Certified Optimal Measurement Reduction over Quantum Context Landscapes

Résumé Technique : Réduction Certifiée de la Mesure Optimale sur des Paysages de Contextes Quantiques

Énoncé du Problème
L'estimation de la valeur d'espérance $\langle H \rangle$ d'un hamiltonien quantique sur des dispositifs quantiques de l'ère NISQ nécessite de décomposer $H$ en fragments mesurables (contextes) et d'allouer les tirages de mesures (shots) afin de minimiser la variance. Les stratégies existantes — allant du groupement par commutation qubit par qubit (QWC) aux ombres classiques (classical shadows) et aux fragments fermioniques — produisent souvent des programmes de mesure sans borne inférieure rigoureuse sur le coût en tirages pour un modèle de mesure spécifique déclaré. Par conséquent, il est difficile de distinguer si une amélioration observée provient d'un meilleur point dans un paysage fixe, d'un élargissement du paysage (nouveaux contextes), ou simplement d'une division non optimisée des coefficients au sein d'un cadre existant. Le présent article répond au besoin d'un « certificat » qui réponde à la question suivante : au sein d'un ensemble déclaré de contextes de mesure et d'un modèle de covariance, quel est le coût de tirage minimal inévitable, et à quel point un programme donné est-il proche de cet optimum ?

Méthodologie
Les auteurs proposent un cadre qui divise le problème de réduction de la mesure en deux couches d'optimisation distinctes : une couche interne continue et une couche externe non convexe.

1. Couche Interne (Optimisation Convexe) : Pour un dictionnaire de contextes de mesure fixé $\mathcal{D} = \{(V_\ell, c_\ell)\}$ et un modèle de covariance déclaré $\Gamma_\ell$, le problème de la recherche de l'estimateur linéaire stratifié optimal (décomposant $H$ en fragments $F_\ell \in V_\ell$ et allouant les tirages $N_\ell$) est formulé comme un programme de conicité second ordre (SOCP).

   • L'objectif minimise la constante de tirage principale $\Phi = \min \sum \sqrt{c_\ell} \|F_\ell\|_\rho$ sous la contrainte de reconstruction $\sum F_\ell = H$.
   • Cette formulation absorbe toutes les libertés de division de coefficients (y compris la division avec chevauchement et l'utilisation de la covariance dépendante de l'état) dans un seul calibre convexe.

2. Certificats Duaux : Le SOCP possède un dual conique qui fournit un témoin de borne inférieure ($L$).

   • Une solution primale produit une borne supérieure ($U$) représentant le coût d'un programme spécifique.
   • Un vecteur dual admissible $y$ certifie qu'aucun estimateur linéaire stratifié sans biais sur le même dictionnaire ne peut atteindre un coût inférieur à $L$.
   • L'écart $U/L$ constitue un certificat vérifiable par machine de l'optimalité. Si $U=L$, le programme est globalement optimal pour le paysage déclaré.

3. Couche Externe (Recherche Combinatoire) : La conception du dictionnaire lui-même (sélection des contextes à inclure) et le calibrage des modèles de covariance sont des problèmes non convexes. Les auteurs utilisent RANGE, un optimiseur global robuste de nature adaptative (hybridant l'algorithme de colonie d'abeilles artificielle et les algorithmes génétiques), pour :

   • Rechercher des sous-dictionnaires optimaux (compression).
   • Effectuer la génération de colonnes : utiliser le témoin dual comme un « oracle de tarification » (pricing oracle) pour identifier les contextes manquants qui violent la contrainte du dual (c'est-à-dire les contextes qui réduiraient de manière prouvable le coût).
   • Calibrer les modèles de rayon de covariance à l'aide de données pilotes.

4. Robustesse : Pour gérer l'incertitude du modèle de covariance (par exemple, provenant de mesures pilotes ou d'états proxys), le cadre construit des intervalles de confiance simultanés (sandwiches) pour les matrices de covariance. Cela produit des certificats robustes fondés sur les données ($L_{rob} \le \Phi \le U_{rob}$) qui sont valides avec une haute probabilité sans nécessiter la connaissance de l'état réel $\rho$.

Contributions Clés

1. Optimum Exact avec Généalogie Classique : L'article établit que la constante de tirage minimale pour tout dictionnaire fini est la valeur d'un SOCP. Il s'agit d'une spécialisation de la conception expérimentale $c$-optimale multi-réponse pour les contextes quantiques, fournissant la clôture convexe globale de l'espace de conception de la division de coefficients.
2. Certificats Indépendamment Vérifiables : Contrairement aux travaux antérieurs qui rapportent des programmes et des variances estimées, ce cadre exporte un témoin dual. Un vérificateur peut réparer les résidus de faisabilité et re-calculer les bornes sans faire confiance à l'optimiseur, garantissant que l'écart rapporté est conservateur et valide.
3. Validité sous Incertitude de Covariance : Le Théorème 4 fournit des certificats robustes à haute confiance utilisant des données pilotes, élevant les certificats basés sur des oracles à des certificats fondés sur les données.
4. Certification du Dictionnaire via la Génération de Colonnes : Le témoin dual agit comme un oracle de tarification. Si un contexte manquant viole la contrainte du dual, il est ajouté au dictionnaire. Cela permet au cadre de certifier l'optimalité sur un paysage plus large que celui initialement résolu ou d'identifier quand un paysage doit être élargi.
5. Instrument de Notation : Le certificat distingue trois régimes : les heuristiques qui sont déjà optimales dans leur propre paysage, les heuristiques qui laissent une « liberté de calibre » (division non optimisée) sur la table, et les paysages qui sont fondamentalement sous-optimaux et nécessitent un élargissement.

Résultats Numériques
Le cadre a été validé sur des paysages synthétiques, des hamiltoniens moléculaires (H$_2$, LiH, BeH$_2$, H$_2$O) et des hamiltoniens d'éléments f de production (CeO, NdO, UO$_2^+$, UO$_2^+$) avec 29–35 qubits.

• Écarts d'Optimalité : Pour de petits systèmes comme H$_2$, les stratégies standards (ex: insertion triée) se sont révélées exactement optimales. Cependant, pour des systèmes plus larges comme H$_2$O, les stratégies standards ont laissé des facteurs de 2,1 à 7,7 dans les coûts de tirage non optimisés au sein de leurs propres paramètres.
• Compression de Dictionnaire : En utilisant la recherche globale, les auteurs ont compressé les dictionnaires de contextes moléculaires de 4,3 à 6,1$\times$ tout en augmentant le coût de tirage certifié de seulement 0,2 à 2,1 %. Cela a révélé un « genou » net dans le compromis entre la taille du dictionnaire et le coût.
• Impact des Paramètres Entrelacés : L'ajout de contextes entièrement commutants (FC) (paramètres entrelacés) a abaissé l'optimum certifié de 25 à 56 % pour les systèmes moléculaires. Pour les hamiltoniens d'éléments f de production, cet élargissement a permis d'économiser 31 à 70 % de tirages par rapport aux dictionnaires uniquement QWC.
• Compression vs Échantillonnage : L'étude a démontré que les techniques de compression conçues pour réduire les normes d'encodage de bloc (coût de simulation) ne réduisent pas nécessairement le coût d'échantillonnage. Par exemple, les décalages de symétrie ont considérablement réduit la norme d'encodage de bloc mais ont eu un impact minimal sur la constante de mesure certifiée, tandis que le taillage de qubits (qubit tapering) a considérablement réduit le nombre de tirages.
• Échelle de Production : La méthode a réussi à générer des certificats pour des hamiltoniens comportant environ $2 \times 10^4$ termes et environ $10^4$ contextes (environ $2 \times 10^6$ variables de cône) en 8 à 15 minutes sur un seul nœud CPU, avec des écarts certifiés inférieurs à $10^{-1} \%$.

Signification et Revendications
L'article prétend établir une norme commune pour les revendications de réduction de mesure. En séparant les choix de conception non convexes (sélection du dictionnaire) du cœur convexe (allocation optimale), le cadre garantit que la recherche globale est réservée aux problèmes combinatoires réels, tandis que l'optimisation convexe fournit des garanties prouvables pour l'allocation.

Les auteurs soulignent que le cadre ne remplace pas les heuristiques existantes (comme ShadowGrouping ou le recouvrement de cliques minimales) mais fournit une couche de certification par-dessus elles. Une fois qu'une heuristique propose un dictionnaire ou un programme, le programme conique optimise la liberté restante, et le témoin dual certifie la proximité du résultat avec la limite théorique. L'article conclut que la réduction de la mesure doit être vue comme de la « géométrie plus optimisation », où la géométrie du paysage est définie par les contextes autorisés, et où le certificat fournit les limites rigoureuses nécessaires pour évaluer les progrès.

Les auteurs notent explicitement les limites : le certificat est conditionnel au modèle de covariance déclaré (des covariances erronées produisent des énoncés rigoureux sur des données erronées), et la garantie est relative au paysage déclaré (la tarification exacte sur tous les contextes de stabilisateur possibles reste un problème combinatoire difficile). Le cadre est conçu pour les estimateurs stratifiés sans biais de cibles connues, et non pour des protocoles adaptatifs ou de complétude informationnelle, bien qu'il puisse noter les estimateurs induits par de tels protocoles.