Exploiting many-body localization for scalable variational quantum simulation

1. Il Problema: I "Barren Plateaus" negli Algoritmi Quantistici Variazionali

Gli algoritmi quantistici variazionali (VQA), come il Variational Quantum Eigensolver (VQE) e il Quantum Approximate Optimization Algorithm (QAOA), sono considerati la via più promettente per ottenere un vantaggio quantistico pratico sui dispositivi hardware di prossima generazione (NISQ). Tuttavia, la loro scalabilità è gravemente ostacolata dal fenomeno dei barren plateaus (altipiani sterili).

• Definizione: I barren plateaus sono regioni del paesaggio di ottimizzazione in cui i gradienti della funzione di costo decadono esponenzialmente all'aumentare della dimensione del sistema (numero di qubit).
• Cause: Questo fenomeno è spesso associato all'eccessiva espressività del circuito (che porta a formare un unitary 2-design) e alla generazione di entanglement che segue una legge di volume (volume-law entanglement).
• Conseguenza: Quando i gradienti sono esponenzialmente vicini a zero, gli ottimizzatori classici non riescono a trovare una direzione di discesa, rendendo l'addestramento del circuito di fatto impossibile per sistemi di grandi dimensioni.

2. Metodologia: Inizializzazione basata sulla Localizzazione a Molti Corpi (MBL)

Gli autori propongono una strategia innovativa per mitigare i barren plateaus sfruttando la Localizzazione a Molti Corpi (Many-Body Localization - MBL). L'idea centrale è inizializzare il circuito quantistico all'interno della fase MBL, dove il sistema non termalizza e mantiene memoria delle condizioni iniziali.

Componenti chiave della metodologia:

• Ansatz Floquet-strutturato: Viene utilizzato un circuito hardware-efficient a strati. L'inizializzazione segue una dinamica di Floquet, dove i parametri di ogni strato sono replicati (non indipendenti).
  • I parametri "steady" (rotazioni $R_z, R_{zz}$) sono campionati da $[-\pi, \pi)$ per introdurre disordine congelato.
  • I parametri "kick" (rotazioni $R_x, R_{xx}, R_{yy}$) sono campionati da $[-W, W]$, dove $W$ è la forza del "kick".
• Stato di prova (Trial State): Il processo inizia con uno stato di prova a bassa complessità (es. un determinante di Slater o uno stato MPS compatto) che viene mappato in uno stato di riferimento nella base computazionale tramite un canale quantistico $E_t$.
• Meccanismo di Protezione: Inizializzando con una forza di kick $W$ inferiore a una soglia critica $W^*$, il circuito rimane nella fase MBL. In questa fase:
  • L'entanglement segue una legge di area (area-law) invece che di volume.
  • Il circuito evita di formare un unitary 2-design.
  • I gradienti rimangono non nulli e scalano in modo favorevole (polinomiale invece che esponenziale).

3. Contributi Chiave e Risultati Teorici

Il paper fornisce una caratterizzazione rigorosa della transizione di fase MBL-termalizzazione e la sua connessione con la trainabilità dei VQA:

• Diagnostica della Transizione di Fase: Gli autori utilizzano tre metriche per identificare la transizione MBL-termalizzazione in funzione della forza del kick $W$:
  1. Inverse Participation Ratio (IPR): Mostra che nella fase MBL lo stato è localizzato rispetto allo stato di prova, mentre nella fase termica si delocalizza.
  2. Entropia di Entanglement: Conferma la transizione da una legge di area (MBL) a una legge di volume (termica).
  3. Nuova Metrica (Low-Weight Stabilizer Rényi Entropy - $M_{t,k}$): Viene introdotta una nuova entropia basata su termini di Pauli a basso peso. Gli autori dimostrano teoricamente che $M_{t,k}$ funge da parametro d'ordine per la transizione e correla con la distanza dal comportamento di 2-design.
• Teoremi sulla Trainabilità:
  • Viene dimostrato che inizializzare nella fase MBL garantisce che l'entropia di entanglement rimanga inferiore a una soglia critica, prevenendo la formazione di barren plateaus (Osservazione 1 e Teorema 3).
  • Viene stabilito un limite inferiore polinomiale per la norma del gradiente nella fase MBL, a differenza del decadimento esponenziale nella fase termica.
• Simulazioni Numeriche:
  • Studi su modelli come l'Aubry-André (in diverse fasi: Anderson localizzata, estesa, MBL, ergodica) mostrano che l'inizializzazione MBL supera significativamente le inizializzazioni casuali e termiche.
  • L'inizializzazione MBL permette di raggiungere rapporti di approssimazione vicini all'unità (energia del ground state) anche per sistemi fino a $n=18$ qubit, mentre le inizializzazioni casuali falliscono rapidamente all'aumentare di $n$.

4. Verifica Sperimentale

Un contributo fondamentale del lavoro è la validazione sperimentale su hardware reale:

• Dispositivo: Esperimento eseguito sul processore superconduttore IBM ibm_brisbane con 127 qubit.
• Setup: È stato implementato un modello di Heisenberg ferromagnetico (una catena di spin accoppiata in modo intermittente) su un sottoinsieme di qubit (fino a 31 qubit).
• Risultati:
  • Le misurazioni dei gradienti confermano la presenza di una transizione di fase: per bassi valori di $W$, i gradienti sono preservati; per alti valori, decadono.
  • Sebbene il rumore hardware sposti leggermente il punto critico osservato ($W^* \approx 0.5$ rispetto a $0.8$ simulato), i dati sperimentali confermano la teoria: nella fase MBL, i gradienti rimangono misurabili e l'ottimizzazione converge verso lo stato fondamentale molto più rapidamente rispetto ad altre strategie.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo avanti significativo per lo sviluppo di algoritmi quantistici scalabili:

1. Strategia di Inizializzazione Pratica: Offre un metodo concreto per evitare i barren plateaus senza sacrificare l'espressività del circuito durante l'ottimizzazione, sfruttando invece le proprietà fisiche della localizzazione.
2. Connessione Fisica-Algoritmo: Stabilisce un legame diretto tra le fasi della materia (MBL vs termica) e la geometria del paesaggio di ottimizzazione quantistica (presenza o assenza di gradienti).
3. Validazione su Hardware Reale: Dimostra che i principi della MBL possono essere sfruttati su dispositivi NISQ rumorosi per migliorare la trainabilità, validando l'approccio in un contesto pratico.
4. Futuro: Apre la strada all'uso della MBL in altri contesti, come l'apprendimento automatico quantistico (QML), la simulazione di evoluzione temporale e varianti del QAOA, suggerendo che l'integrazione di concetti di localizzazione nel design degli algoritmi quantistici è una direzione promettente per superare i limiti attuali dell'hardware.

In sintesi, il paper dimostra che inizializzare strategicamente i circuiti quantistici nella fase di localizzazione a molti corpi è una soluzione efficace per mantenere gradienti utilizzabili, permettendo così la simulazione variabile di sistemi quantistici complessi su hardware scalabile.