Quantum State Preparation with the QNN-based SRBB Algorithm

Sintesi Tecnica: Preparazione dello Stato Quantistico con l'algoritmo SRBB basato su QNN

Enunciato del Problema
La Preparazione dello Stato Quantistico (QSP) è un sottoprogramma fondamentale in numerosi algoritmi quantistici, tra cui il Quantum Machine Learning (QML), i risolutori di equazioni lineari e la simulazione dell'Hamiltoniana. L'obiettivo è costruire un operatore unitario $U$ tale che $U|0\rangle^{\otimes n} = |\psi\rangle$, dove $|\psi\rangle$ è un desiderato stato a $n$ qubit. Sebbene esistano algoritmi di QSP esatti (ad esempio, utilizzando rotazioni uniformemente controllate), essi spesso soffrono di una profondità e di un numero di gate esponenziali ($O(2^n)$), rendendoli impraticabili per l'hardware nel vicino futuro. Inoltre, molti approcci esistenti si affidano a qubit ancillari per ottenere migliori compromessi spazio-temporali, il che aumenta i requisiti hardware. La sfida consiste nello sviluppare un metodo di QSP approssimata che minimizzi le risorse (specificamente il conteggio dei CNOT e la profondità del circuito) mantenendo un'alta accuratezza, senza fare affidamento su qubit ancillari.

Metodologia
Gli autori propongono un nuovo algoritmo quantistico variazionale strutturato sulla Standard Recursive Block Basis (SRBB), una costruzione gerarchica per l'algebra matriciale del gruppo $SU(2^n)$. La metodologia sfrutta le proprietà topologiche e algebriche dei gruppi di Lie per progettare un Circuito Quantistico Variazionale (VQC).

1. Framework Teorico (SRBB e Algebre di Lie):

   • L'algoritmo si fonda sulla decomposizione del gruppo unitario $U(2^n)$ in un prodotto locale di $U(1)$ e $SU(2^n)$. La SRBB fornisce una base ricorsiva per l'algebra di Lie $\mathfrak{su}(2^n)$.
   • Fondamentalmente, gli autori restringono l'ansatz variazionale alla sotto-algebra diagonale (il fattore $Z$) della SRBB. Mentre la SRBB completa include componenti fuori diagonale (fattori $\Psi$ e $\Phi$) necessari per la sintesi unitaria generale, la componente diagonale da sola è sufficiente per parametrizzare le matrici unitarie diagonali.
   • Utilizzando l'identità $R_y(\gamma) = SH \cdot R_z(\gamma) \cdot HS^\dagger$, gli autori mappano la tradizionale struttura a "scala" della QSP (composta da Gate Uniformemente Controllati o UCG) su un circuito composto interamente da gate $S$, $H$ e $R_z$. Ciò consente alla componente diagonale $Z$ della SRBB di approssimare i moduli delle ampiezze dello stato target, mentre un blocco separato gestisce le fasi.

2. Architettura dell'Algoritmo:

   • Il Quantum Neural Network (QNN) proposto opera in due distinti stadi di addestramento per evitare conflitti di ottimizzazione:
     • Apprendimento del Modulo: La prima parte del circuito approssima le ampiezze reali (moduli) dello stato target utilizzando la componente $Z$ diagonale della SRBB.
     • Apprendimento della Fase: La seconda parte approssima le fasi complesse dello stato target.
   • La profondità del circuito è ottimizzata sfruttando la struttura ricorsiva della componente $Z$ della SRBB, che utilizza un pattern Gray Code per minimizzare i gate CNOT. La profondità risultante scala come $D(n) \approx 6 \cdot 2^n - n^2/2 + 7n/2 - 3$, il che è competitivo con i limiti asintoticamente ottimali raggiunti da altri metodi ma senza l'uso di qubit ancillari.

3. Ottimizzazione e Funzioni di Perdita:

   • L'algoritmo è testato utilizzando due ottimizzatori: Adam (utilizzato con funzioni di perdita della Fedeltà e della Distanza di Traccia) e Nelder-Mead (con la Norma di Frobenius).
   • L'addestramento minimizza la distanza tra lo stato prodotto dal VQC e lo stato target (o la matrice unitaria ideale).

Contributi Chiave
Il documento presenta quattro contributi primari:

1. Nuovo Algoritmo: Propone un caso d'uso specifico della gerarchia SRBB per la QSP approssimata, inquadrandola come un problema variazionale.
2. Riduzione della Profondità: Implementa la tradizionale struttura a scala della QSP utilizzando solo la sotto-algebra diagonale della SRBB ottimizzata per i CNOT. Ciò riduce la profondità del circuito e il conteggio dei CNOT di un fattore esponenziale rispetto all'uso dell'algebra completa, avvicinandosi ai limiti asintoticamente ottimali senza qubit ancillari.
3. Valutazione Comprensiva: Le prestazioni sono valutate su stati casuali, stati sparsi e distribuzioni di probabilità uniformi per sistemi che vanno da 2 a 8 qubit in simulazione.
4. Validazione su Dispositivo Reale: L'algoritmo è testato su hardware quantistico reale (IQM Deneb, IQM Garnet, Rigetti Ankaa-3 e IonQ Forte1) per valutarne le prestazioni in ambienti rumorosi.

Risultati

• Simulazione:

  • Per fino a 4 qubit, l'algoritmo raggiunge un'alta accuratezza con errori compresi tra $10^{-13}$ e $10^{-15}$ utilizzando l'ottimizzatore Nelder-Mead.
  • L'ottimizzatore Adam mostra tempi di addestramento più lunghi per piccoli conteggi di qubit, ma non scala esponenzialmente nel tempo, mantenendo un'alta accuratezza fino a 4 qubit.
  • Le prestazioni degradano all'aumentare del numero di qubit oltre i 4; per 8 qubit, gli errori salgono a circa $10^{-3}$.
  • La rete riproduce con successo stati specifici come gli stati Bell e GHZ con alta fedeltà in simulazione.

• Hardware Reale:

  • Su dispositivi reali (2–5 qubit), l'algoritmo ottiene buoni risultati per piccoli conteggi di qubit, sebbene le prestazioni varino significativamente in base allo stato target.
  • Per stati specifici come le superposizioni uniformi e gli stati Bell, la distanza di Hellinger è relativamente bassa (ad esempio, $\sim 0.01$ a $0.12$ per 2 qubit).
  • Per stati sparsi o distribuzioni più complesse, l'errore aumenta significativamente (ad esempio, distanza di Hellinger $\sim 0.74$ per uno stato sparso a 4 qubit su IQM Deneb).
  • Aumentare il numero di shot (da 1024 a 8192) sui dispositivi Rigetti non ha portato miglioramenti significativi nelle prestazioni, suggerendo che il rumore e la profondità del circuito siano i fattori limitanti piuttosto che il rumore di shot.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro fornisce un nuovo schema per la preparazione approssimata dello stato quantistico all'interno di un framework variazionale che collega esplicitamente i parametri variazionali alla geometria dei gruppi unitari. La significatività primaria risiede nella capacità di ridurre le risorse del circuito (CNOT e profondità) sfruttando la sotto-algebra diagonale della SRBB, aderendo così al "principio di rilassamento" di minimizzare le risorse mantenendo l'accuratezza.

Il documento riconosce modestamente le attuali limitazioni:

• Scalabilità: L'algoritmo affronta sfide con l'aumento del numero di qubit, dove l'ottimizzatore fatica a convergere efficacemente, probabilmente a causa della complessità del panorama parametrico (potenziali Barren Plateae).
• Rumore dell'Hardware: Sui dispositivi reali, l'errore non è fisso ma varia significativamente a seconda dello specifico stato target, indicando sensibilità al rumore e alla complessità dello stato.
• Lavoro Futuro: Gli autori suggeriscono che la ricerca futura dovrebbe confrontare questo framework con algoritmi di QSP stabiliti e tecniche di codifica (come l'Amplitude Encoding), ottimizzare ulteriormente i gate di rotazione e analizzare il panorama di ottimizzazione per mitigare i problemi di convergenza nei sistemi più grandi.

Il lavoro non pretende di risolvere il problema della QSP per sistemi arbitrari di grande scala immediatamente, ma dimostola un approccio efficiente in termini di risorse per conteggi di qubit da piccoli a moderati, che unisce la teoria delle algebre di Lie con i pratici circuiti quantistici variazionali.