Simulation of Lindbladian dynamics via adaptive variational quantum trajectory compression

Resumen Técnico: Simulación de la Dinámica de Lindblad mediante Compresión de Trayectorias Cuánticas Variacionales Adaptativas

Planteamiento del Problema
La simulación cuántica de sistemas cuánticos abiertos en dispositivos de escala intermedia con ruido (NISQ) enfrenta dos obstáculos primordiales: la naturaleza no unitaria de la dinámica disipativa y las severas limitaciones de los recursos cuánticos disponibles, particularmente la profundidad del circuito y el número de cúbits. Los métodos existentes para simular la dinámica de Lindblad a menudo dependen de la incrustación de la evolución no unitaria en espacios de Hilbert ampliados (lo que requiere cúbits auxiliares) o de la descomposición de la dinámica en conjuntos de trayectorias que aún requieren circuitos profundos o un post-procesamiento complejo. Aunque los Algoritmos Cuánticos Variacionales (VQA) han mostrado potencial para la dinámica de sistemas cerrados, su aplicación a sistemas abiertos se ve obstaculizada por la necesidad de cúbits auxiliares, el crecimiento de la profundidad de los circuitos y la acumulación de errores durante el post-procesamiento clásico.

Metodología
Los autores proponen un algoritmo eficiente en recursos, libre de ancillas, que combina una representación compacta de canal adjunto con un marco de compresión de trayectorias cuánticas variacionales adaptativas.

1. Construcción de un Canal Adjunto Compacto:
   Para sistemas abiertos con disipaciones de Pauli ($P_k \in \{I, X, Y, Z\}^{\otimes n}$), los autores derivan un canal adjunto de unitario mixto que aproxima la dinámica disipativa objetivo con un escalamiento de error de $O(\delta t^2)$. A diferencia de formulaciones previas que requerían post-procesamiento clásico para corregir desviaciones, este nuevo canal se construye de tal manera que la evolución objetivo es aproximada directamente por una mezcla probabilística de operadores unitarios:
   $$\mathcal{A}(\rho) = \sum_{k=0}^{D} p_k U_k \rho U_k^\dagger$$
   Aquí, $U_0$ representa una evolución Hamiltoniana reescalada ($e^{-iH\Delta t}$) y $U_{k>0}$ son los operadores de disipación de Pauli. Las probabilidades $p_k$ se derivan para asegurar la normalización. Esta estructura permite que la dinámica sea simulada mediante el muestreo de Monte Carlo de trayectorias cuánticas sin necesidad de cúbits auxiliares.

2. Compresión de Trayectorias Cuánticas Variacionales Adaptativas:
   Para abordar el cuello de botella de la profundidad del circuito causado por la aplicación repetida del operador de no-salto $U_0$ en simulaciones de tiempo prolongado, los autores introducen una estrategia de compresión.

• Entrenamiento: Una serie de Circuitos Cuánticos Parametrizados (PQC) de profundidad adaptativa, denotados como $U(\theta_s)$, son entrenados para aproximar la evolución Hamiltoniana de $s$ pasos $(U_0)^s$.
• Estrategias de Entrenamiento: Se exploran dos estrategias:
  • Entrenamiento Directo: El PQC se entrena directamente contra el $(U_0)^s$ exacto.
  • Entrenamiento Iterativo: El PQC para el paso $s$ se entrena contra el producto del circuito previamente entrenado y un único paso $U_0$ (es decir, $U(\theta_{s-1})U_0$), reduciendo la profundidad del circuito objetivo durante el entrenamiento.
• Función de Pérdida: Para evitar la necesidad de cúbits auxiliares requeridos por las pruebas de Hilbert-Schmidt, los autores utilizan una función de pérdida de muestreo de base. Esta evalúa la concordancia entre el PQC y la unidad objetivo sobre un conjunto finito de estados base, lo que la hace apta para el hardware.
• Compresión: En las trayectorias muestreadas, se identifican secuencias consecutivas de bloques $U_0$ y se reemplazan por el PQC entrenado correspondiente $U(\theta_s)$, reduciendo significativamente la profundidad del circuito mientras se preserva la estructura de la trayectoria.

3. Protocolo de Simulación:
   El algoritmo procede mediante el muestreo de trayectorias de acuerdo con la distribución de probabilidad del canal adjunto. Cada trayectoria es luego comprimida mediante el reemplazo de segmentos de $U_0$ por los PQCs entrenados. Finalmente, los valores de esperanza de los observables se estiman promediando los resultados de las mediciones sobre el conjunto de trayectorias comprimidas.

Contribuciones Clave

• Canal Adjunto Libre de Ancillas: La derivación de un canal adjunto de unitario mixto, compacto y estable que elimina la necesidad del paso de post-procesamiento clásico encontrado en trabajos previos, reduciendo así la amplificación del error.
• Compresión Adaptativa de Profundidad: La introducción de un marco que utiliza la compilación cuántica variacional para comprimir bloques de evolución Hamiltoniana repetidos dentro de las trayectorias muestreadas, abordando directamente las limitaciones de profundidad de circuito de los dispositivos NISQ.
• Entrenamiento Eficiente para el Hardware: La propuesta de una función de pérdida de muestreo de base y estrategias de entrenamiento iterativo que permiten realizar el entrenamiento de la compresión sin cúbits auxiliares y con una profundidad de circuito objetivo reducida.
• Integración de Estructuras: El trabajo demuestra cómo explotar conjuntamente la estructura específica de las disipaciones de Pauli (que resultan en segmentos frecuentes de no-salto) y las técnicas de compresión variacional para cerrar la brecha entre los algoritmos de sistemas abiertos y la implementación en hardware de corto plazo.

Resultados
Los autores validaron el método utilizando simulaciones numéricas del modelo $XY$ cuántico disipativo, específicamente modelando la fusión de un estado de pared de dominio bajo decohersión local (dephasing).

• Precisión: El muestreo estocástico del canal adjunto derivado reprodujo con éxito la dinámica de Lindblad exacta y los resultados del canal de Kraus determinista. El error de muestreo escaló como $O(1/\sqrt{M})$ con el número de trayectorias $M$.
• Eficiencia de Compresión: La compresión variacional redujo significativamente la profundidad del circuito. Para una simulación de tiempo $T=10$ con $M=128$ trayectorias, la estrategia de reemplazo "directo" redujo el recuento promedio de puertas de un solo cúbit y de dos cúbits en aproximadamente un 43%.
• Compromisos (Trade-offs): La estrategia de entrenamiento iterativo mostró que, si bien reduce la profundidad del objetivo de entrenamiento, introduce errores de aproximación acumulados a medida que aumenta la longitud de compresión ($s_{max}$). Sin embargo, incluso con estos errores, las trayectorias comprimidas mantuvieron una alta fidelidad a la dinámica física, ofreciendo la estrategia directa el mejor equilibrio entre precisión y reducción de recursos en los escenarios probados.

Significancia y Reivindicaciones
El artículo afirma proporcionar una ruta práctica hacia la simulación de sistemas cuánticos abiertos, libre de ancillas y con reducción de profundidad, en hardware cuántico de corto plazo. Los autores enfatizan que su enfoque es particularmente adecuado para la era NISQ porque:

1. Evita los problemas de escalabilidad de los métodos basados en dilatación al eliminar los cúbits auxiliares.
2. Mitiga el impacto del ruido del hardware al reducir la profundidad del circuito requerida para la implementación de trayectorias.
3. Ofrece un marco flexible donde el compromiso entre la precisión algorítmica (error de discretización) y el ruido del hardware puede gestionarse eligiendo longitudes de compresión y estrategias de entrenamiento apropiadas.

Los autores señalan modestamente que, aunque existen construcciones de canales de orden superior, estas suelen derivar en estructuras de trayectoria más complejas que son menos propensas a esta técnica de compresión específica. Por lo tanto, para los dispositivos actuales, se presenta un algoritmo de orden inferior pero compacto, libre de ancillas y de profundidad reducida como una solución más práctica que las construcciones formalmente de orden superior con mayores sobrecargas de recursos. El trabajo sugiere que combinar representaciones de canal adjunto con estructura física y compresión variacional de trayectorias es un camino viable para simular sistemas cuántos de muchos cuerpos abiertos y realistas.