Optimizing and Comparing Quantum Resources of Statistical Phase Estimation and Krylov Subspace Diagonalization

Resumen Técnico: Optimización y Comparación de Recursos Cuánticos para la Estimación de Fases Estadística y la Diagonalización en Subespacios de Krylov

1. Planteamiento del Problema

La primera generación de computadoras cuánticas tolerantes a fallos (early fault-tolerant) operará con distancias de código relativamente bajas, lo que limita severamente la profundidad de los circuitos (número de puertas lógicas) que pueden ejecutarse antes de que el ruido residual degrade la información. Además, los tiempos de las puertas lógicas son más lentos que la velocidad de reloj física de los qubits, imponiendo restricciones estrictas sobre el número máximo de repeticiones (muestras o shots) aceptables.

En este contexto, es crucial desarrollar algoritmos que equilibren la profundidad del circuito con el muestreo. Dos métodos prometedores para simular sistemas de muchos cuerpos (como Hamiltonianos moleculares) en esta etapa son:

1. Diagonalización en Subespacio de Krylov Cuántico (QKSD): Construye una aproximación de baja dimensión del Hamiltoniano.
2. Estimación de Fases Estadística (SPE): Reconstruye la distribución espectral acumulada mediante expansiones polinómicas.

El desafío principal es comparar de manera justa y optimizar estos dos métodos, ya que ambos utilizan valores esperados de polinomios de Chebyshev del Hamiltoniano, pero difieren fundamentalmente en cómo extraen la energía del estado fundamental y en sus requisitos de recursos (profundidad de circuito vs. número de muestras).

2. Metodología

Los autores desarrollan un marco unificado para comparar QKSD y SPE, utilizando valores esperados de polinomios de Chebyshev implementados mediante operadores de caminata qubitizada (qubitized walk operators).

• Hamiltonianos y Sistemas: Se estudian cuatro sistemas moleculares representativos con espacios activos grandes (hasta 54 electrones en 36 orbitales):

  • Clusters hierro-azufre: $Fe_2S_2$ y $Fe_4S_4$.
  • Complejo de coordinación: $Co(salophen)$.
  • Sistema orgánico: Naftaleno.
  • Se utilizan Hamiltonianos comprimidos y optimizados mediante Tensor Hypercontraction (THC) y Block-Invariant Symmetry-Shift (BLISS) para reducir las normas del Hamiltoniano ($\lambda$) y los factores de desplazamiento ($\beta$).

• Optimización de SPE (Estimación de Fases Estadística):

  • Se mejora el límite superior del error de truncamiento de la función Heaviside aproximada (usando una función de error escalada).
  • Se demuestra que, en esta formulación, SPE alcanza la escala de Heisenberg: la profundidad del circuito ($K$, grado máximo del polinomio) escala linealmente con la inversa de la precisión ($K \in O(\delta^{-1})$).
  • Se deriva un límite de error más estricto, reduciendo el grado polinómico necesario en un factor de aproximadamente $2/3$ en comparación con trabajos anteriores.

• Optimización de QKSD (Diagonalización en Subespacio de Krylov):

  • Se propone una estrategia óptima de distribución de shots (muestras) basada en la sensibilidad de la energía estimada a cada momento de Chebyshev, calculada mediante diferenciación automática.
  • Se analiza el efecto de la submuestreo (medir solo ciertos grados polinómicos $\Delta k > 1$). Se descubre que, aunque reduce el número de momentos medidos, en presencia de ruido de muestreo, esto aumenta drásticamente el número total de shots necesarios debido a la reducción de los autovalores de la matriz de superposición.
  • Se demuestra que la precisión mejora al aumentar $K$ porque los autovalores dominantes de la matriz de superposición crecen linealmente, separándose del ruido.

• Simulación Clásica:

  • Dado que la simulación exacta de estos sistemas es imposible clásicamente, se utilizan espectros aproximados obtenidos mediante DMRG (Renormalización de Grupo de Matriz de Densidad) y CASCI (Interacción de Configuración de Espacio Activo Completo) como "verdad fundamental" para emular el comportamiento de los algoritmos cuánticos.

3. Contribuciones Clave

1. Marco de Comparación Directa: Se establece un entorno donde ambos métodos utilizan los mismos observables cuánticos (valores esperados de Chebyshev), permitiendo una comparación justa de profundidad de circuito ($K$) y número de muestras ($M$).
2. Mejora de Límites Teóricos en SPE: Se derivan límites de error más ajustados para la aproximación de la función Heaviside, reduciendo la profundidad de circuito requerida para SPE en un factor de $2/3$.
3. Estrategia de Asignación de Muestras en QKSD: Se introduce un método basado en gradientes para distribuir los shots de manera óptima entre los diferentes momentos de Chebyshev, minimizando el error total.
4. Análisis de Escalabilidad: Se cuantifica cómo el ruido de muestreo afecta la viabilidad de la submuestreo en QKSD, demostrando que medir todos los momentos ($\Delta k = 1$) es más eficiente en términos de shots totales que saltar grados polinómicos.
5. Estimación de Recursos para Sistemas Grandes: Se proporcionan estimaciones de recursos para moléculas con espacios activos que bordean la capacidad de los métodos clásicos actuales (DMRG).

4. Resultados Principales

• Comparación de Recursos (Figura 1 del artículo):

  • QKSD: A medida que aumenta el tamaño del subespacio de Krylov ($K$), el número total de shots ($M$) necesarios disminuye drásticamente. Esto se debe a que el "gap" espectral en la matriz de superposición crece, permitiendo distinguir los autovalores físicos del ruido con menos muestras. Para moléculas pequeñas como el naftaleno, QKSD puede lograr la precisión deseada con un $K$ mucho menor que SPE, pero requiere un número de shots comparable o ligeramente superior si $K$ es muy pequeño.
  • SPE: Requiere consistentemente un número de shots bajo ($M \le 10^5$), pero necesita grados polinómicos máximos ($K$) mucho más altos (circuitos más profundos) que QKSD para alcanzar la misma precisión.
  • Conclusión de la comparación: QKSD parece capaz de alcanzar la misma precisión que SPE con un número total de shots similar, pero con un grado polinómico $K$ (y por tanto profundidad de circuito) aproximadamente un orden de magnitud menor. Sin embargo, si se reduce $K$ en QKSD, el número de shots necesarios aumenta abruptamente.

• Precisión Alcanzada:

  • Para los sistemas estudiados, ambos métodos pueden alcanzar una precisión química (error < $10^{-3}$ Hartree) con un presupuesto de recursos factible para computadoras cuánticas de corrección de errores tempranas.
  • Se observa que para QKSD, restringir el problema de autovalores generalizado a los tres vectores propios principales de la matriz de superposición es suficiente para alcanzar la precisión química.

• Impacto de la Submuestreo:

  • En escenarios sin ruido, submuestrear ($\Delta k > 1$) reduce el número de circuitos a ejecutar.
  • Con ruido: Submuestrear reduce la magnitud de los autovalores de la matriz de superposición, lo que exige una precisión estadística mucho mayor (más shots) para resolverlos. Por lo tanto, en la práctica con ruido, $\Delta k = 1$ es la estrategia óptima.

5. Significado e Implicaciones

• Viabilidad en Hardware Temprano: El trabajo sugiere que QKSD es particularmente atractivo para hardware con corrección de errores débil o nula, ya que puede operar con profundidades de circuito moderadas ($K \le 10^4$) mientras mantiene un número de repeticiones manejable ($\sim 10^5$ shots).
• Trade-off Profundidad-Muestreo: Se destaca la compensación crítica entre la profundidad del circuito y el número de repeticiones. Mientras SPE empuja la profundidad para reducir el muestreo, QKSD ofrece un equilibrio donde aumentar la profundidad moderadamente reduce drásticamente la carga de muestreo.
• Ruta Futura: Los autores sugieren que la combinación de estos métodos con técnicas avanzadas de factorización de Hamiltonianos (como DF-THC) podría reducir aún más las normas del Hamiltoniano, disminuyendo tanto $K$ como el conteo de puertas no-Clifford, haciendo que la simulación de moléculas complejas sea más accesible.

En resumen, el artículo proporciona una guía práctica y optimizada para la implementación de algoritmos de estimación de energía en la era de la computación cuántica tolerante a fallos temprana, demostrando que QKSD, con una gestión inteligente de los recursos de muestreo, es una alternativa robusta y eficiente frente a SPE para sistemas moleculares de gran escala.