Structure-Aware Variance Reduction for Unbiased Randomized Hamiltonian Simulation

तकनीकी सारांश: निष्पक्ष यादृच्छिक हैमिल्टोनियन सिमुलेशन के लिए संरचना-जागरूक विचरण न्यूनीकरण (Structure-Aware Variance Reduction)

समस्या विवरण
यादृच्छिक हैमिल्टोनियन सिमुलेशन विधियाँ, जैसे कि qDRIFT और यादृच्छिक उत्पाद सूत्र (randomized product formulas), यादृच्छिक सर्किट प्रक्षेपवक्रों (trajectories) को नमूना लेने द्वारा नियतकालिक एल्गोरिदम (deterministic algorithms) के पूरक दृष्टिकोण प्रदान करती हैं। हालाँकि, ये विधियाँ व्यवस्थित पूर्वाग्रह (systematic bias) और नमूनाकरण ओवरहेड (sampling overhead) के बीच एक मौलिक व्यापार-संबंध (trade-off) का सामना करती हैं। नियतकालिक उत्पाद सूत्र (जैसे कि Trotterization) विवक्तीकरण पूर्वाग्रह (discretization bias) से ग्रस्त होते हैं जो सर्किट की गहराई के साथ बढ़ता है, जबकि यादृच्छिक विधियाँ सांख्यिकीय विचरण (statistical variance) उत्पन्न करती हैं। पूर्वाग्रही अनुमानकों (biased estimators) के लिए, विचरण न्यूनीकरण नमूनाकरण लागत को कम कर सकता है लेकिन अंतर्निहित पूर्वाग्रह को समाप्त नहीं कर सकता। इसके विपरीत, निष्पक्ष अनुमानकों (unbiased estimators) के लिए, विचरण ही मोंटे कार्लो त्रुटि का एकमात्र स्रोत है। केंद्रीय चुनौती यह है कि कैसे हैमिल्टनियन और लक्षित प्रेक्षण (target observable) के संरचनात्मक गुणों का लाभ उठाकर, बिना उनके माध्य चैनल (mean channel) को बदले, निष्पक्ष यादृच्छिक अनुमानकों के सांख्यिकीय विचरण को कैसे कम किया जाए।

कार्यप्रणाली
यह शोध पत्र कंटीन्यूअस टाइम-इवोल्यूशन प्रोबेबिलिस्टिक एंगल इंटरपोलेशन (Continuous TE-PAI) का परिचय और विश्लेषण करता है, जो कि एक अर्ध-संभाव्यता (quasiprobabilistic) यादृच्छिक-सर्किट प्रोटोकॉल है जिसे सटीक समय-विकास चैनल (exact time-evolution channel) का एक निष्पक्ष अनुमानक बनाया गया है।

1. Continuous TE-PAI का निरूपण:

   • यह प्रोटोकॉल निश्चित-कोण पावली रोटेशन (fixed-angle Pauli rotations) के चिह्नित पॉइसन प्रक्रिया (marked Poisson process) का नमूना लेता है।
   • यह प्रत्येक नमूना लिए गए भौतिक सर्किट को एक अदिश अर्ध-संभाव्यता भार (scalar quasiprobability weight) आवंटित करता है। भार का परिमाण स्थिर रहता है, जबकि इसका चिह्न $\pi$-रोटेशन घटनाओं की समता (parity) द्वारा निर्धारित होता है।
   • परिमित-चरण (finite-step) TE-PAI के विपरीत, जो अनंत गहराई और बढ़ती शास्त्रीय लागत की सीमा में ही विवक्तीकरण त्रुटि को हटाता है, Continuous TE-PAI प्रति नमूना सीमित संसाधनों के साथ शून्य विवक्तीकरण त्रुटि प्राप्त करता है।
   • इसकी निष्पक्षता को दो विधियों द्वारा कड़ाई से सिद्ध किया गया है: (1) $N \to \infty$ के रूप में परिमित-चरण TE-PAI की दुर्बल सीमा (weak limit) के रूप में, और (2) सटीक समय-विकास चैनल के डायसन-सीरीज विस्तार (Dyson-series expansion) से सीधे, जहाँ प्रोटोकॉल को सूक्ष्म योगदानों के पॉइसन सैंपलिंग के रूप में व्याख्यायित किया जाता है।

2. संरचना-जागरूक विचरण अपघटन (Structure-Aware Variance Decomposition):

   • लेखक गणना वेक्टर (counts vector) (प्रत्येक प्रारंभिक गेट की उपस्थिति की संख्या, क्रम को अनदेखा करते हुए) का उपयोग करके प्रक्षेपवक्र विचरण को दो घटकों में विभाजित करने का एक प्रस्तावित निरूपण प्रस्तुत करते हैं।
   • गणना घटक (Counting Component): वह विचरण जो यह उतार-चढ़ाव से उत्पन्न होता है कि कौन से गेटों का नमूना लिया गया है (मल्टीसेट)।
   • क्रम घटक (Ordering Component): एक ही मल्टीसेट के विभिन्न क्रमों (orderings) से उत्पन्न अवशिष्ट विचरण।
   • यह अपघटन प्रकट करता है कि क्रम घटक हैमिल्टोनियन के गैर-क्रमविनिमेयता (non-commutativity) द्वारा शासित होता है (जो नियतकालिक त्रुटि में कम्यूटेटर संरचनाओं के समान है), और गणना घटक नमूना लिए गए गेटों की विशिष्टता (distinguishability) को दर्शाता है।

3. स्तरीकृत नमूनाकरण (Stratified Sampling - Rao–Blackwellization):

   • विचरण को कम करने के लिए, यह शोध पत्र गणना वेक्टर से प्राप्त सांख्यिकी के आधार पर सशर्त नमूनाकरण (conditional sampling/stratification) का उपयोग करता है।
   • चूंकि बड़े अल्फाबेट्स के लिए पूर्ण गणना वेक्टर स्केलेबल नहीं है, इसलिए लेखक स्केलेबल, समस्या-विशिष्ट सांख्यिकी का प्रस्ताव करते हैं:
     • चिह्न-जागरूक स्तरीकरण (Sign-aware Stratification): $\pi$-रोटेशन की समता पर सशर्त होना ताकि स्ट्रेटा (strata) के भीतर अर्ध-संभाव्यता चिह्न को स्थिर किया जा सके।
     • प्रेक्षण-अनुकूलित स्तरीकरण (Observable-Adapted Stratification): लक्षित प्रेक्षण के लाइट-कोन (light-cone) के भीतर हैमिल्टोनियन पदों के स्थानीय गणनाओं पर सशर्त होना, जिसे लाइट-कोन के बाहर के पदों के लिए एक वैश्विक समता बिट (global parity bit) द्वारा संवर्धित किया गया है।

प्रमुख योगदान

• निष्पक्ष प्रोटोकॉल: Continuous TE-PAई के निष्पक्षता के प्रमाण के साथ इसके औपचारिक व्युत्पन्न, जो इसे एक ऐसी विधि के रूप में स्थापित करता है जो पूर्णतः डिटर्मिनिस्टिक ट्रोटराइजेशन की विवक्तीकरण त्रुटि को पूरी तरह से समाप्त कर देती है।
• विचरण सिद्धांत: प्रक्षेपवط (trajectory) विचरण का एक संरचनात्मक अपघटन—शास्त्रीय गणना और क्वांटम क्रम घटकों के रूप में। यह ढांचा पहचानता है कि गैर-क्रमविनिमेयता (non-commutativity) क्रम विचरण का प्राथमिक चालक है।
• टेंसर-नेटवर्क लाभ: यह प्रदर्शन कि Continuous TE-PAI, उथले (shallow) ट्रोटराइज्ड टेंसर-नेटवर्क सिमुलेशन में अक्सर देखे जाने वाले अवास्तविक घातीय बॉन्ड आयाम (exponential growth in bond dimension) के विकास से बचता है। विवक्तीकरण त्रुटि को हटाकर, यह प्रोटोकॉल उन त्रुटिपूर्ण एंटैंगलमेंट संरचनाओं के प्रवेश को रोकता है जो गणना लागत को बढ़ा देते हैं।
• व्यावहारिक विचरण न्यूनीकरण: स्केलेबल स्तरीकृत रणनीतियों (चिह्न-जागरूक और स्थानीयता-जागरूक) का विकास, जो मूल क्वांटम सर्किटों को बदले बिना नमूनाकरण ओवरहेड को काफी कम कर देता है।

परिणाम
स्पिन-चेन गतिकी (ट्रांसवर्स-फील्ड आइसोइंग और समय-निर्भर हाइजेनबर्ग-जैसे मॉडल) पर संख्यात्मक प्रयोग प्रस्तावित विधियों की प्रभावकारिता प्रदर्शित करते हैं:

• पूर्वाग्रह उन्मूलन: Continuous TE-PAI, उथले ट्रोटर सर्किटों में देखी गई विवक्तीकरण त्रुटि के बिना, गहरे ट्रोटराइजेशन (द "कैनन") के परिणामों को सफलतापूर्वक पुनरुत्पादित करता है।
• बॉन्ड आयाम: $n=30$ क्वबिट्स के टेंसर-नेटवर्क सिमुलेशन में, Continuous TE-PAI सर्किट एक प्रबंधनीय बॉन्ड आयाम बनाए रखता है, जबकि तुलनीय-गहराई वाले ट्रोटर सर्किट विवक्तीकरण-प्रेरित त्रुटियों के कारण आवश्यक बॉन्ड आयाम में घातीय वृद्धि प्रदर्शित करते हैं।
• विचरण न्यूनीकरण:
  • छोटे सिस्टम ($n=8$ और $n=12$) के लिए, प्रेक्षण-अनुकूलित स्थानीय-गणना और साइन-अवेयर $\pi$-रोटेशन स्तरीकरण ने प्रक्षेपवत्त-नमूनाकरण त्रुटि को लगभग 70% कम कर दिया, जो कि आवश्यक नमूनों की संख्या में ~91% की कमी के बराबर है।
  • $n=30$ के बड़े सिस्टम के लिए, टेंसर-नेटवर्क सिमुलेशन का उपयोग करते हुए, मोटे (coarser) प्रेक्षण-अनुकूलित सांख्यिकी ने प्रक्षेपवत्त-नमूनाकरण त्रुटि को लगभग 80% कम कर दिया, जिससे नमूनाकरण लागत में ~96% की कमी आई।
  • ये कमी अत्यंत नगण्य पूर्वाग्रह बनाए रखते हुए प्राप्त की गई थी।

महत्व और दावे
शोध पत्र का दावा है कि संरचना-जागरूक विचरण न्यूनीकरण, निष्पक्ष यादृच्छिक हैमिल्टनियन सिमुलेशन की दक्षता में सुधार के लिए एक व्यावहारिक मार्ग प्रदान करता है। स्तरीकरण के माध्यम से सांख्यिकीय लागत को वर्स्ट-केस $\ell_1$ नॉर्म बाउंड से अलग करके, यह विधि समस्या-विशिष्ट संरचना (कम्यूटेशन संबंध, स्थानीयता, प्रेक्षण समर्थन) का लाभ उठाती है ताकि नमूनाकरण ओवरहेड में निरंतर-गुणक (constant-factor) की कमी लाई जा सके।

लेखक इस बात पर जोर देते हैं कि हालांकि इष्टतम स्तरीकरण योजना समस्या-निर्भर है, प्रस्तावित ढांचा ऐसी योजनाओं को डिजाइन करने के लिए एक आधार प्रदान करता है। यह कार्य सुझाव देता है कि सरल स्तरीकरण रणनीतियाँ भी पर्याप्त लाभ दे सकती हैं, और भविष्य के सुधार अनुकूलित नमूना आवंटन (adaptive sample allocation) और विशिष्ट हैमिल्टोनियन एवं प्रेक्षणों के लिए अधिक सूक्ष्म रूप से अनुकूलित करने से हो सकते हैं। यह शोध इन तकनीकों को एक सामान्य शास्त्रीय विचरण-न्यूनीकरण परत के रूप में स्थितिगत करता है जो qDRIFT और यादृच्छिक उत्पाद सूत्रों सहित विभिन्न यादृच्छिक सिमुलेशन विधियों पर लागू की जा सकती है, बिना नमूना लिए गए क्वांटम सर्किटों को बदले।