Structure-Aware Variance Reduction for Unbiased Randomized Hamiltonian Simulation

Resumen Técnico: Reducción de Varianza Sensible a la Estructura para la Simulación Hamiltoniana Aleatorizada No Sesgada

Declaración del Problema
Los métodos de simulación hamiltoniana aleatorizada, como qDRIFT y las fórmulas de producto aleatorizadas, ofrecen un enfoque complementario a los algoritmos deterministas al muestrear trayectorias de circuitos aleatorios. Sin embargo, estos métodos enfrentan un compromiso fundamental entre el sesgo sistemático y la sobrecarga de muestreo. Las fórmulas de producto deterministas (por ejemplo, la Trotterización) sufren un sesgo de discretización que escala con la profundidad del circuito, mientras que los métodos aleatorizados introducen varianza estadística. Para los estimadores sesgados, la reducción de la varianza puede disminuir los costos de muestreo, pero no puede eliminar el sesgo inherente. Por el contrario, para los estimadores no sesgados, la varianza es la única fuente de error de Monte Carlo. El desafío central abordado es cómo reducir la varianza estadística de los estimadores aleatorizados no sesgados sin alterar su canal medio, específicamente explotando las propiedades estructurales del Hamiltoniano y del observable objetivo.

Metodología
El artículo introduce y analiza la Interpolación de Ángulo Probabilística en Tiempo Continuo (Continuous TE-PAI), un protocolo de circuito aleatorio de cuasiprobabilidad diseñado para ser un estimador no sesgado del canal de evolución temporal exacto.

1. Formulación de Continuous TE-PI:

   • El protocolo muestrea un proceso de Poisson marcado de rotaciones de Pauli de ángulo fijo.
   • Asigna un peso de cuasiprobabilidad escalar a cada circuito físico muestreado. La magnitud del peso es fija, mientras que su signo está determinado por la paridad de los eventos de rotación de $\pi$.
   • A diferencia de la TE-PAI de pasos finitos, que elimina el error de discretización solo en el límite de profundidad infinita (y costo clásico divergente), la Continuous TE-PI logra un error de discretización cero con recursos finitos por muestra.
   • La ausencia de sesgo se demuestra rigurosamente mediante dos métodos: (1) como el límite débil de la TE-PI de pasos finitos cuando el número de pasos $N \to \infty$, y (2) directamente desde la expansión de la serie de Dyson del canal de evolución temporal exacto, interpretando el protocolo como un muestreo de Poisson de contribuciones infinitesimales.

2. Descomposición de la Varianza Sensible a la Estructura:

   • Los autores proponen una descomposición canónica de la varianza de la trayectoria en dos componentes utilizando el vector de conteos (el número de veces que aparece cada compuerta elemental, ignorando el orden).
   • Componente de Conteo: Varianza que surge de las fluctuaciones en qué compuertas se muestrean (el multiconjunto).
   • Componente de Ordenamiento: Varianza residual que surge de diferentes ordenamientos de un mismo multiconjunto.
   • Esta descomposición revela que el componente de ordenamiento está gobernado por la no conmutatividad de los términos del Hamiltoniano (análogo a las estructuras de conmutadores en el error determinista), mientras que el componente de conteo refleja la distinguibilidad de las compuertas muestreadas.

3. Muestreo Estratificado (Rao–Blackwellization):

   • Para reducir la variancia, el artículo emplea muestreo condicional (estratificación) basado en estadísticas derivadas del vector de conteos.
   • Dado que el vector de conteos completo no es escalable para alfabetos grandes, los autores proponen estadísticas escalables y específicas del problema:
     • Estratificación sensible al signo: Condicionar en la paridad de las rotaciones de $\pi$ para fijar el signo de la cuasiprobabilidad dentro de los estratos.
     • Estratificación adaptada al observable: Condicionar en los conteos locales de los términos del Hamiltoniano dentro del cono de luz del observable objetivo, aumentado por un bit de paridad global para los términos fuera del cono de luz.

Contribuciones Clave

• Protocolo No Sesgado: La derivación formal y la prueba de la ausencia de sesgo para Continuous TE-PI, estableciéndolo como un método que elimina por completo el error de discretización de Trotter, a diferencia de la Trotterización determinista que requiere una profundidad infinita para la exactitud.
• Teoría de la Varianza: Una descomposición estructural de la varianza de la trayectoria en componentes clásicos de conteo y cuánticos de ordenamiento. Este marco identifica la no conmutatividad como el principal motor de la varianza de ordenamiento.
• Ventaja de Redes de Tensores: Demostración de que Continuous TE-PI evita el crecimiento exponencial no físico en la dimensión de enlace (bond dimension) que se observa a menudo en las simulaciones de redes de tensores de Trotter de poca profundidad. Al eliminar el error de discretización, el protocolo previene la introducción de estructuras de entrelazamiento erróneas que inflan el costo computacional.
• Reducción de Varianza Práctica: El desarrollo de estrategias de estratificación escalables (sensibles al signo y a la localidad) que reducen significativamente la sobrecarga de muestreo sin modificar los circuitos cuánticos subyacentes.

Resultados
Los experimentos numéricos en la dinámica de cadenas de espín (modelos de Ising de campo transversal y modelos tipo Heisenberg dependientes del tiempo) demuestran la eficacia de los métodos propuestos:

• Eliminación del Sesgo: Continuous TE-PI reproduce con éxito los resultados de la Trotterización profunda (el "canon") sin el error de discretización observado en los circuitos Trotter de poca profundidad.
• Dimensión de Enlace: En las simulaciones de redes de tensores para $n=30$ cúbits, los circuitos de Continuous TE-PI mantuvieron una dimensión de enlace manejable, mientras que los circuitos Trotter de profundidad comparable exhibieron un crecimiento exponencial en la dimensión de enlace requerida debido a los errores inducidos por la discretización.
• Reducción de la Varianza:
  • Para sistemas pequeños ($n=8$ y $n=12$), la estratificación de conteo local adaptada al observable y la de paridad de rotación de $\pi$ redujeron el error de muestreo de trayectoria aproximadamente en un 70%, lo que corresponde a una reducción del ~91% en el número de muestras requeridas.
  • Para sistemas más grandes ($n=30$) utilizando simulaciones de redes de tensores, las estadísticas de conteo local más gruesas redujeron el error de muestreo de trayectoria aproximadamente en un 80%, lo que condujo a una reducción del ~96% en el costo de muestreo.
  • Estas reducciones se lograron manteniendo un sesgo insignificante.

Significancia y Reivindicaciones
El artículo afirma que la reducción de varianza sensible a la estructura ofrece una vía práctica para mejorar la eficiencia de la simulación hamiltoniana aleatorizada no sesgada. Al desacoplar el costo estadístico de la cota de norma $\ell_1$ del peor caso mediante la estratificación, el método aprovecha la estructura específica del problema (relaciones de conmutación, localidad, soporte del observable) para lograr reducciones de factor constante en la sobrecarga de muestreo.

Los autores enfatizan que, si bien el esquema de estratificación óptimo depende del problema, el marco propuesto proporciona una base para diseñar tales esquemas. El trabajo sugiere que incluso las estrategias de estratificación simples pueden ofrecer ganancias sustanciales, y que las mejoras futuras podrían surgir de la asignación adaptativa de muestras y un mayor ajuste de los estratos a Hamiltonianos y observables específicos. El artículo posiciona estas técnicas como una capa general de reducción de varianza clásica aplicable a varios métodos de simulación aleatorizada, incluyendo qDRIFT y las fórmulas de producto aleatorizadas, sin alterar los circuitos cuánticos muestreados.