Normalizing Flows for Classical Simulation of Quantum Circuits in Phase Space

Resumen Técnico: Flujos Normalizantes para la Simulación Clásica de Circuitos Cuánticos en el Espacio de Fases

Planteamiento del Problema
La simulación clásica de sistemas de muchos cuerpos cuánticos sigue siendo un desafío crítico para comprender la ventaja cuántica y controlar el hardware cuántico. Los métodos tradicionales enfrentan limitaciones significativas: los enfoques exactos de vector de estado y de trayectoria (path-integral) sufren de una complejidad algorítmica exponencial respecto al tamaño del sistema, mientras que las técnicas que aprovechan la estructura (por ejemplo, circuitos de Clifford, redes de tensores) están restringidas a clases específicas de circuitos o regímenes de bajo entrelazamiento. Además, los enfoques de aprendizaje automático existentes, como los Estados Cuánticos Neuronales (NQS) y los modelos generativos para la dinámica cuántica, suelen exhibir una precisión degradada a medida que el tamaño del sistema y el tiempo de evolución aumentan. Una dificultad clave reside en representar los estados cuánticos como distribuciones de probabilidad sin recurrir a relajaciones discretas o incrustaciones (embeddings) diseñadas manualmente que puedan perder fidelidad.

Metodología
Los autores proponen un marco que representa los estados de salida de los circuitos cuánticos utilizando la formulación de espacio de fases de sistemas de muchos qubits, específicamente utilizando la función Q de Husimi.

1. Representación en el Espacio de Fases:

   • Los estados de $N$ qubits se mapean a distribuciones de probabilidad sobre la variedad suave $(S^2)^N$. La función Q para un estado $|\psi\rangle$ se define como $Q_{|\psi\rangle}(\Omega) = \frac{1}{(2\pi)^N} |\langle \Omega | \psi \rangle|^2$, donde $\Omega$ representa las coordenadas en el producto de las esferas de Bloch.
   • Las puertas unitarias $U$ corresponden a operaciones de convolución con núcleos integrales $K_U$ en este espacio de fases. Aunque estos núcleos pueden contener valores negativos (lo que impide el muestreo directo), permiten la evolución exacta de la distribución.

2. Formulación de Flujos Normalizantes:

   • Los autores modelan la evolución del circuito cuántico como una secuencia de flujos normalizantes. En lugar de muestrear directamente desde la convolución del núcleo potencialmente negativo, aprenden una transformación de flujo $f_k$ para cada puerta $U_k$ que mapea la distribución del estado anterior $Q_{|\psi_{k-1}\rangle}$ al siguiente estado $Q_{|\psi_k\rangle}$.
   • La transformación se define mediante la fórmula de cambio de variables:
     $$\tilde{Q}_{|\psi_k\rangle}(\Omega) = Q_{|\psi_{k-1}\rangle}(f_k^{-1}(\Omega)) \left| \det \frac{\partial f_k^{-1}}{\partial \Omega} \right|$$
   • Esta arquitectura es naturalmente composable, reflejando la estructura secuencial del circuito cuántico.

3. Estrategia de Entrenamiento:

   • El modelo se entrena para minimizar la divergencia de Kullback-Leibler (KL) entre la distribución obtenida mediante la convolución del núcleo de transición exacto y la distribución generada por el flujo aprendido.
   • Para asegurar la estabilidad, los flujos se pre-entrenan secuencialmente ($k=1$ a $K$) y luego se ajustan (fine-tuning) de forma conjunta.
   • El estado inicial es típicamente el estado fiducial $|00\dots0\rangle$, que posee una función Q de forma producto conocida y eficiente.

Contribuciones Clave

• Modelado de Espacio de Fases Continuo: A diferencia de los enfoques generativos previos que operan sobre dominios discretos o requieren relajaciones continuas, este método opera directamente sobre la variedad continua $(S^2)^N$, evitando la necesidad de incrustaciones diseñadas manualmente.
• Arquitectura Composable: El marco asigna un flujo normalizante específico a cada puerta, lo que permite al modelo escalar con la profundidad del circuito sin necesidad de reentrenar una arquitectura fija después de cada paso (una limitación de los métodos variacionales previos).
• Muestreo Eficiente: Al aprovechar la composibilidad de los flujos, el método permite un muestreo eficiente y la estimación de verosimilitud para tamaños de sistema grandes, transformando el problema del crecimiento exponencial del espacio de Hilbert en un problema de expresividad del modelo.

Resultados Experimentales
El marco fue evaluado en tres familias de circuitos cuánticos: preparación de estados de clúster 1D, preparación de estados GHZ y preparación del estado fundamental para un modelo de Ising de campo transversal (TFIM) 1D mediante el Algoritmo Cuántico Variacional (VQE).

• Desempeño: El método se comparó con líneas base de redes neuronales de vanguardia, específicamente IC-POVM (usando transformadores) y NQS con TDVP.
• Escalabilidad:
  • Para estados de clúster 1D con $N=64$ qubits, el modelo logró una fidelidad clásica de $\approx 0.96$, superando a IC-POм ($0.91$ en $N=60$) y NQS ($0.84$ en $N=60$).
  • Para estados GHZ, el modelo alcanzó una fidelidad de $\approx 0.965$, superando a ambas líneas base.
  • Para el circuito VQE (10 qubits), la fidelidad disminuyó linealmente con el conteo de puertas pero se mantuvo más alta ($0.985$) que la línea base de transformadores ($0.965$) durante la profundidad probada.
• Observación: La precisión del modelo excede los métodos actuales de redes neuronales a medida que el tamaño del sistema y la profundidad del circuito aumentan.

Significado y Limitaciones
El artículo afirma que este enfoque abre una nueva vía para la simulación de circuitos cuánticos utilizando modelos generativos, particularmente para tamaños de sistema grandes donde otros métodos se degradan.

• Costo Computacional: Los autores señalan un compromiso: aunque la precisión escala bien, el costo de entrenamiento crece como $O(K^2)$ (donde $K$ es el número de puertas) porque se requiere invertir los flujos previos para cada paso de entrenamiento. Esto contrasta con los métodos de línea base que reentrenan modelos de tamaño fijo ($O(K)$).
• Negatividad y Aproximación: La necesidad del flujo surge del "problema de signo" (valores negativos en los núcleos de transición). El error de aproximación se acumula exponencialmente con la profundidad del circuito, manifestándose como la degradación de la fidelidad observada en circuitos más profundos.
• Dependencia del Estado: Los flujos aprendidos son mapas de transporte aproximados específicos para la distribución de entrada. Mientras que las puertas de un solo qubit admiten flujos exactos e independientes de la entrada (rotaciones), las puertas de entrelazamiento requieren reentrenamiento para diferentes estados de entrada.

Los autores concluyen que este marco demuestra la capacidad de escalar a grandes tamaños de sistema y sugiere futuros benchmarks en dinámica de Trotter, evolución con ruido y el uso del flujo compuesto como un ansatz variacional para optimizar los parámetros del circuito.