clásicas para sistemas grandes, evitando el factor exponencial en el número de qubits.
• Estabilidad: El uso del complemento de Schur permite resolver el problema de autovalores incluso cuando la matriz de superposición está mal condicionada debido al ruido de muestreo o la redundancia de la base.
• Escalabilidad: Para sistemas más grandes (como $COCl_2$), el método muestra que, aunque el ruido de muestreo y la resolución numérica son desafíos, el marco es prometedor. Las extrapolaciones sugieren que para un sistema de 100 qubits, el costo de muestreo total estaría en el orden de $10^{10}$ disparos, lo cual es competitivo frente a otros métodos variacionales.

5. Significado e Impacto

CANOE representa un avance práctico hacia la ventaja cuántica en la era de dispositivos con recursos limitados (early fault-tolerant).

• Optimización de Recursos: Permite utilizar procesadores cuánticos pequeños para generar la "esencia" difícil de simular, mientras que los superordenadores clásicos manejan la expansión del espacio de búsqueda.
• Viabilidad Práctica: Al abordar tanto el costo de medición (muestreo) como la estabilidad numérica, CANOE ofrece un marco realista para simulaciones de química cuántica en hardware futuro cercano.
• Puente entre Métodos: Sitúa a CANOE en un régimen intermedio entre los métodos variacionales pesados en medición (como VQE) y los enfoques de estimación de fase totalmente coherentes (QPE), ofreciendo una ruta potencial para resolver problemas de química de metales de transición fuertemente correlacionados que son actualmente intratables.

En resumen, CANOE demuestra que la combinación inteligente de recursos clásicos masivos con capacidades cuánticas limitadas, junto con protocolos de medición y estabilización avanzados, puede superar las barreras actuales para alcanzar la precisión química en sistemas complejos.