Reducing quantum measurements in qubit-based overlapping grouping methods for quantum energy estimation through better initializations

Resumen Técnico: Reducción de Mediciones Cuánticas en Métodos de Agrupación Solapada Basados en Qubits mediante Mejores Inicializaciones

Planteamiento del Problema
La estimación de los valores de esperanza de los Hamiltonianos es un cuello de botella central en los algoritmos cuánticos variacionales (VQA) para la estructura electrónica y el aprendizaje automático cuántico. El número de palabras de Pauli en los Hamiltonianos moleculares escala como $O(N_q^4)$, lo que hace que la medición directa de cada término sea impracticable. Aunque las estrategias de agrupación (particionando las palabras de Pauli en conjuntos compatibles) reducen este coste, los métodos de solapamiento de vanguardia, como la División de Coeficientes Iterativa (ICS) y los Productos de Pauli Compartidos (SPP), dependen de un conjunto inicial de fragmentos "semilla" no solapados. Estos fragmentos semilla se generan típicamente utilizando el algoritmo de Inserción Ordenada (SI), que ordena los términos por magnitud de coeficiente. Hallazgos recientes sugieren que la calidad de esta inicialización de agrupación no solapada impacta significativamente el coste de medición final de los métodos de solapamiento, aunque la optimización de estas inicializaciones sigue siendo un área poco explorada.

Metodología
Los autores introducen Inserción Ordenada Consciente de la Varianza (VarSI), una familia de algoritmos heurísticos informados por la covarianza diseñados para generar agrupaciones de Pauli no solapadas superiores. A diferencia de la SI estándar, que ordena por magnitud de coeficiente ($|c_i|$), VarSI utiliza un diccionario de covarianzas de Pauli (ya requerido por métodos de solapamiento como ICS) para calificar las inserciones candidatas basándose en su impacto en la varianza total de la medición.

El artículo define tres variantes principales:

1. VarSI-O (Ordenado): Un análogo a SI que ordena los términos por su contribución de varianza de un solo término ($v_i = c_i^2 C_{ii}$) e los inserta en el grupo compatible que minimiza el objetivo de medición total $\epsilon^2_M$.
2. VarSI-G (Codicioso Global): Un enfoque computacionalmente más costoso que selecciona dinámicamente el siguiente término y su grupo de destino para minimizar la varianza inmediata, en lugar de seguir un orden ordenado fijo.
3. VarSI-R (Refinamiento): Un paso de refinamiento local aplicado a las agrupaciones generadas por SI o VarSI-O. Realiza un barrido de relocalizaciones de un solo término entre grupos compatibles, aceptando movimientos solo si reducen estrictamente el objetivo de medición.

El objetivo de medición se define como $\epsilon^2_M(G) = (\sum_{\alpha} \sqrt{\text{Var}_\psi(H_\alpha)})^2$. Los algoritmos aprovechan la regla de actualización de la covarianza (Eq. 9 en el texto) para calcular eficientemente el cambio de varianza cuando se añade o elimina un término de un grupo. El coste computacional de VarSI-O es comparable al de SI ($O(N^2 n_q)$), mientras que VarSI-G escala cúbicamente ($O(N^3)$).

Contribuciones Clave

• Derivación de Actualizaciones de Covarianza: Los autores derivan una regla específica de actualización de la covarianza que permite el cálculo eficiente de las puntuaciones de las inserciones candidatas sin tener que recalcular las varianzas completas de los grupos desde cero.
• Marco Algorítmico: La propuesta de VarSI-O, VarSI-G y sus variantes de refinamiento (VarSI-R, VarSI-OR) como una forma sistemática de mejorar las agrupaciones no solapadas utilizando datos de covarianza.
• Integración con Métodos de Solapamiento: Demostración de que estas agrupaciones no solapadas mejoradas sirven como inicializaciones efectivas para el algoritmo ICS, creando un flujo de trabajo donde mejores semillas conducen a mejores estimadores.

Resultados
Los métodos fueron evaluados mediante pruebas comparativas en 130 Hamiltonianos moleculares (incluyendo LiH, BeH$_2$, H$_2$O, NH$_3$ y cadenas de hidrógeno H$_4$–H$_8$) utilizando mapeos de Jordan-Wigner (JW), Bravyi-Kitaev (BK) y Paridad. Los diccionarios de covarianza se construyeron utilizando funciones de onda exactas del estado fundamental o funciones de onda aproximadas de Coupled Cluster con Excitaciones Simples y Dobles (CISD).

• Rendimiento No Solapado: Las variantes de refinamiento (VarSI-R y VarSI-OR) redujeron consistentemente los requisitos de medición en comparación con la SI estándar en un 35–39% en todo el conjunto de datos, independientemente de la fuente de la covarianza o el mapeo de qubits. VarSI-G generalmente no logró superar a SI en entornos no solapados.
• Rendimiento de Solapamiento (ICS): Cuando se utilizó para inicializar ICS, las agrupaciones basadas en VarSI lograron reducciones de medición significativas respecto a la SI-ICS estándar:
  • Con covarianzas exactas del estado fundamental: Reducciones promedio de 9.2–10.1% (JW) y 7.1–13.1% (BK), con reducciones máximas de hasta un 70%.
  • Con covarianzas CISD: Reducciones promedio de 11.1–15.3%, con reducciones máximas de hasta 70.7%.
• Sistemas Fuertemente Correlacionados: En tareas que involucran la Superficie de Energía Potencial (PES) de N$_2$ y cadenas de hidrógeno, la inicialización VarSI-OR-ICS redujo el número total de mediciones necesarias para alcanzar una precisión de 1 mEh en millones comparado con SI-ICS. Para la curva de disociación de N$_2$, esto se tradujo en aproximadamente 1 hora menos de tiempo de ejecución en QPU para el método VarSI-OR-ICS.
• Robustez: En 418 instancias de prueba, la inicialización SI estándar fue estrictamente mejor que las propuestas inicializaciones VarSI en solo 5 casos (todos usando varianzas aproximadas de CISD), demostrando la consistencia de la mejora.

Significancia
El artículo establece que la agrupación inicial no solapada sigue siendo un "paso de diseño consecuente" incluso cuando el estimador final utiliza fragmentos solapados. Al aprovechar los diccionarios de covarianza ya necesarios para los métodos de solapamiento, VarSI proporciona una vía de bajo coste para reducir los costes de medición. Los autores afirman que estas inicializaciones mejoradas permiten que el método ICS, que es computacionalmente más barato, compita con marcos más costosos como SPP. Además, los resultados sugieren que se pueden lograr ahorros de recursos de hasta 1 hora de tiempo de QPU en aplicaciones comunes de química cuántica, resaltando el valor práctico de optimizar la "semilla" del proceso de asignación de mediciones. El trabajo también señala que la sobrecarga clásica de generar diccionarios de covarianza puede mitigarse utilizando técnicas de aprendizaje automático o funciones de onda pre-entrenadas, aunque esta extensión está más allá del alcance actual.