Quantum State Preparation via Schmidt Spectrum Optimisation

Sintesi Tecnica: Preparazione di Stati Quantistici tramite l'Ottimizzazione dello Spettro di Schmidt (SSO)

Enunciato del Problema
La preparazione di stati quantistici è un collo di bottiglia fondamentale per molti algoritmi quantistici, richiedendo la trasformazione di uno stato iniziale di soli zeri in uno stato target specifico e altamente strutturato (ad esempio, approssimazioni di stati fondamentali many-body). Sebbene le Reti Tensoriali (TN), in particolare gli Stati a Prodotto di Matrici (MPS), forniscano una rappresentazione classica compatta di tali stati, tradurre questi in circuiti quantistici efficienti a profondità ridotta rimane una sfida.

Gli approcci esistenti affrontano limitazioni significative:

1. Sintesi Esatta: Sebbene la sintesi esatta degli MPS sia possibile, la decomposizione di gate multi-qubit in gate fisici a uno e due qubit spesso risulta in circuiti significativamente più profondi del necessario.
2. Matrix Product Disentangler (MPD): Questo approccio tenta di approssimare lo stato target disentangling sequenzialmente verso uno stato prodotto tramite gate locali, e poi invertendo il processo. Tuttavia, l'algoritmo MPD soffre di "patologie": spesso fallisce nel disentanglare efficacemente stati in cui l'approssimazione $\chi=2$ è scarsa, portando a layer inefficaci. Inoltre, un disentangling inefficace causa una crescita esponenziale della dimensione di legame (bond dimension) degli stati intermedi con la profondità del circuito, rendendo il metodo non scalabile.
3. Tensor Network Optimisation (TNO): L'ottimizzazione diretta dei parametri del circuito per massimizzare la fedeltà soffre spesso di plateau sterili (barren plateaus) e minimi locali severi, richiedendo un'inizializzazione accurata.

Metodologia: Schmidt Spectrum Optimisation (SSO)
Gli autori introducono l'algoritmo Schmidt Spectrum Optimisation (SSO), un framework di "preparazione tramite disentangling", che ottimizza classicamente i layer del circuito per rimuovere progressivamente l'entanglement da un MPS target.

• Strategia Core: Invece di ottimizzare direttamente la fedeltà rispetto al target, l'SSO ottimizza una sequenza di layer unitari $\{U_k\}$ per trasformare l'MPS target $|\psi^{(1)}\rangle$ in uno stato $|\psi^{(L)}\rangle$ che sia ben approssimato da un MPS a basso rango ($\chi=2$).
• Ansatz: L'algoritmo impiega un ansatz a "scala" (staircase), dove ogni layer $U_k$ consiste in un singolo layer di gate a due qubit $SU(4)$ parametrizzati che agiscono su qubit vicini.
• Funzione Obiettivo (Tail Loss): L'innovazione principale è la funzione di costo. Per ogni bipartizione dello stato intermedio, l'algoritmo minimizza l'errore di troncamento dell'approssimazione $\chi=2$. Nello specifico, massimizza la somma dei quadrati dei due coefficienti di Schmidt più grandi ($\lambda_1^2 + \lambda_2^2$) attraverso tutti i legami.
  • Garanzia Teorica: Gli autori dimostrano che minimizzare questo "tail loss" fornisce un limite superiore stretto sull'infedeltà dello stato finale preparato. Poiché qualsiasi MPS $\chi=2$ può essere mappato analiticamente allo stato di soli zeri usando un singolo layer di gate a due qubit, la fedeltà finale è garantita essere almeno la fedeltà dell'approssimazione $\chi=2$ dello stato disentangled.
• Processo di Ottimizzazione:
  1. Disentangling: Partendo dall'MPS target, l'algoritmo ottimizza iterativamente ogni layer $U_k$ per minimizzare il tail loss dello stato risultante $|\psi^{(k+1)}\rangle$. Ciò avviene tramite discesa del gradiente (L-BFGS-B) su un computer classico, utilizzando la differenziazione automatica attraverso contrazioni tensoriali.
  2. Preparazione dello Stato: Una volta che il target è stato disentangled in uno stato $\chi=2$ $|\tilde{\psi}^{(L)}\rangle$, un circuito di preparazione $U_{prep}$ viene costruito analiticamente per generare tale stato da $|0\rangle^{\otimes n}$.
  3. Inversione: Il circuito di preparazione finale è $U_S = U_1^\dagger U_2^\dagger \dots U_L^\dagger U_{prep}$.
• Post-Processing (SSO+All): Per migliorare ulteriormente i risultati, gli autori propongono un'ottimizzazione congiunta di tutti i layer (inizializzata dall'output di SSO) per massimizzare direttamente la fedeltà finale, sebbene ciò sia annotato come computazionalmente oneroso per circuiti profondi.

Risultati Chiave
Gli autori hanno confrontato l'SSO con l'algoritmo MPD, l'algoritmo di Classical Variational Disentanglement (CVD) e varianti ottimizzate di MPD (MPD+LW, MPD+All) attraverso diversi task:

• Random MPS: Test su MPS casuali con $n=10$ e $n=16$ qubit.
• Stati Fondamentali: Approssimazioni di stati fondamentali per Hamiltoniane locali 1D e 2D, inclusi il modello di Ising a campo trasverso ($n=48$), catene spinoriali Many-Body Localized (MBL) ($n=16$), catene di Hubbard senza spin ($n=16$) e il modello di Heisenberg 2D (griglia $4\times4$).
• Performance:
  • Fedeltà: L'SSO ha costantemente raggiunto una fedeltà più alta (infedeltà minore) rispetto a MPD, CVD e varianti ottimizzate di MPD a profondità di circuito fissa. Ad esempio, nel benchmark del modello di Ising a 60 qubit, l'SSO ha ottenuto una fedeltà significativamente superiore rispetto a CVD.
  • Scalabilità (Dimensione di Legame): Un risultato critico è che l'SSO mitiga la crescita esponenziale della dimensione di legame ($\chi_{max}$) osservata in MPD. Mentre MPD vedeva spesso $\chi_{max}$ crescere quasi esponenzialmente con il numero di layer, l'SSO ha mantenuto $\chi_{max} \approx O(\chi_{target})$ grazie all'efficacia dei suoi layer di disentangling nel ridurre l'entanglement.
  • Confronto con CVD: L'SSO ha superato il CVD anche quando il CVD utilizzava lo stesso obiettivo di "tail loss". Gli autori attribuiscono ciò all'ansatz dell'SSO (staircase) che mappa analiticamente lo stato $\chi=2$ finale in uno stato prodotto, fornendo una garanzia di fedeltà che l'approccio variazionale del CVD non possiede.
  • SSO+All: La variante di ottimizzazione congiunta (SSO+All) ha prodotto i migliori risultati in tutti i benchmark, riducendo ulteriormente l'errore, sebbene i guadagni di performance si siano stabilizzati a profondità maggiori a causa dei problemi di minimi locali comuni nell'ottimizzazione di reti tensoriali profonde.

Significatività e Rivendicazioni
Il paper sostiene che l'SSO rappresenti un framework scalabile ed efficiente per la preparazione di stati quantistici, particolarmente per l'hardware quantistico near-term dove i circuiti a profondità ridotta sono essenziali.

• Novità: Il contributo primario è la riformulazione del problema del disentangling come un'esplicita ottimizzazione dello spettro di Schmidt (tail loss), accoppiata a un ansatz specifico che garantisce la fedeltà dello stato finale basandosi sulla qualità dell'approssimazione $\chi=2$.
• Scalabilità: Riducendo efficacementamente l'entanglement ad ogni step, l'SSO previene l'esplosione esponenziale delle dimensioni di legame che affligge i precedenti metodi di disentangling, permettendo circuiti più profondi senza costi computazionali classici proibitivi.
• Praticità: L'algoritmo produce circuiti composti interamente da gate locali a uno e due qubit, ottimizzati classicamente, rendendolo un "sostituto diretto" per il disentangling in stile MPD nella preparazione di stati MPS.
• Limitazioni: Gli autori notano con modestia che, sebbene l'SSO+All migliori i risultati, l'ottimizzazione congiunta globale di circuiti profondi affronta ancora sfide legate ai minimi locali e ai plateau sterili, suggerendo che l'approccio greedy, layer-by-layer dell'SSO, sia la componente scalabile più robusta.

Il lavoro non propone nuovo hardware sperimentale o applicazioni future specifiche oltre al dominio generale della preparazione di stati MPS per algoritmi quantistici, ma stabilisce invece un metodo di ottimizzazione classica superiore per generare i necessari circuiti quantistici.