Pauli-Sparse regularised Counterdiabatic Shortcuts for Linear-Ramp QAOA

Resumen Técnico: Regularización de Escasez de Pauli para Atajos de Adiabaticidad en el Algoritmo de Optimización Cuántica Aproximada de Rampa Lineal (LR-QAOA)

Planteamiento del Problema
La optimización combinatoria mediante el Algoritmo de Optimización Cuántica Aproximada (QAOA) enfrenta un compromiso crítico entre la eficiencia de los parámetros y la precisión dinámica. El QAOA de rampa lineal (LR-QAOA) reduce la carga de optimización clásica al restringir los ángulos de las capas para que sigan un esquema de inspiración adiabática con pocos parámetros. Sin embargo, para Hamiltonianos con brechas espectrales pequeñas o exponencialmente pequeñas, la evolución adiabática en tiempo finito sufre de transiciones diabáticas fuertes, lo que provoca que el sistema se escape del deseo de la variedad de baja energía. Aunque el control contra-diabático (CD) ofrece un método principista para suprimir estas transiciones mediante la adición de un término de corrección derivado del Potencial de Gauge Adiabático (AGP), los enfoques estándar suelen requerir operadores densos o ansatzes preespecificados que son inviables bajo presupuestos de puertas finitos. Además, los AGP exactos para problemas de optimización difíciles a menudo requieren resolver divisiones de energía microscópicas y exponencialmente pequeñas dentro de una variedad de baja energía, lo cual es computacionalmente costoso y potencialmente innecesario para encontrar una solución de alta calidad.

Metodología
Los autores proponen un marco para construir una extensión contra-diabática de escasez de Pauli regularizada para LR-QAOA. La metodología central consiste en resolver la ecuación del AGP regularizado directamente en la base de Pauli sin formar la matriz de Liouvilliano completa y densa.

1. Ecuación del AGP Regularizado: El método resuelve el sistema lineal $(\mathcal{L}_H^2 + \eta I) A_\lambda^{(\eta)} = -i \mathcal{L}_H(G)$, donde $\mathcal{L}_H(X) = [H, X]$ es el superoperador de conmutador, $G = \partial_\lambda H$, y $\eta > 0$ es un parámetro de regularización. Esta ecuación se deriva de la minimización de un funcional regularizado que equilibra la cancelación de las transiciones diabáticas frente a la norma del potencial.
2. Mecanismo de Resolución de Energía: El parámetro $\eta$ actúa como una escala de resolución de energía. Suprime las transiciones asociadas con diferencias de energía $|\omega| \ll \sqrt{\eta}$ mientras retiene aquellas con $|\omega| \gg \sqrt{\eta}$. Esto permite al método ignorar las divisiones exponencialmente pequeñas dentro de una variedad de baja energía objetivo (evitando la necesidad de un seguimiento adiabático exacto) mientras sigue previniendo la fuga hacia estados excitados de mayor energía.
3. Solucionador de Gradiente Conjugado (CG) Inexacto: En lugar de computar un AGP denso y comprimirlo, los autores emplean un método de gradiente conjugado inexacto en coordenadas de Pauli.
   • Aplicación Libre de Matrices: El operador $(\mathcal{L}_H^2 + \eta I)$ se aplica simbólicamente utilizando conmutadores de Pauli, evitando la construcción de la matriz de $4^n$ dimensiones.
   • Truncamiento: Durante las iteraciones de CG, la expansión de Pauli se trunca para retener solo los $m$ coeficientes más grandes (truncamiento por magnitud). Esto transforma el solucionador lineal en un procedimiento de descubrimiento de soporte, identificando un conjunto de rotaciones de Pauli implementables conscientes del presupuesto de puertas.
   • Recomputación del Residuo: Para evitar la acumulación de errores por el truncamiento, el residuo se recomputa exactamente en cada paso en lugar de actualizarse recursivamente.
4. Reajuste de Galerkin y Certificación: Una vez que se descubre un soporte disperso, se realiza un reajuste de Galerkin para optimizar los coeficientes sobre este soporte específico. La calidad de la aproximación se certifica a posteriori utilizando un límite de residuo: $\|A - A_\lambda^{(\eta)}\|_{HS} \leq \|R\|_{HS} / \eta$, donde $R$ es el residuo del sistema lineal. Esto proporciona un límite de error computable sin requerir el conocimiento de la solución exacta.
5. Integración en el Circuito: El generador de Pauli disperso resultante se inserta en el circuito LR-QAOA como una capa contra-diabética. La optimización variacional se realiza sobre un conjunto reducido de parámetros: las amplitudes de la rampa $(\Delta\beta, \Delta\gamma)$ y la amplitud contra-diabética $\Delta_{CD}$.

Contribuciones Clave

• Solución Directa en Coordenadas de Pauli: A diferencia de los trabajos previos de CD-QAOA que prescriben ansatzes (por ejemplo, términos locales, conmutadores anidados) o computan AGPs densos, este trabajo resuelve la ecuación del AGP regularizado directamente en coordenadas de Pauli, aproximando simultáneamente el potencial y seleccionando un conjunto disperso de rotaciones implementables.
• Regularización como Filtro Físico: El artículo replantea el parámetro de regularización $\eta$ no solo como un estabilizador numérico, sino como un filtro físico que suprime las transiciones por debajo de una escala de energía específica. Esto es particularmente efectivo para problemas de optimización donde el objetivo es permanecer dentro de una variedad de baja energía en lugar de rastrear un único autoestado a través de brechas exponencialmente pequeñas.
• Pipeline de Álgebra Lineal Dispersa: Los autores desarrollan un pipeline completo que combina conmutadores simbólicos libres de matrices, CG truncado para el descubrimiento de soporte, reajuste de Galerkin para la optimación de coeficientes y certificación de error basada en residuos. Este enfoque importa ideas de los métodos de Krylov inexactos al contexto del control cuántico.
• Garantías Teóricas: El artículo proporciona límites rigurosos sobre la distancia entre los potenciales regularizados y no regularizados, el número de condición del sistema lineal y el error de la aproximación dispersa respecto a la solución regularizada exacta.

Resultados
Se realizaron experimentos numéricos en instancias de Cadena Ferromagnética (FC) e instancias de FC–MaxCut/MarketSplit perturbadas:

• Validación de FC: En las instancias de FC, el LR-QAOA estándar mostró un desempeño pobre a medida que el tamaño del sistema aumentaba, fallando en alcanzar la variedad ordenada. El propuesto LR-CD-QAOA con AGP exacto logró altas probabilidades de la variedad ordenada ($P_{ord} \approx 0.9$) incluso a baja profundidad. Crucialmente, el método se mantuvo robusto a través de un rango de valores de $\eta$, confirmando que no necesita resolver la división del estado fundamental exponencialmente pequeña para suprimir la fuga hacia estados excitados.
• Convergencia de CG Disperso: Los experimentos demostraron que un pequeño número de iteraciones de CG ($K \approx 4$) y un presupuesto de soporte de Pauli moderado ($m=64$) fueron suficientes para recuperar la mayor parte de los beneficios del AGP denso. La relación de aproximación mejoró monótonamente tanto con el número de iteraciones como con el tamaño del soporte.
• Instancias Mezcladas: En las instancias de MaxCut y MarketSplit perturbadas (donde el Hamiltoniano está dominado por el componente de FC), el LR-CD-QAOA superó significativamente al LR-QAOA sin corrección. Mientras que el LR-QAOA permaneció lejos del óptimo incluso a una profundidad $p=8$, la versión corregida por CD alcanzó relaciones de aproximación cercanas al óptimo exacto a profundidades moderadas.

Significancia
El artículo afirma que este marco amplía sustancialmente la aplicabilidad práctica de QAOA a la optimización QUBO. Al mejorar la robustez a través de paisajes de problemas heterogéneos —específicamente aquellos con estructuras de baja energía casi degeneradas y brechas espectrales pequeñas—, el método aborda un cuello de botella primario en la optimización cuántica de la era de la computación de ruido intermedio (NISQ). Ofrece una vía para implementar un control contra-diabético efectivo en hardware cuántico con presupuestos de puertas limitados, yendo más allá de las limitaciones de las rampas lineales que son eficientes en parámetros pero ineficientes dinámicamente. El trabajo establece un paradigma de optimación híbrido donde técnicas clásicas de álgebra lineal dispersa se utilizan para construir circuitos cuánticos que se adaptan dinámicamente a las propiedades espectrales específicas del Hamiltoniano del problema.