Improving Ground State Accuracy of Variational Quantum Eigensolvers with Soft-coded Orthogonal Subspace Representations

Cet article propose une nouvelle approche pour améliorer la précision des estimations de l'état fondamental dans les algorithmes VQE en remplaçant les contraintes d'orthogonalité « codées en dur » par des pénalités « codées en douceur » dans la fonction de coût, permettant ainsi d'utiliser des circuits quantiques plus peu profonds tout en maintenant une haute fidélité.

L'essentiel

🌟 Le Problème : Trouver le fond de la vallée dans le brouillard

Imaginez que vous cherchez le point le plus bas d'une immense vallée (l'état d'énergie le plus bas d'un système quantique, ou "état fondamental"). C'est un problème crucial pour comprendre la chimie ou les matériaux, mais le terrain est très accidenté et brumeux.

Les ordinateurs quantiques actuels (appelés NISQ) sont comme des randonneurs très talentueux mais qui se fatiguent vite. Ils ne peuvent pas marcher longtemps sans se tromper de chemin à cause du bruit et de la fatigue (la décohérence).

L'algorithme habituel, le VQE, envoie un seul randonneur avec une carte (un circuit quantique) pour trouver le bas de la vallée. Mais souvent, ce randonneur se perd, s'arrête sur une petite colline (un minimum local) ou ne trouve pas le vrai fond parce que sa carte est trop simple.

💡 La Solution : Envoyer une équipe, pas un seul homme

Les chercheurs (Giuseppe Clemente et Marco Intini) proposent une nouvelle idée : au lieu d'envoyer un seul randonneur, envoyons une équipe de plusieurs randonneurs qui explorent la vallée ensemble.

Dans le monde quantique, cela s'appelle une "représentation par sous-espace". Au lieu de chercher un seul état, on cherche un petit groupe d'états qui couvrent bien la zone basse de la vallée. Une fois l'équipe arrivée, on utilise un ordinateur classique pour analyser leurs positions et calculer exactement où se trouve le point le plus bas.

⚔️ Le Conflit : La méthode "Rigide" vs La méthode "Souplesse"

Jusqu'à présent, il existait deux façons de gérer cette équipe :

1. La méthode "Rigide" (Hard-coded) : C'est comme une formation militaire stricte. Chaque membre de l'équipe doit rester à une distance fixe et précise des autres. Ils ne doivent jamais se toucher.

   • Le problème : Pour maintenir cette distance parfaite, les randonneurs doivent porter un équipement lourd et complexe (des circuits quantiques très profonds). Comme les ordinateurs quantiques actuels sont fragiles, cet équipement les épuise avant qu'ils n'arrivent au but. Ils finissent par trouver un bon endroit, mais pas le meilleur possible.

2. La méthode "Souple" (Soft-coded) - La nouvelle idée du papier : C'est comme une équipe de randonneurs amis qui ont un accord verbal : "Essayons de ne pas nous marcher dessus, mais si on se frôle un peu, ce n'est pas grave, on s'ajustera plus tard."

   • Au lieu d'imposer une règle stricte de distance, on ajoute une petite "pénalité" dans leur objectif : "Si vous vous chevauchez trop, vous perdez des points."
   • Cela permet aux randonneurs d'utiliser des équipements beaucoup plus légers (des circuits quantiques plus courts et plus simples). Ils peuvent avancer plus vite et avec moins de fatigue.

🎯 Les Résultats : Qui gagne la course ?

Les auteurs ont testé ces deux méthodes sur deux terrains difficiles (un modèle magnétique simple et un modèle "verre de spin" très désordonné).

• La méthode Rigide : Elle s'est bien comportée, mais elle n'a pas fait beaucoup mieux que le randonneur seul. Elle est restée bloquée à un niveau de précision moyen (environ 80-85% de réussite), même avec beaucoup d'efforts.
• La méthode Souple (Soft-coded) : C'est la grande gagnante ! Avec des circuits beaucoup plus courts (moins fatiguants), elle a atteint une précision incroyable (plus de 97%).
  • L'analogie : Imaginez que la méthode rigide est un coureur de marathon avec des bottes de plomb : il arrive, mais épuisé. La méthode souple est un coureur en tongs qui court plus vite, s'adapte mieux au terrain et arrive avec une énergie intacte pour trouver le trésor exact.

🚀 Pourquoi c'est important pour demain ?

Dans l'ère actuelle des ordinateurs quantiques (le "NISQ"), la durée de vie des calculs est très courte avant que le bruit ne gâche tout.

• La méthode souple permet d'obtenir des résultats de très haute qualité avec des circuits plus courts.
• C'est comme si on trouvait un raccourci secret pour atteindre le sommet de la montagne sans avoir besoin d'escalader la paroi verticale.

En résumé : Ce papier nous dit que pour trouver la solution parfaite avec nos ordinateurs quantiques actuels, il faut arrêter d'être trop stricts avec nos "équipes" de calcul. En laissant un peu de flexibilité (en utilisant des pénalités douces au lieu de règles strictes), on obtient des résultats bien plus précis, plus vite et avec moins de ressources. C'est une victoire de la flexibilité sur la rigidité !

Résumé technique

1. Problématique

Le Variational Quantum Eigensolver (VQE) est une méthode clé pour trouver l'état fondamental de systèmes quantiques fermés, particulièrement adaptée à l'ère des ordinateurs quantiques à échelle intermédiaire bruyante (NISQ). Cependant, l'approche standard, qui utilise un seul état paramétré (un seul vecteur d'ansatz), souffre de limitations :

• Convergence non monotone : La fidélité de l'estimation de l'état fondamental peut diminuer même lorsque la fonction de coût (énergie moyenne) continue de baisser, souvent à cause d'un sur-ajustement vers des états excités de basse énergie.
• Limites de l'expressibilité : Les circuits profonds nécessaires pour atteindre une haute fidélité sont souvent inaccessibles sur le matériel NISQ en raison de la décohérence.
• Méthodes existantes : Des approches de sous-espace comme le SSVQE (Subspace-Search VQE) et le MCVQE (Multistate Contracted VQE) tentent d'améliorer la précision en cherchant un sous-espace de dimension $K$ plutôt qu'un seul état. Cependant, elles imposent des contraintes d'orthogonalité strictes (codées en dur) au niveau de la structure du circuit. Cela force l'utilisation de circuits plus profonds ou impose des contraintes rigides qui limitent l'expressibilité de l'ansatz et peuvent empêcher d'atteindre une haute fidélité.

2. Méthodologie

Les auteurs proposent une nouvelle approche appelée représentation de sous-espace avec orthogonalité « soft-coded » (codée en douceur).

• Représentation du sous-espace : Au lieu d'utiliser un seul circuit $U(\theta)$ appliqué à $K$ états initiaux orthogonaux (comme dans SSVQE/MCVQE), la méthode soft-ortho utilise $K$ circuits indépendants $\{U_p(\theta^{(p)})\}$ appliqués chacun à un état initial fixe (généralement $|0\rangle$). Les paramètres $\theta^{(p)}$ sont distincts pour chaque état du cadre (frame).
• Fonction de coût : L'orthogonalité entre les $K$ états n'est pas imposée par la structure du circuit, mais est pénalisée dans la fonction de coût via un terme de déflation.
  $$C_K(\theta) = \sum_{p=0}^{K-1} \langle \psi_p | H | \psi_p \rangle + \beta \sum_{p<q} |\langle \psi_q | \psi_p \rangle|^2$$
  où $\beta$ est un hyperparamètre contrôlant la pénalité de chevauchement.
• Diagonalisation finale : Une fois la convergence atteinte, on construit la matrice du Hamiltonien restreint au sous-espace ($H_{trc}$) et la matrice de recouvrement ($S$). On résout ensuite un problème de valeurs propres généralisé ($Hc = \lambda Sc$) classiquement pour extraire la meilleure approximation de l'état fondamental.
• Mesures : Contrairement aux méthodes à orthogonalité stricte où $S$ est l'identité, la méthode soft-ortho nécessite l'estimation des éléments de matrice hors-diagonale de $S$ (chevauchements) et de $H$ via des tests de Hadamard généralisés.

3. Contributions Clés

• Assouplissement des contraintes : Remplacer les contraintes d'orthogonalité structurelles (qui augmentent la profondeur du circuit) par des pénalités dans la fonction de coût permet d'utiliser des circuits quantiques plus peu profonds.
• Expressibilité accrue : La combinaison linéaire d'états générés par des circuits indépendants (non commutatifs) enrichit l'ensemble des états accessibles (expressibilité) par rapport aux méthodes à orthogonalité stricte, même avec des circuits peu profonds.
• Robustesse face aux plateaux : La méthode atténue le phénomène de convergence non monotone observé dans le VQE standard et le SSVQE, où l'optimisation peut favoriser des états excités au détriment de l'état fondamental.

4. Résultats Expérimentaux

Les auteurs ont validé leur approche sur deux modèles benchmarks simulés classiquement (sans bruit) :

1. Modèle d'Ising en champ transverse (TFI) : Une grille $3 \times 3$ périodique près du point critique.
2. Verre de spin d'Edwards-Anderson (EA) : Une grille $4 \times 4$ avec des couplages désordonnés (cas plus difficile, sans symétries exploitables).

Résultats principaux :

• Fidélité supérieure : La méthode soft-ortho atteint systématiquement des fidélités supérieures à 95-97% (pour TFI) et 80-90% (pour EA), surpassant largement le VQE standard (~70-80%) et le hard-ortho (SSVQE/MCVQE, ~80-85%).
• Circuits peu profonds : La méthode soft-ortho atteint ces haute précisions avec des circuits beaucoup moins profonds que ceux requis par les autres méthodes. Par exemple, un circuit peu profond en soft-ortho dépasse souvent la meilleure fidélité obtenue par le VQE standard avec des circuits très profonds.
• Stabilité : Les résultats montrent une convergence plus robuste et moins de dispersion entre les différentes exécutions (runs) par rapport au VQE standard.
• Dimension du sous-espace : L'augmentation de la dimension du sous-espace au-delà de $K=2$ n'apporte pas d'amélioration significative de la fidélité finale, suggérant qu'un seul état supplémentaire suffit pour corriger les erreurs de l'état fondamental dans ces configurations.
• Gain relatif : Le facteur de gain relatif (rapport des infidélités) montre que la méthode soft-ortho réduit l'erreur de plusieurs ordres de grandeur par rapport au VQE standard (facteurs de gain > 10 pour TFI et > 2 pour EA).

5. Signification et Perspectives

• Avantage pour l'ère NISQ : La capacité d'obtenir une haute précision avec des circuits peu profonds est cruciale pour les dispositifs NISQ actuels, où la décohérence limite la profondeur des circuits. Cette méthode permet de contourner cette limitation sans sacrifier la précision.
• Généralité : La méthode ne nécessite pas de connaissances a priori sur les symétries du Hamiltonien (hypothèse A.1), ce qui la rend applicable à des systèmes complexes comme les verres de spin, où les approches basées sur les symétries échouent ou deviennent trop complexes.
• Futur : Les auteurs suggèrent d'explorer l'adaptation dynamique de la dimension du sous-espace $K$ et du paramètre de pénalité $\beta$, ainsi que l'intégration de cette approche avec des techniques d'ansatz adaptatif (comme ADAPT-VQE) et l'étude de l'impact du bruit de mesure et du bruit quantique sur la diagonalisation finale.

En résumé, cet article démontre que le passage d'une orthogonalité stricte (codée en dur) à une orthogonalité douce (pénalisée) dans les méthodes de sous-espace VQE offre un compromis optimal entre la profondeur du circuit et la précision de l'état fondamental, rendant ces algorithmes plus viables pour les calculateurs quantiques actuels.