Ground state preparation of random all-to-all Hamiltonians using ADAPT-VQE

Cet article démontre que l'algorithme TETRIS-ADAPT-VQE peut parvenir à une préparation de l'état fondamental de haute fidélité pour des hamiltoniens aléatoires tout-à-tous comme les modèles SK et SYK, bien qu'il ne reste efficace que pour le modèle SK tout en échouant à passer à l'échelle efficacement pour les modèles SYK denses ou modérément creux.

L'essentiel

Imaginez que vous essayiez de trouver la position la plus stable et la plus détendue pour une foule immense et chaotique de personnes. Dans le monde de la physique quantique, cette « foule » est un groupe de particules, et sa « position détendue » est appelée l'état fondamental. Trouver cet état est crucial pour comprendre comment les matériaux se comportent, comment les trous noirs fonctionnent et même comment la gravité se connecte à la mécanique quantique.

Cependant, certaines de ces foules sont incroyablement difficiles à organiser. Elles sont « aléatoires » et « tout-à-tout », ce qui signifie que chaque particule interagit constamment avec toutes les autres, et pas seulement avec ses voisines. Cela crée un niveau de complexité qui ressemble à une tentative de démêler un nœud où chaque brin est lié à tous les autres.

Cet article étudie si nous pouvons utiliser un nouveau type d'algorithme d'ordinateur quantique, appelé TETRIS-ADAPT-VQE, pour organiser ces foules chaotiques efficacement. Considérez cet algorithme comme un bâtisseur intelligent et adaptatif qui construit un « circuit » spécifique (un ensemble d'instructions) pour guider les particules vers leur état le plus calme. Les chercheurs ont testé cela sur trois types différents de foules chaotiques :

1. Le modèle SK Quantique : Une foule où tout le monde interagit avec tout le monde de manière aléatoire.
2. Le modèle SYK Dense : Une foule où tout le monde interagit avec tout le monde, mais les règles sont légèrement différentes (impliquant des types spécifiques de particules appelées fermions de Majorana).
3. Le modèle SYK Clairsemé : Une version « épurée » du modèle SYK Dense, où de nombreuses interactions ont été supprimées pour voir si cela devient plus facile à gérer.

Les Résultats : Un conte de deux foules

Les chercheurs ont découvert que la difficulté d'organiser ces foules dépend entièrement de quel type de foule il s'agit.

1. Le modèle SK : La foule gérable
Pour le modèle SK quantique, l'algorithme a fonctionné magnifiquement. C'était comme construire une maison avec un ensemble standard de briques. À mesure que la foule grandissait (jusqu'à 18 personnes), le nombre d'instructions nécessaires pour les organiser augmentait de manière prévisible et gérable (croissance polynomiale). L'algorithme a réussi à trouver la position de repos parfaite avec une précision quasi parfaite (plus de 99,99 % de réussite).

• La conclusion : Pour ce type spécifique d'interaction aléatoire, les ordinateurs quantiques semblent très prometteurs pour résoudre le problème efficacement.

2. Les modèles SYK : Le nœud impossible
Pour les modèles SYK « Dense » et « Clairsemé », l'histoire est très différente. Même si le modèle « Clairsemé » possédait moins d'interactions (comme retirer certains des fils emmêlés), l'algorithme a quand même énormément lutté.

• Le problème : À mesure que la foule grandissait (jusqu'à 20 particules), le nombre d'instructions requises pour les organiser explosait de manière exponentielle. C'est comme si ajouter une seule personne dans la pièce nécessitait de doubler l'équipe de construction et la quantité de matériaux de construction.
• La surprise : Les chercheurs s'attendaient à ce que rendre le modèle « clairsemé » (en supprimant des interactions) le rende plus facile à gérer. Cependant, ils ont découvert que l'intrication (les connexions invisibles et complexes entre les particules) restait aussi désordonnée et « volumineuse » que la version dense. Les particules étaient toujours si profondément liées que supprimer quelques règles ne simplifiait pas le puzzle global.
• La conclusion : Même avec un algorithme quantique puissant, préparer l'état fondamental pour ces modèles SYK spécifiques est actuellement trop difficile. La complexité croît trop rapidement pour que l'ordinateur puisse la gérer à mesure que le système s'agrandit.

Pourquoi est-ce important ?

L'article conclut que si les ordinateurs quantiques peuvent être excellents pour résoudre les problèmes aléatoires de type « SK », ils se heurtent à un mur avec les problèmes de type « SYK ». Le modèle SYK « Clairsemé », qui était espéré comme une version plus facile, s'est avéré tout aussi difficile car la nature fondamentale des connexions des particules (leur intrication) n'a pas changé simplement parce qu'il y avait moins de règles.

En bref : les chercheurs ont construit un « organisateur » très intelligent (l'algorithme). Il a parfaitement fonctionné pour un type de pièce chaotique, mais a échoué pour les deux autres, prouvant que certains problèmes quantiques sont intrinsèquement beaucoup plus difficiles à résoudre que d'autres, peu importe le nombre de connexions que vous tentez de supprimer.

Résumé technique

Résumé Technique : Préparation de l'état fondamental d'Hamiltoniens aléatoires à interaction tous-vers-tous via ADAPT-VQE

Énoncé du Problème
L'article traite du défi que représente la préparation des états fondamentaux pour des Hamiltoniens aléatoires avec des interactions tous-vers-tous, spécifiquement le modèle de Sherrington-Kirkpatrick (SK) quantique et le modèle de Sachdev-Ye-Kitaev (SYK) (dans ses variantes denses et éparses). Ces systèmes sont caractérisés par une intrication de type "volume-law" dans leurs états fondamentaux, ce qui les rend difficiles à simuler avec les méthodes classiques de réseaux de tenseurs. Bien que les États Quantiques Neuronaux (NQS) aient amélioré les approximations classiques, ils peinent à reproduire le comportement correct de tous les états "volume-law", particulièrement pour le modèle SYK. Par conséquent, les auteurs étudient si les algorithmes quantiques variationnels peuvent offrir un avantage quantique pour simuler ces systèmes désordonnés spécifiques, une question qui reste ouverte malgré des arguments théoriques suggérant que des Hamiltoniens aléatoires suffisamment épars pourraient être faciles à préparer.

Méthodologie
Les auteurs emploient l'algorithme TETRIS-ADAPT-VQE (Variational Quantum Eigensolver adaptatif par assemblage de dérivées ajusté au problème). Cette approche construit des circuits quantiques compacts et adaptés au matériel en sélectionnant itérativement des opérateurs à partir d'un ensemble prédéfini basé sur l'information de gradient, évitant ainsi les problèmes d'optimisation associés aux ansätze fixes.

Composants méthodologiques clés :

• Pools d'opérateurs : Pour respecter les symétries des Hamiltoniens et assurer une convergence efficace, les auteurs construisent des pools d'opérateurs de Pauli informés par la symétrie.
  • Pour le modèle SK, le pool inclut les opérateurs $Z_i Y_j$ et $Y_i Z_j$ ($i < j$), dérivés des symétries de renversement du temps et de parité.
  • Pour les modèles SYK (denses et éparses), le pool inclut $Z_i$, $X_i Y_j$, $Y_i X_j$, et $Z_i Z_j$ ($i < j$), respectant la symétrie de parité $Z_2$.
• États de référence : Les simulations utilisent une superposition égale d'états de Néel (pour SK) ou des états de Néel spécifiques dans le bon secteur de parité $Z_2$ (pour SYK) comme état de référence initial.
• Portée de la simulation : L'étude réalise des simulations classiques sans bruit pour évaluer la mise à l'échelle (scaling).
  • Modèle SK : Jusqu'à $L = 18$ sites (qubits).
  • Modèles SYK : Jusqu'à $N = 20$ fermions de Majorana (correspondant à $n = 10$ qubits). Le modèle SYK épars utilise un paramètre de sparsification $k_s = 9$.

Résultats Clés
La performance de l'algorithme varie considérablement entre les modèles SK et SYK :

1. Modèle SK Quantique :

   • L'algorithme construit avec succès des états fondamentaux précis pour jusqu'à $L=18$ qubits.
   • Fidélité : Atteint des fidélités $\geq 99,9998\%$ pour toutes les instances testées.
   • Mise à l'échelle (Scaling) : La préparation est efficace, avec une profondeur de porte à deux qubits (nombre de CNOT) et un nombre de paramètres variationnels qui évoluent de manière polynomiale avec la taille du système.
   • Dépendance de la phase : L'algorithme nécessite moins d'itérations et de paramètres pour $\Gamma = 3$ (phase paramagnétique) par rapport à $\Gamma = 1$ (proche de la transition de phase de verre de spin à $\Gamma = 1,5$), reflétant la complexité changeante de l'état fondamental.

2. Modèles SYK Denses et Épars :

   • L'algorithme atteint des fidélités élevées ($\geq 99,3\%$) pour jusqu'à $N=20$ fermions de Majorana.
   • Mise à l'échelle (Scaling) : Contrairement au modèle SK, la profondeur de porte à deux qubits et le nombre de paramètres évoluent de manière exponentielle (ou selon un polynôme de degré élevé) avec la taille du système pour les variantes denses et éparses.
   • Impact de la sparsification : Bien que la sparsification (réduisant les termes de l'Hamiltonien de $O(N^4)$ à $O(N)$) réduise considérablement le coût de mesure pour le post-traitement classique, elle ne réduit pas la complexité variationnelle requise pour préparer l'état fondamental.
   • Analyse de l'intrication : Les états fondamentaux des modèles SYK denses et épars ($k_s=9$) présentent tous deux une intrication de type "volume-law" ($S_{EE} \propto N$) avec des coefficients presque identiques. Cela indique que la difficulté de préparation est pilotée par la structure d'intrication de l'état plutôt que par le nombre de termes de l'Hamiltonien.

Signification et Revendications
L'article affirme que si TETRIS-ADAPT-VQE est une méthode efficace pour préparer les états fondamentaux du modèle SK quantique (suggérant qu'il s'agit d'une tâche adaptée aux ordinateurs quantiques de l'ère NISQ), elle n'est pas efficace pour les modèles SYK denses ou modérément épars considérés.

• Difficulté Intrinsèque : Les auteurs concluent que la mise à l'échelle exponentielle observée pour les modèles SYK est probablement intrinsèque au problème (due à l'intrication "volume-law") plutôt qu'un artefact du choix des hyperparamètres, comme testé en faisant varier les états de référence et les pools d'opérateurs.
• Limites de la Sparsification : Ce travail démontre que pour $k_s = 9$, la sparsification ne rend pas la préparation de l'état fondamental "facile" au sens quantique, distinguant ces modèles des Hamiltoniens "suffisamment épars" ($d=O(1)$) discutés dans la littérature théorique où la préparation est jugée facile.
• Questions Ouvertes : Les auteurs notent qu'il reste une question ouverte de savoir si la préparation de l'état fondamental peut être efficace pour ces modèles sur des ordinateurs quantiques pour des régimes de moindre sparsité ($k_s \gg 1$) ou si des algorithmes alternatifs (par exemple, AVQITE) pourraient donner des résultats différents. Ils ont également constaté que le transfert d'ansatz entre différentes instances de désordre ne fonctionne pas en pratique pour ces systèmes.

En résumé, ce travail fournit un benchmark numérique rigoureux montrant que, bien que les algorithmes quantiques variationnels puissent gérer efficacement certains modèles de spin à interaction tous-vers-tous, ils font actuellement face à des barrières de mise à l'échelle significatives pour les modèles fermioniques présentant une intrication "volume-law" comme le modèle SYK, même lorsque l'Hamiltonien est épars.