Active Sampling Sample-based Quantum Diagonalization from Finite-Shot Measurements

A continuación presento un resumen técnico detallado del artículo "Active Sampling Sample-based Quantum Diagonalization from Finite-Shot Measurements" (Diagonalización Cuántica Basada en Muestras con Muestreo Activo desde Mediciones de Disparos Limitados), escrito por Rinka Miura.

1. Planteamiento del Problema

El trabajo aborda las limitaciones críticas de los dispositivos cuánticos de escala intermedia ruidosa (NISQ) para la estimación de energías de estado fundamental:

• Mediciones de disparos limitados (Finite-shot): Los dispositivos actuales no proporcionan el vector de estado completo, sino solo una muestra finita de cadenas de bits (bitstrings) en la base computacional.
• Estados imperfectos: Los estados preparados a menudo están contaminados por componentes de estados excitados y sufren errores de preparación y medición (SPAM).
• Falta de acceso completo al Hamiltoniano: No es posible realizar una tomografía de estado completa ni medir exhaustivamente todas las entradas de la matriz del Hamiltoniano debido a la complejidad exponencial.

El problema central es: Dado un subespacio inicial derivado de muestras limitadas y ruidosas, ¿cómo seleccionar de manera eficiente qué estados base adicionales agregar para reconstruir con precisión la energía del estado fundamental sin gastar recursos computacionales en direcciones irrelevantes?

Los métodos existentes, como la Diagonalización Cuántica Basada en Muestras (SQD) estándar, sufren de sesgo severo cuando las muestras omiten estados importantes. Por otro lado, la expansión ciega del subespacio (exploración aleatoria de estados conectados) es ineficiente y se vuelve inestable a medida que crece el tamaño del sistema.

2. Metodología: AS-SQD

Los autores proponen AS-SQD (Active Sampling Sample-based Quantum Diagonalization), un enfoque que reformula la expansión del subespacio como un problema de aprendizaje activo guiado por la teoría de perturbaciones.

Algoritmo Principal

El método funciona iterativamente:

1. Inicialización: Se construye un subespacio inicial $S$ con las $K$ cadenas de bits más frecuentes obtenidas de las mediciones cuánticas.
2. Diagonalización Restringida: Se resuelve el problema de autovalores para el Hamiltoniano restringido a $S$, obteniendo una aproximación del estado fundamental $|\psi_S\rangle$ y su energía $E_S$.
3. Generación de Candidatos: Se identifican estados base conectados a $S$ por el Hamiltoniano (vecinos de 1-hop).
4. Función de Adquisición (Scoring): Se evalúan los candidatos utilizando una función basada en la teoría de perturbaciones de Epstein-Nesbet (EN) de segundo orden. La puntuación para un estado candidato $|k\rangle$ es:
   $$a(k) = \frac{|\langle k|H|\psi_S\rangle|^2}{|E_S - H_{kk}|}$$
   Donde:
   • El numerador representa la fuerza de acoplamiento entre el estado actual y el candidato.
   • El denominador representa la proximidad energética (diferencia entre la energía actual y la energía diagonal del candidato).
5. Selección Activa: Se agregan los $B$ candidatos con las puntuaciones más altas al subespacio $S$ y se repite el proceso.

Ventajas Computacionales

• Eficiencia: La puntuación se calcula utilizando solo la descomposición de Pauli del Hamiltoniano y el vector de coeficientes actual, evitando la construcción de la matriz completa $2^n \times 2^n$.
• Robustez: La función de adquisición naturalmente penaliza estados con acoplamientos débiles o energías diagonales muy altas, lo que ayuda a filtrar el ruido de los errores SPAM.

3. Contribuciones Clave

1. Reformulación como Aprendizaje Activo: Transforma la selección de bases en un proceso secuencial de toma de decisiones optimizado para maximizar la mejora de la energía por cada estado agregado.
2. Función de Adquisición Física: Introduce un criterio de puntuación derivado de la teoría de perturbaciones (Epstein-Nesbet) que equilibra el acoplamiento cuántico y la proximidad energética, superando a estrategias puramente aleatorias o basadas en heurísticas simples.
3. Robustez ante Ruido Real: Demuestra que el método puede filtrar intrínsecamente el ruido de hardware sin necesidad de técnicas de mitigación de errores clásicas externas (como extrapolación de ruido cero).
4. Validación en Hardware Real: Es uno de los primeros trabajos que valida un algoritmo de diagonalización de subespacio utilizando datos crudos directamente de un procesador cuántico de IBM (ibmq_pittsburgh).

4. Resultados Experimentales

El método se evaluó en cadenas de espín desordenadas (Heisenberg y TFIM) de hasta 16 qubits, tanto en simulaciones como en hardware real.

• Simulaciones (Contaminación de Estados):
  • En sistemas pequeños ($n=8$), tanto la expansión aleatoria como AS-SQD funcionan bien.
  • A medida que aumenta el tamaño ($n \ge 10$), la SQD estándar y la expansión aleatoria fallan rápidamente debido a la ineficiencia muestral.
  • AS-SQD mantiene errores absolutos medianos extremadamente bajos incluso en $n=16$ (dimensión de Hilbert de 65,536), superando significativamente a los métodos de referencia.
• Hardware Real (IBM Quantum):
  • Al utilizar muestras reales con errores de puerta y SPAM, AS-SQD logró recuperar el estado fundamental exacto en sistemas de 8 qubits (error $\sim 10^{-14}$).
  • El método demostró una capacidad notable para "filtrar" estados base irrelevantes introducidos por el ruido del hardware, asignándoles puntuaciones de adquisición cercanas a cero.
• Estudios de Ablación:
  • Se demostró que el término de acoplamiento $|\langle k|H|\psi_S\rangle|^2$ es el factor dominante para la navegación eficiente en el grafo de bases.
  • La restricción a vecinos de "1-hop" (conexión directa) actuó como un sesgo inductivo beneficioso; expandir la búsqueda a 2-hops ralentizó la convergencia.

5. Significado e Impacto

El trabajo de Miura establece un nuevo paradigma para la química cuántica y la física de la materia condensada en la era NISQ:

• Eficiencia Muestral: Permite extraer propiedades físicas fiables de cantidades muy limitadas de datos cuánticos, un recurso escaso en los dispositivos actuales.
• Escalabilidad: Al mantener el tamaño del subespacio clásico pequeño y desacoplado de la dimensión exponencial del espacio de Hilbert, el método es altamente escalable.
• Principio General de IA Cuántica: Ilustra cómo el uso de funciones de adquisición derivadas de la física (en lugar de puramente estadísticas o aleatorias) es crucial para tomar decisiones óptimas sobre qué información incorporar a un modelo cuántico bajo restricciones estrictas de muestreo.

En conclusión, AS-SQD ofrece una solución práctica y robusta para el problema de la estimación de energías de estado fundamental en presencia de ruido y limitaciones de disparos, superando las barreras de los métodos de diagonalización de subespacio tradicionales mediante una selección de bases guiada por la física.