Certified Optimal Measurement Reduction over Quantum Context Landscapes

Resumen Técnico: Reducción de Medición Óptima Certificada sobre Paisajes de Contextos Cuánticos

Declaración del Problema
Estimar el valor de la esperanza $\langle H \rangle$ de un hamiltoniano cuántico en dispositivos cuánticos de corto plazo requiere descomponer $H$ en fragmentos medibles (contextos) y asignar disparos (shots) de medición para minimizar la varianza. Las estrategias existentes —que van desde la agrupación de conmutatividad por cuadra de qubits (QWC) hasta las sombras clásicas (classical shadows) y los fragmentos fermiónicos— a menudo producen programas de medición sin un límite inferior riguroso sobre el costo de disparos para un modelo de medición específico declarado. En consecuencia, es difícil distinguir si una mejora observada proviene de un mejor punto en un paisaje fijo, de un agrandamiento del paisaje (nuevos contextos) o simplemente de una división de coeficientes no optimizada dentro de un marco existente. El artículo aborda la necesidad de un "certificado" que responda: dentro de un conjunto declarado de contextos de medición y un modelo de covarianza, ¿cuál es el costo mínimo inevitable de disparos, y qué tan cerca está un programa dado de este óptimo?

Metodología
Los autores proponen un marco que divide el problema de la reducción de la medición en dos capas de optimización distintas: una capa interna continua y una capa externa no convexa.

1. Capa Interna (Optimización Convexa): Para un diccionario fijo de contextos de medición $\mathcal{D} = \{(V_\ell, c_\ell)\}$ y un modelo de covarianza declarado $\Gamma_\ell$, el problema de encontrar el estimador estratificado lineal óptimo (descomponiendo $H$ en fragmentos $F_\ell \in V_\ell$ y asignando disparos $N_\ell$) se formula como un Programa de Cono de Segunda Orden (SOCP).

   • El objetivo minimiza la constante de disparo principal $\Phi = \min \sum \sqrt{c_\ell} \|F_\ell\|_\rho$ sujeto a la restricción de reconstrucción $\sum F_\ell = H$.
   • Esta formulación subsume todas las libertades de división de coeficientes (incluyendo la división con traslape y el uso de covarianza dependiente del estado) en un único gauge convexo.

2. Certificados Duales: El SOCP posee un dual cónico que proporciona un testigo de límite inferior ($L$).

   • Una solución primal arroja un límite superior ($U$) que representa el costo de un programa específico.
   • Un vector $y$ factible dual certifica que ningún estimador estratificado lineal imparcial sobre el mismo diccionario puede lograr un costo menor que $L$.
   • La brecha $U/L$ proporciona un certificado verificable por máquina de la optimalidad. Si $U=L$, el programa es globalmente óptimo para el paisaje declarado.

3. Capa Externa (Búsqueda Combinatoria): El diseño del propio diccionario (seleccionar qué contextos incluir) y la calibración de los modelos de covarianza son problemas no convexos. Los autores emplean RANGE, un optimizador global robusto de naturaleza adaptativa inspirado en la naturaleza (hibridando algoritmos de colonia de abejas artificiales y genéticos), para:

   • Buscar sub-diccionarios óptimos (compresión).
   • Realizar generación de columnas: utilizando el testigo dual como un "oráculo de precios" para identificar los contextos faltantes que violan la restricción dual (es decir, contextos que provablemente reducirían el costo).
   • Calibrar modelos de radio de covarianza mediante datos piloto.

4. Robustez: Para manejar la incertidencia en el modelo de covarianza (por ejemplo, de mediciones piloto o estados proxy), el marco construye intervalos de confianza simultáneos (sándwich) para las matrices de covarianza. Esto produce certificados robustos basados en datos ($L_{rob} \le \Phi \le U_{rob}$) que se mantienen con alta probabilidad sin requerir el conocimiento del estado real $\rho$.

Contribuciones Clave

1. Óptimo Exacto con Pedigrí Clásico: El artículo establece que la constante de disparo mínima para cualquier diccionario finito es el valor de un SOCP. Esto es una especialización de diseño experimental $c$-óptimo de respuesta múltiple para contextos cuánticos, proporcionando el cierre convexo global del espacio de diseño de división de coeficientes.
2. Certificados Independientemente Verificables: A diferencia de trabajos previos que reportan programas y varianzas estimadas, este marco exporta un testigo dual. Un verificador puede reparar los residuales de factibilidad y recomputar los límites sin confiar en el optimizador, asegurando que la brecha reportada sea conservadora y válida.
3. Validez bajo Incertidumbre de Covarianza: El Teorema 4 proporciona certificados robustos de alta confianza utilizando datos piloto, elevando los certificados basados en oráculos a certificados basados en datos.
4. Certificación de Diccionario vía Generación de Columnas: El testigo dual actúa como un oráculo de precios. Si un contexto faltante viola la restricción dual, este se añade al diccionario. Esto permite al marco certificar la optimalidad sobre un paisaje más grande que el inicialmente resuelto o identificar cuándo un paisaje debe ser agrandado.
   5.Instrumento de Calificación: El certificado distingue tres regímenes: heurísticas que ya son óptimas en su propio paisaje, heurísticas que dejan "libertad de gauge" (división no optimizada) sobre la mesa, y paisajes que son fundamentalmente subóptimos y requieren un agrandamiento.

Resultados Numéricos
El marco fue validado a través de paisajes sintéticos, hamiltonianos moleculares (H$_2$, LiH, BeH$_2$, H$_2$O) y hamiltonianos de elementos f a escala de producción (CeO, NdO, UO$_2^+$, UO$_2^+$) con 29–35 qubits.

• Brechas de Optimalidad: Para sistemas pequeños como H$_2$, las estrategias estándar (por ejemplo, inserción ordenada) resultaron ser exactamente óptimas. Sin embargo, para sistemas más grandes como H$_2$O, las estrategias estándar dejaron factores de 2.1–7.7 en costos de disparos sin optimizar dentro de sus propios entornos.
• Compresión de Diccionario: Usando búsqueda global, los autores comprimieron los diccionarios de contextos moleculares en un factor de 4.3–6.1$\times$ aumentando el costo de disparo certificado en solo un 0.2–2.1%. Esto reveló un "codo" pronunciado en la relación entre el tamaño del diccionario y el costo.
• Impacto de Configuraciones Entrelazadas: La adición de contextos totalmente conmutativos (FC) (configuraciones entrelazadas) redujo el óptimo certificado en un 25–56% para sistemas moleculares. Para los hamiltonianos de elementos f de producción, este agrandamiento ahorró entre un 31–70% de disparos en comparación con los diccionarios de solo QWC.
• Compresión vs. Muestreo: El estudio demostró que las técnicas de compresión diseñadas para reducir las normas de codificación de bloques (block-encoding) (costo de simulación) no necesariamente reducen el costo de muestreo. Por ejemplo, los cambios de simetría redujeron significativamente la norma de codificación de bloques pero tuvieron un impacto mínimo en la constante de medición certificada, mientras que el recorte de qubits (qubit tapering) redujo significativamente el conteo de disparos.
• Escala de Producción: El método generó exitosamente certificados para hamiltonianos con $\sim 2 \times 10^4$ términos y $\sim 10^4$ contextos (aproximadamente $2 \times 10^6$ variables de cono) en 8–15 minutos en un solo nodo de CPU, con brechas certificadas por debajo del $10^{-1}\%$.

Significancia y Reivindicaciones
El artículo afirma establecer un estándar común para las reivindicaciones de reducción de medición. Al separar las decisiones de diseño no convexas (selección de diccionario) del núcleo convexo (asignación óptima), el marco asegura que la búsqueda global se reserve para problemas combinatorios genuinos, mientras que la optimización convexa proporciona garantías probables para la asignación.

Los autores enfatizan que el marco no reemplaza las heurísticas existentes (como ShadowGrouping o la cobertura de clics mínimos), sino que proporciona una capa de certificación sobre ellas. Una vez que una heurística propone un diccionario o un programa, el programa cónico optimiza la libertad restante, y el testigo dual certifica qué tan cerca está el resultado del límite teórico. El artículo concluye que la reducción de la medición debe verse como "geometría más optimización", donde la geometría del paisaje está definida por los contextos permitidos, y el certificado proporciona los límites rigurosos necesarios para evaluar el progreso.

Los autores señalan explícitamente las limitaciones: el certificado es condicional al modelo de covarianza declarado (covarianzas erróneas producen declaraciones rigurosas sobre datos erróneos), y la garantía es relativa al paisaje declarado (el precio exacto sobre todos los posibles contextos de estabilizador sigue siendo un problema combinatorio difícil). El marco está diseñado para estimadores estratificados imparciales de objetivos conocidos, no para protocolos adaptativos o de información completa, aunque puede calificar los estimadores inducidos por tales protocolos.