Ground state preparation of random all-to-all Hamiltonians using ADAPT-VQE

Este artículo demuestra que el algoritmo TETRIS-ADAPT-VQE puede lograr la preparación de estados fundamentales de alta fidelidad para Hamiltonianos aleatorios de todo a todo como los modelos SK y SYK, aunque sigue siendo eficiente solo para el modelo SK mientras falla en escalar eficientemente para modelos SYK densos o moderadamente dispersos.

Lo esencial

Imagina que estás tratando de encontrar la posición más estable y relajada para una multitud de personas masiva y caótica. En el mundo de la física cuántica, esta "multitud" es un grupo de partículas, y su "posición relajada" se llama estado fundamental. Encontrar este estado es crucial para entender cómo se comportan los materiales, cómo funcionan los agujeros negros e incluso cómo la gravedad se conecta con la mecánica cuántica.

Sin embargo, algunas de estas multitudes son increíblemente difíciles de organizar. Son "aleatorias" y de "interacción total" (all-to-all), lo que significa que cada una de las partículas está interactuando constantemente con todas las demás, no solo con sus vecinas. Esto crea un nivel de complejidad que es como intentar desenredar un nudo donde cada hebra está atada a todas las demás hebras.

Este artículo investiga si podemos usar un nuevo tipo de algoritmo de computación cuántica, llamado TETRIS-ADAPT-VQE, para organizar estas multitudes caóticas de manera eficiente. Piensa en este algoritmo como un constructor inteligente y adaptativo que construye un "circuito" específico (un conjunto de instrucciones) para guiar a las partículas hacia su estado más calmado. Los investigadores lo probaron en tres tipos diferentes de multitudes caóticas:

1. El Modelo SK Cuántico: Una multitud donde todos interactúan con todos de forma aleatoria.
2. El Modelo SYK Denso: Una multitud donde todos interactúan con todos, pero las reglas son ligeramente diferentes (involucrando tipos específicos de partículas llamadas fermiones de Majorana).
3. El Modelo SYK Disperso: Una versión "adelgazada" del modelo SYK denso, donde se eliminan muchas de las interacciones para ver si se vuelve más fácil de gestionar.

Los Resultados: Un Cuento de Dos Multitudes

Los investigadores descubrieron que la dificultad de organizar estas multitudes depende enteramente de con qué multitud estés tratando.

1. El Modelo SK: La Multitud Manejable
Para el modelo SK cuántico, el algoritmo funcionó de maravilla. Era como construir una casa con un juego estándar de ladrillos. A medida que la multitud crecía (hasta 18 personas), el número de instrucciones necesarias para organizarlos creció de una manera predecible y manejable (crecimiento polinómico). El algoritmo encontró la posición de descanso perfecta con una precisión casi perfecta (más del 99.99% de exactitud).

• La Conclusión: Para este tipo específico de interacción aleatoria, las computadoras cuánticas parecen muy prometedoras para resolver el problema de manera eficiente.

2. Los Modelos SYK: El Nudo Imposible
Para ambos modelos SYK, tanto el "denso" como el "disperso", la historia fue muy diferente. A pesar de que el modelo "disperso" tenía menos interacciones (como eliminar algunos de los hilos enredados), el algoritmo todavía luchaba intensamente.

• El Problema: A medida que la multitud crecía (hasta 20 partículas), el número de instrucciones requeridas para organizarlas explotó exponencialmente. Es como si añadir una sola persona más a la habitación requiriera duplicar todo el equipo de construcción y la cantidad de materiales de construcción.
• La Sorpresa: Los investigadores esperaban que hacer el modelo "disperso" (eliminando interacciones) lo hiciera más fácil. Sin embargo, descubrieron que el entrelazamiento (las conexiones invisibles y complejas entre las partículas) seguía siendo tan desordenado y de "volumen pesado" como la versión densa. Las partículas seguían estando tan profundamente vinculadas que eliminar algunas reglas no simplificó el rompecabezas general.
• La Conclusión: Incluso con un poderoso algoritmo cuántico, preparar el estado fundamental para estos modelos SYK específicos es actualmente demasiado difícil. La complejidad crece demasiado rápido para que la computadora pueda manejarla a medida que el sistema se agranda.

¿Por qué es esto importante?

El artículo concluye que, si bien las computadoras cuánticas pueden ser excelentes para resolver problemas aleatorios de tipo "SK", chocan contra un muro con los problemas de tipo "SYK". El modelo SYK "disperso", que se esperaba que fuera una versión más fácil, resultó ser igual de difícil porque la naturaleza fundamental de las conexiones de las partículas (su entrelazamiento) no cambió solo porque hubiera menos reglas.

En resumen: los investigadores construyeron un "organizador" muy inteligente (el algoritmo). Funcionó perfectamente para un tipo de habitación caótica, pero falló al escalar para los otros dos, demostando que algunos problemas cuánticos son inherentemente mucho más difíciles de resolver que otros, independientemente de cuántas conexiones intentes eliminar.

Resumen técnico

Resumen Técnico: Preparación del Estado Fundamental de Hamiltonianos Aleatorios de Todo-a-Todos mediante ADAPT-VQE

Planteamiento del Problema
El artículo aborda el desafío de preparar los estados fundamentales para Hamiltonianos aleatorios con interacciones de todo-a-todos, específicamente el modelo de Sherrington-Kirkpatrick (SK) cuántico y el modelo de Sachdev-Ye-Kitaev (SYK) (en sus variantes densa y dispersa). Estos sistemas se caracterizan por poseer un entrelazamiento de ley de volumen en sus estados fundamentales, lo que dificulta su simulación mediante métodos clásicos de redes de tensores. Si bien los Estados Cuánticos Neuronales (NQS) han mejorado las aproximaciones clásicas, tienen dificultades para reproducir el comportamiento correcto de todos los estados de ley de volumen, particularmente para el modelo SYK. En consecuencia, los autores investigan si los algoritmos cuánticos variacionales pueden ofrecer una ventaja cuántica en la simulación de estos sistemas desordenados específicos, una cuestión que permanece abierta a pesar de los argumentos teóricos que sugieren que los Hamiltonianos aleatorios suficientemente dispersos podrían ser fáciles de preparar.

Metodología
Los autores emplean el algoritmo TETRIS-ADAPT-VQE (Variational Quantum Eigensolver Adaptativo de Problemas Diseñados a Medida mediante Ensamblaje de Derivadas). Este enfoque construye circuitos cuánticos compactos y aptos para el hardware mediante la selección iterativa de operadores de un conjunto predefinido basado en información de gradiente, evitando los problemas de optimización asociados con los ansätze fijos.

Componentes metodológicos clave:

• Conjuntos de Operadores (Operator Pools): Para respetar las simetrías de los Hamiltonianos y asegurar una convergencia eficiente, los autores construyen conjuntos de operadores Pauli informados por simetría.
  • Para el modelo SK, el conjunto incluye operadores $Z_i Y_j$ y $Y_i Z_j$ ($i < j$), derivados de las simetrías de inversión temporal y paridad.
  • Para los modelos SYK (densos y dispersos), el conjunto incluye $Z_i$, $X_i Y_j$, $Y_i X_j$ y $Z_i Z_j$ ($i < j$), respetando la simetría de paridad $Z_2$.
• Estados de Referencia: Las simulaciones utilizan una superposición igual de estados Néel (para SK) o estados Néel específicos en el sector de paridad $Z_2$ correcto (para SYK) como estado de referencia inicial.
• Alcance de la Simulación: El estudio realiza simulaciones clásicas sin ruido para evaluar el escalamiento.
  • Modelo SK: Hasta $L = 18$ sitios (qubits).
  • Modelos SYK: Hasta $N = 20$ fermiones de Majorana (correspondientes a $n = 10$ qubits). El modelo SYK disperso utiliza un parámetro de dispersión $k_s = 9$.

Resultos Clave
El rendimiento del algoritmo varía significativamente entre los modelos SK y SYK:

1. Modelo SK Cuántico:

   • El algoritmo construye con éxito estados fundamentales precisos para hasta $L=18$ qubits.
   • Fidelidad: Logra fidelidades $\geq 99.9998\%$ en todas las instancias probadas.
   • Escalamiento: La preparación es eficiente, y la profundidad de compuertas de dos qubits (conteo de CNOT) y el número de parámetros variacionales escalan polinomialmente con el tamaño del sistema.
   • Dependencia de la Fase: El algoritmo requiere menos iteraciones y parámetros para $\Gamma = 3$ (fase paramagnética) en comparación con $\Gamma = 1$ (cerca de la transición de fase de vidrio de espín en $\Gamma = 1.5$), lo que refleja el cambio en la complejidad del estado fundamental.

2. Modelos SYK Densos y Dispersos:

   • El algoritmo logra altas fidelidades ($\geq 99.3\%$) para hasta $N=20$ fermiones de Majorana.
   • Escalamiento: A diferencia del modelo SK, la profundidad de compuertas de dos qubits y el número de parámetros escalan exponencialmente (o como un polinomio de alto grado) con el tamaño del sistema para ambas variantes, densa y dispersa.
   • Impacto de la Dispersión: Si bien la dispersión (reduciendo los términos del Hamiltoniano de $O(N^4)$ a $O(N)$) disminuye significativamente el costo de medición para el post-procesamiento clásico, no reduce la complejidad variacional requerida para preparar el estado fundamental.
   • Análisis de Entrelazamiento: Los estados fundamentales de ambos modelos SYK (denso y disperso con $k_s=9$) exhiben un entrelazamiento de entropía de ley de volumen ($S_{EE} \propto N$) con coeficientes casi idénticos. Esto indica que la dificultad en la preparación está impulsada por la estructura de entrelazamiento del estado más que por el número de términos del Hamiltoniano.

Significación y Reivindicaciones
El artículo sostiene que, si bien TETRIS-ADAPT-VQE es un método eficiente para preparar los estados fundamentales del modelo SK cuántico (lo que sugiere que es una tarea adecuada para computadoras cuánticas de corto plazo), no es eficiente para los modelos SYK densos o moderadamente dispersos considerados.

• Dificultad Intrínseca: Los autores concluyen que el escalamiento exponencial observado para los modelos SYK es probablemente intrínseco al problema (debido al entrelazamiento de ley de volumen) y no un artefacto de la elección de hiperparámetros, según se probó variando los estados de referencia y los conjuntos de operadores.
• Límites de la Dispersión: El trabajo demuestra que para $k_s = 9$, la dispersión no convierte el problema de la preparación del estado fundamental en uno "fácil" en el sentido cuántico, distinguiendo estos modelos de los Hamiltonianos "suficientemente dispersos" ($d=O(1)$) discutidos en la literatura teórica donde se argumenta que la preparación es fácil.
• Preguntas Abiertas: Los autores señalan que sigue siendo una cuestión abierta si la preparación del estado fundamental puede ser eficiente para estos modelos en regímenes de menor dispersión ($k_s \gg 1$) mediante computación cuántica, o si algoritmos alternativos (por ejemplo, AVQITE) podrían arrojar resultados diferentes. También encontraron que la transferibilidad del ansatz entre diferentes instancias de desorden no funciona en la práctica para estos sistemas.

En resumen, el trabajo proporciona un benchmark numérico riguroso que muestra que, aunque los algoritmos cuánticos variacionales pueden manejar ciertos modelos de espín de todo-a-todos de manera eficiente, actualmente enfrentan barreras de escalamiento significativas para los modelos fermiónicos con entrelazamiento de ley de volumen como el modelo SYK, incluso cuando el Hamiltoniano está dispersado.