Overlapped groupings for quantum energy estimation: Maximal variance reduction and deterministic algorithms for reducing variance

Resumen Técnico: Agrupamientos Superpuestos para la Estimación de Energía Cuántica

1. El Problema

En los algoritmos cuánticos de la era NISQ (Noisy Intermediate-Scale Quantum) y más allá, la complejidad de medición es un cuello de botella dominante. Para estimar la energía de un Hamiltoniano $H$ con una precisión $\epsilon$, se requiere un número de disparos (shots) que escala con la varianza del estimador.

• Contexto actual: Las estrategias basadas en agrupamiento (grouping) reducen esta complejidad dividiendo los términos de Pauli del Hamiltoniano en conjuntos disjuntos de operadores que conmutan entre sí, permitiendo medirlos simultáneamente en una base compartida.
• Limitación: Los métodos tradicionales requieren que los grupos sean disjuntos (un término de Pauli pertenece a un solo grupo). Esto desperdicia información potencial, ya que un operador puede conmutar con múltiples grupos distintos.
• La pregunta clave: ¿Pueden los agrupamientos superpuestos (donde un operador aparece en múltiples grupos) reducir la varianza de manera significativa y determinista en comparación con los mejores métodos de agrupamiento disjunto existentes? ¿Cuál es el límite teórico de esta reducción?

2. Metodología

Los autores proponen un marco teórico y algorítmico para explotar la superposición de grupos sin aumentar el número de circuitos cuánticos necesarios.

• Definición de Agrupamiento Superpuesto: Se relaja la restricción de disjunción. Un operador de Pauli puede pertenecer a varios grupos compatibles. Esto aumenta el número efectivo de disparos por término, reduciendo la varianza estadística.
• Algoritmo de "Repacking" (Reempaquetado): Introducen una nueva familia de algoritmos deterministas que transforman un agrupamiento disjunto inicial en uno superpuesto.
  • Post-hoc Repacking: Se realiza después de la recolección de datos. Dado un grupo con una base de medición fija, se identifican todos los operadores de Pauli del Hamiltoniano que son diagonales en esa misma base (aunque no se hayan incluido explícitamente en el grupo original) y se añaden al estimador. No requiere nuevos circuitos.
  • Ad-hoc Repacking: Se realiza antes de la ejecución. Se modifica el agrupamiento inicial insertando operadores adicionales en grupos existentes basándose en una puntuación heurística ($C(P_i) = c_i^2 / \mu_i$, donde $\mu_i$ es el número de grupos actuales del operador). Esto permite cambiar las bases de medición para optimizar la estructura diagonal.
• Asignación de Disparos: Analizan la asignación óptima de disparos para agrupamientos superpuestos, mostrando que, aunque no existe una fórmula cerrada simple como en los casos disjuntos, se puede formular como un problema de optimización suave.
• Suposiciones Teóricas: Gran parte del análisis asume covarianza cero entre operadores medidos simultáneamente (una suposición común en estimadores heurísticos) y varianza independiente del estado.

3. Contribuciones Clave

1. Límite Teórico de Reducción de Varianza (Teorema 1/4):

   • Los autores prueban que existe una familia de Hamiltonianos donde la reducción de varianza mediante agrupamientos superpuestos es lineal en el número de grupos ($m$), es decir, $\Theta(m)$.
   • Esto representa la reducción asintótica máxima posible bajo un modelo de varianza independiente del estado y covarianza nula, superando a los mejores agrupamientos disjuntos obtenidos por heurísticas como "sorted insertion".

2. Algoritmos Deterministas de Reducción de Varianza (Teorema 2/5):

   • Demuestran que el algoritmo de repacking nunca aumenta la varianza en comparación con el agrupamiento disjunto original.
   • Bajo la suposición de covarianza nula, el repacking reduce estrictamente la varianza siempre que se añada al menos un operador con varianza no nula a un grupo existente. Esto proporciona una garantía determinista de mejora.

3. Análisis a Gran Escala:

   • Realizan simulaciones numéricas con Hamiltonianos de estructura electrónica de hasta 44 qubits y más de 575,000 términos de Pauli.
   • Esto supera significativamente el tamaño de los problemas abordados en trabajos previos (generalmente limitados a ~16 qubits).

4. Resultados

• Simulaciones Numéricas:
  • En todos los experimentos con Hamiltonianos moleculares (incluyendo $H_2$, $LiH$, $BeH_2$, $NH_3$, $CH_4$, $H_2O$ y un modelo de metafosfato de 44 qubits), el agrupamiento superpuesto redujo la varianza en comparación con el agrupamiento disjunto estándar (sorted insertion).
  • La reducción máxima observada fue de aproximadamente 2.35x para el sistema molecular más grande.
  • Escalado: La reducción de varianza relativa aumenta con el tamaño del problema. Para Hamiltonianos aleatorios, la reducción escala de manera superlineal con el número de qubits.
• Comparación de Estrategias:
  • El Ad-hoc repacking (que permite cambiar bases) generalmente logra una mayor reducción de varianza que el Post-hoc (que usa bases fijas).
  • Sin embargo, el Post-hoc es crucial porque ofrece una mejora de varianza "gratuita" (free lunch) utilizando datos ya recolectados sin costo experimental adicional.
• Validación de Suposiciones:
  • Analizaron la suposición de covarianza cero. En modelos de estructura electrónica y Hamiltonianos aleatorios, la contribución de la varianza diagonal domina sobre la covarianza, justificando el uso de estimadores que ignoran la covarianza.
  • Reconocen que existen casos patológicos (como ciertos estados de modelos de Ising) donde la covarianza podría dominar y revertir la mejora, pero estos son la excepción en problemas prácticos de química cuántica.

5. Significado e Impacto

• Escalabilidad para Computadoras Megaquop: Los resultados sugieren que los métodos de agrupamiento superpuesto, especialmente mediante repacking, son estrategias poderosas para la estimación de energía en computadoras cuánticas a gran escala (Megaquop, ~100-1000 qubits), donde la complejidad de medición es crítica.
• Eficiencia Determinista: A diferencia de métodos estocásticos o aleatorios, el repacking ofrece una mejora determinista y verificable sobre las heurísticas actuales.
• Flexibilidad Experimental: La capacidad de realizar repacking post-hoc permite mejorar la precisión de experimentos ya realizados sin volver a ejecutar circuitos cuánticos, maximizando el retorno de inversión en recursos cuánticos.
• Mitigación de Errores (Perspectiva Futura): Los autores señalan que la redundancia inherente a los agrupamientos superpuestos (mismos términos medidos en diferentes contextos/bases) podría explotarse en el futuro para técnicas de mitigación de errores, como la extrapolación de ruido cero.

En conclusión, el trabajo establece tanto los límites teóricos como la viabilidad práctica de los agrupamientos superpuestos, demostrando que pueden ofrecer reducciones significativas en la complejidad de medición para problemas de química cuántica a gran escala, superando las limitaciones de los métodos de agrupamiento disjunto tradicionales.