Finite size scaling of bitstring probability distributions for Rydberg arrays

Resumen Técnico: Escalamiento de Tamaño Finito de las Distribuciones de Probabilidad de Cadenas de Bits para Arreglos de Rydberg

Planteamiento del Problema
En las simulaciones cuánticas de física de partículas, nuclear y de la materia condensada, estimar los observables con precisión estadística requiere un gran número de mediciones (shots). A medida que aumenta el tamaño del sistema simulado ($N_q$, el número de cúbits), el número de posibles estados de cadenas de bits crece exponencialmente, lo que provoca que las probabilidades de los estados individuales ($p_{\{n\}}$) disminuyan y se vuelvan más densas en el régimen de baja probabilidad. Esto plantea una pregunta crítica: ¿puede la pequeñez de las probabilidades individuales ser compensada por su gran cantidad, y cuál es el número mínimo de shots requerido para lograr una precisión estadística deseada para sistemas más grandes? Trabajos previos sugieren que la caracterización de sistemas mediante distribuciones a gran escala puede revelar comportamientos estructurales, pero las leyes de escalamiento explícitas para las probabilidades de las cadenas de bits en arreglos de átomos de Rydberg no han sido plenamente cuantificadas.

Metodología
Los autores investigan arreglos de átomos de Rydberg dispuestos en una configuración de escalera (dos filas con una relación de espaciamiento vertical-a-horizontal de $\rho=2$). El sistema está descrito por un Hamiltoniano que involucra la frecuencia de Rabi ($\Omega$), el desajuste ($\Delta$) y las interacciones de van der Waals ($V_{ij}$).

Para analizar las distribuciones de probabilidad, los autores utilizan Estados de Producto de Matrices (MPS) calculados mediante métodos de DMRG (Grupo de Renormalización de Matriz de Densidad). Generan diccionarios de probabilidades de cadenas de bits ($p_{\{n\}}$) para sistemas que van desde 4 hasta 22 peldaños (hasta 44 átomos). El núcleo de su análisis es la distribución de probabilidad acumulada, definida como:
$$\Sigma(p_\Lambda, N_q) = \sum_{\{n\}: p_{\{n\}} \leq p_\Lambda} p_{\{n\}}$$
Esta función representa la probabilidad total de observar cualquier estado con una probabilidad menor o igual a un umbral $p_\Lambda$. Los autores analizan el comportamiento de escalamiento de $\Sigma$ a través de diferentes tamaños de sistema ($N_q$) y totales de shots ($N_{sh} = 10^9$).

Contribuciones Clave y Resultados

1. Escalamiento de Tamaño Finito y Colapso de Curvas:
   Los autores demuestran que las distribuciones de probabilidad acumulada para diferentes tamaños de sistema exhiben un "comportamiento repetido", particularmente en el rango $0.2 < \Sigma < 0.8$. Al identificar una probabilidad característica $p^*$ (donde la distribución alcanza un valor fijo de $\Sigma$) y reescalar la variable independiente como $(p_\Lambda/p^*)^B$ (donde $B$ es la pendiente de la región lineal), las distribuciones para varios $N_q$ colapsan en una única curva universal.

2. Analogía de Fermi-Dirac (Región II):
   En la región central de la distribución (Región II), la curva colapsada se asemeja estrechamente a una distribución estadística de Fermi-Dirac. Los autores muestran que $\Sigma(p_\Lambda)$ puede aproximarse mediante:
   $$\Sigma \simeq \frac{1}{1 + e^{\beta(\epsilon - \mu)}}$$
   donde $\epsilon = -\ln(p_\Lambda)$ y $\mu = -\ln(p^*)$. Esta analogía permite la caracterización del "punto de inflexión" (donde $\Sigma = 1/2$, denotado como $p^*_{1/2}$). El escalamiento de $p^*_{1/2}$ con el tamaño del sistema resulta ser exponencial, lo que indica que, a medida que $N_q$ aumenta, la masa de probabilidad se distribuye más uniformemente a través de un vasto número de estados.

3. Escalamiento de Probabilidades Máximas (Región I):
   En la Región I (estados de alta probabilidad), los autores rastrean la probabilidad máxima de un solo estado ($p_{\max}$). Confirman que $p_{\max}$ escala exponencialmente con el tamaño del sistema ($p_{\max} \sim 2^{-N_q}$). Esto establece un límite fundamental sobre el tamaño de sistema accesible para un determinado total de shots, ya que la probabilidad mínima resoluble está acotada por $1/N_{sh}$.

4. Baja Probabilidad y Estados de Ocurrencia Única (Regiones III y IV):

   • Región III: En probabilidades más bajas, las distribuciones siguen una forma de ley de potencia $\Sigma(p_\Lambda) \simeq A p_\Lambda^B$ cuando se grafican en una escala log-log. Los autores señalan que el comportamiento aquí está fuertemente influenciado por el total de shots finito ($10^9$), lo que crea un corte estricto en $p \approx 10^{-9}$.
   • Región IV: Esta región representa la "cola" de los estados de ocurrencia única. Los autores cuantifican el número de estados observados exactamente una vez, mostrando que, si bien este número crece con el tamaño del sistema, crece más lentamente que la dimensión total del espacio de Hilbert ($2^{N_q}$).

5. Estimación del Requerimiento de Shots:
   Al analizar el escalamiento de $p^*_{1/2}$ y $p_{\max}$, los autores estiman los requerimientos de shots para futuras simulaciones.

   • Basándose en el escalamiento de $p_{\max}$, un sistema de aproximadamente 120 cúbits podría ser simulado con $10^9$ shots.
   • Basándose en el escalamiento de $p^*_{1/2}$ (donde la probabilidad acumulada alcanza 0.5), el límite para una precisión específica se estima alrededor de 60 cúbits para el mismo total de shots.

Significancia y Reivindicaciones
El artículo afirma proporcionar un método para predecir los requerimientos de shots necesarios para grandes sistemas cuánticos mediante el análisis de las distribuciones de probabilidad de sistemas más pequeños y computacionalmente accesibles. La significancia principal reside en la identificación de un costo exponencial asociado con el aumento del tamaño del sistema, el cual es cuantificado a través del escalamiento de $p^*_{1/2}$ y $p_{\max}$.

Sin embargo, los autores son modestos en sus conclusiones, señalando que, aunque el costo es exponencial, aumenta a una fracción de la tasa de incremento del tamaño del sistema mismo. Por consiguiente, esto no impone un "límite duro" al uso de los dispositivos, sino que motiva el "uso inteligente de los recursos". El trabajo establece que el comportamiento de los sistemas grandes puede describirse mediante las distribuciones de sistemas más pequeños a través del colapso propuesto y la analogía de Fermi-Dirac, ofreciendo una herramienta para estimar los errores estadísticos y la viabilidad de simular arreglos de átomos de Rydberg cada vez más grandes.