Sintesi Tecnica: Apprendimento di Circuiti di Preparazione dello Stato per Fasi della Materia Quantistica

Definizione del Problema

La simulazione di sistemi fisici su computer quantistici richiede la preparazione efficiente degli stati fondamentali many-body. Mentre la simulazione della dinamica ha visto significativi progressi algoritmici (ad esempio, qubitizzazione, combinazione lineare di unitari), la preparazione dello stato fondamentale iniziale a bassa energia rimane un collo di bottiglia. I metodi tradizionali come la stima della fase quantistica richiedono uno stato iniziale con un alto overlap con lo stato fondamentale target, rendendo necessario un metodo per trovare un circuito a bassa complessità che prepari lo stato.

Gli approcci esistenti si affidano spesso a descrizioni classiche efficienti dello stato (ad esempio, reti tensoriali, stati stabilizer) o assumono che lo stato sia preparabile da un circuito a profondità costante. Un metodo recente [18] ha dimostrato che i circuiti di preparazione dello stato potevano essere appresi da matrici di densità ridotta (RDM) su sottosistemi di dimensione $O(1)$, ma era limitato alla prima e seconda dimensione e applicabile solo a stati preparabili da circuiti a profondità costante senza ancilla. Ciò esclude importanti fasi fisiche, come gli stati con ordine topologico a corto raggio (ad esempio, il codice torico), che non possono essere preparati da circuiti a profondità costante e richiedono profondità di circuito che scalano con la dimensione del sistema (ad esempio, $\Omega(\sqrt{n})$ in 2D).

Questo articolo affronta la sfida di apprendere circuiti di preparazione dello stato per una classe più ampia di fasi quantistiche, tra cui:

1. Stati a entanglement a corto raggio (invertibili) in dimensioni arbitrarie, potenzialmente coinvolgendo qubit ancilla.
2. Stati a entanglement a lungo raggio (specificamente quelli con ordine topologico "liquido") in due dimensioni, come il codice torico e i modelli string-net, a condizione che siano stati fondamentali unici (ad esempio, su una sfera) o loro sottosistemi.

Metodologia

Il framework teorico centrale si basa sul concetto di stati localmente estendibili, un rilassamento della condizione di catena di Markov quantistica.

1. Estendibilità Locale e Recupero

Uno stato è definito come localmente estendibile se la sua matrice di densità ridotta su una specifica partizione di sottosistemi (ad esempio, $BCDE$) può essere recuperata da una partizione più piccola (ad esempio, $BE$) tramite un canale quantistico. Specificamente, per una purificazione $\rho_{ABCDE}$, esiste un canale $\Phi: \mathcal{D}_{BE} \to \mathcal{D}_{BC}$ tale che $\rho_{ABC} = I_A \otimes \Phi(\rho_{ABE})$.

• Robustezza: A differenza della standard condizione di catena di Markov quantistica, che è fragile sotto circuiti a profondità costante, la proprietà di estendibilità locale (specificamente per le partizioni definite nel paper) è dimostrata essere stabile sotto circuiti a profondità costante geometricamente locali, a condizione che i sottosistemi siano sufficientemente grandi rispetto alla profondità del circuito.
• Verifica: Gli autori forniscono un algoritmo classico in tempo polinomiale per verificare l'estendibilità e trovare il canale di estensione. Questo è formulato come un problema di programmazione semidefinita (SDP) che massimizza la fedeltà del recupero. In alternativa, se l'architettura del circuito della mappa di estensione è nota, è possibile eseguire una ricerca brute-force sui gate.

2. Costruzione del Circuito tramite "Stitching" (Cucitura)

Il circuito di preparazione dello stato globale è costruito "cucendo" insieme le mappe di estensione locali.

• Stati a entanglement a corto raggio: Lo stato globale è costruito applicando sequenzialmente mappe di estensione che collegano regioni disgiunte, aumentando efficacementmente lo stato da patch locali al sistema globale. Ciò produce un circuito a profondità costante (o $O(kd)$ in $k$ dimensioni).
• Stati a entanglement a lungo raggio: Per stati come il codice torico, la costruzione segue un modello sequenziale (simile a un circuito sequenziale) che costruisce lo stato strato dopo strato. Ciò produce una profondità di circuito che scala come $O(\sqrt{n})$ in 2D, che è asintoticamente ottimale per circuiti geometricamente locali.

3. Algoritmo di Apprendimento

L'algoritmo di apprendimento opera come segue:

1. Tomografia: Eseguire la tomografia dello stato locale su sfere di dimensione $O(1)$ per ottenere approssimative matrici di densità ridotta.
2. Apprendimento dell'Estensione: Utilizzare il metodo SDP (o brute-force) per apprendere i canali di estensione per queste RDM locali.
3. Accumulo dell'Errore: L'algoritmo aumenta iterativamente il raggio delle sfere locali se l'errore accumulato supera la soglia target.
4. Composizione: Le mappe di estensione apprese vengono composte per formare il circuito globale di preparazione dello stato.
5. Certificazione: Se le condizioni locali (estendibilità) sono soddisfatte, il circuito risultante è garantito preparare lo stato target entro una specificata distanza di traccia. Se lo stato non appartiene alla classe target, l'algoritmo potrebbe fallire nel trovare un circuito in tempo polinomiale, ma qualsiasi circuito trovato è rigorosamente certificato.

Contributi Chiave e Risultati

1. Generalizzazione a Dimensioni Arbitrarie e Ancille

Gli autori presentano un algoritmo per stati invertibili (stati preparabili da circuiti a profondità costante con ancille) in qualsiasi numero di dimensioni spaziali $k$.

• Teorema 1: Date campionature di uno stato invertibile di $n$ qubit preparato da un circuito di profondità $d$, l'algoritmo apprende un circuito con distanza di traccia $\epsilon$.
  • Complessità: Può produrre un circuito di profondità $O(ke^{O(dk)})$ in tempo $\tilde{O}(e^{O(dk)}n^3/\epsilon^2)$, oppure un circuito di profondità $O(kd)$ in tempo $O((n/\epsilon)^{O(dk)})$.
  • Significato: Questo generalizza il lavoro precedente [18] a dimensioni superiori e alla classe più generale di stati invertibili (inclusi quelli che richiedono ancille, come lo stato $E_8$ di Kitaev).

2. Apprendimento di Stati a Lungo Raggio Entanglement in 2D

Gli autori presentano un algoritmo per una sottoclasse di stati a lungo raggio entanglement (ordine topologico liquido) in due dimensioni, inclusi il codice torico e i modelli string-net su un disco con condizioni al contorno uniformi.

• Teorema 2 (Informale): Date campionature di uno stato di $n$ qubit formato dall'applicazione di un circuito di profondità $d$ a uno stato a lungo raggio entanglement che soddisfa specifiche condizioni locali, l'algoritmo apprende un circuito geometricamente locale.
  • Ambito: Il risultato si applica specificamente a stati che sono stati fondamentali unici (ad esempio, il codice torico su una sfera) o sottosistemi di tali stati. Il requisito di input specifico dell'algoritmo è uno stato su un disco con una condizione al contorno uniforme (ad esempio, lo stato fondamentale del codice torico su un disco con un bordo liscio). Non si applica a sottospazi fondamentali con degenerazione dove esistono stati localmente indistinguibili (ad esempio, il codice torico con bordi misti lisci e ruvidi).
  • Complessità: Può produrre un circuito di profondità $O(\sqrt{n}e^{O(d^2)})$ in tempo $\tilde{O}(n^3/\epsilon^2)$, oppure un circuito di profondità $O(d\sqrt{n})$ in tempo $O((n/\epsilon)^{O(d^2)})$.
  • Ottimalità: La profondità di scala $\sqrt{n}$ è dimostrata essere asintoticamente ottimale per circuiti geometricamente locali che preparano stati fondamentali con ordine topologico.

3. Robustezza e Certificazione

Il metodo si basa sulla stabilità dell'estendibilità locale sotto circuiti a profondità costante. Ciò consente all'algoritmo di apprendere circuiti per stati che sono perturbazioni di fasi ideali. Inoltre, l'algoritmo fornisce una garanzia rigorosa: se produce un circuito, quel circuito prepara lo stato con l'accuratezza promessa, indipendentemente dal fatto che lo stato di input appartenesse a priori alla classe target.

Significato e Rivendicazioni

Il paper sostiene di fornire un framework flessibile ed efficiente per ottenere circuiti di preparazione dello stato per una vasta classe di stati many-body direttamente dalle matrici di densità ridotta locali.

• Colmare il divario tra Teoria ed Esperimento: Il metodo consente di apprendere circuiti di preparazione dello stato direttamente da simulatori quantistici o computer quantistici utilizzando i classical shadows, senza necessitare di una descrizione classica completa della funzione d'onda globale.
• Gestione dell'Ordine Topologico: Affronta con successo il problema di apprendimento per stati a ordine topologico (lungo raggio entanglement), che erano precedentemente fuori portata per i metodi di apprendimento di circuiti a profondità costante, soggetti al vincolo di stati fondamentali unici o loro sottosistemi.
• Trattabilità Classica: Il panorama di ottimizzazione per trovare le mappe di estensione è classicamente trattabile (tramite SDP), evitando la complessità esponenziale associata all'apprendimento di stati quantistici arbitrari.
• Ottimalità: Per gli stati a lungo raggio entanglement, i circuiti appresi raggiungono la scala di profondità asintoticamente ottimale ($\Omega(\sqrt{n})$) richiesta dai vincoli di località.

Gli autori osservano che il loro approccio è limitato alle fasi topologiche di tipo "liquido" e non copre attualmente le fasi fracton o gli stati con sottospazi fondamentali degeneri che sono localmente indistinguibili. Essi inoltre lasciano come problemi aperti per il lavoro futuro l'estensione a unitari quasi-locali e circuiti adattivi.