Improving Ground State Accuracy of Variational Quantum Eigensolvers with Soft-coded Orthogonal Subspace Representations

Gli autori propongono un nuovo approccio per migliorare l'accuratezza degli stati fondamentali nei VQE utilizzando rappresentazioni di sottospazio con vincoli di ortogonalità "soft-coded" tramite termini di penalità, permettendo circuiti quantistici più ridotti rispetto ai metodi tradizionali con vincoli "hard-coded".

L'essenziale

🎯 Il Problema: Trovare il "Fondo" in una Montagna Nebbiosa

Immagina di dover trovare il punto più basso di una montagna enorme, ma sei avvolto in una nebbia fittissima (questa nebbia è il rumore dei computer quantistici attuali). Il tuo obiettivo è trovare il "punto di minimo assoluto" (lo stato fondamentale di un sistema fisico), che corrisponde all'energia più bassa possibile.

Il metodo classico per farlo si chiama VQE (Variational Quantum Eigensolver). È come se tu avessi un robot esploratore (il circuito quantistico) che scende a tentoni la montagna. Il robot prova un sentiero, misura l'altezza, e un computer classico gli dice: "No, vai un po' più a sinistra". Il robot riprova, e così via, finché non pensa di aver trovato il punto più basso.

Il problema? A volte il robot si blocca in una piccola buca (un minimo locale) che sembra il fondo, ma non lo è davvero. O peggio, si perde nella nebbia e non sa più dove andare.

🚀 La Soluzione Proposta: Non un Esploratore, ma una Squadra

Gli autori di questo articolo (Clemente e Intini) dicono: "E se invece di mandare un solo robot, mandassimo una squadra di esploratori?"

Invece di cercare un solo punto, cerchiamo un sottospazio, ovvero un piccolo "piano" o una "zona" della montagna che contiene il fondo. Se hai una squadra di esploratori che copre una zona, è molto più probabile che uno di loro passi vicino al vero punto più basso.

Esistono già metodi per farlo (chiamati SSVQE e MCVQE), ma hanno un difetto: sono troppo rigidi.

🔒 Il Vecchio Metodo: La Squadra "In Catene" (Ortogonalità Hard-Coded)

Nei metodi vecchi, per evitare che gli esploratori si sovrappongano o si diano la mano (cioè per far sì che siano tutti diversi tra loro), si usano delle catene rigide.

• L'analogia: Immagina di avere 4 esploratori. Per forza, il primo deve stare a Nord, il secondo a Est, il terzo a Sud e il quarto a Ovest. Non possono mai avvicinarsi troppo.
• Il problema: Queste catene costringono gli esploratori a fare percorsi molto lunghi e complicati per rispettare le regole. Il circuito quantistico diventa profondo (molto lungo).
• Il rischio: Nei computer quantistici di oggi (l'era NISQ), i circuiti lunghi sono pericolosi perché il rumore distrugge l'informazione prima che il calcolo finisca. È come se la nebbia diventasse così fitta da far perdere la strada a tutti gli esploratori.

✨ Il Nuovo Metodo: La Squadra "Soft-Code" (Ortogonalità Soft-Coded)

Gli autori propongono un approccio rivoluzionario: rimuoviamo le catene rigide e usiamo un "avviso gentile".

• L'analogia: Immagina di dire alla squadra: "Ragazzi, cercate di stare distanti tra di voi, ma non è un obbligo assoluto. Se vi avvicinate troppo, vi darò una multa (un termine di penalità) nel punteggio finale, ma potete comunque muovervi liberamente".
• Come funziona: Invece di costringere il circuito quantistico a rispettare regole geometriche rigide, si aggiunge una "penalità" alla funzione di costo. Se due stati (esploratori) si sovrappongono troppo, il punteggio peggiora. Il sistema impara da solo a stare distanti senza bisogno di circuiti complicati.
• Il vantaggio: I circuiti quantistici diventano molto più corti e semplici (shallow circuits). Sono come sentieri brevi e sicuri che il robot può percorrere prima che la nebbia (il rumore) lo accechi.

📊 I Risultati: Chi Vince?

Gli autori hanno testato questo metodo su due scenari difficili:

1. Un modello magnetico semplice (Ising).
2. Un modello di "vetro di spin" (Edwards-Anderson), che è caotico e disordinato, come un labirinto senza regole.

I risultati sono stati sorprendenti:

• Il metodo vecchio (catene rigide): Faticava a trovare la soluzione perfetta. Anche con circuiti lunghi, spesso si fermava a un'accuratezza del 70-80%.
• Il metodo nuovo (multa soft): Con circuiti molto più corti, ha raggiunto un'accuratezza superiore al 95-97%.
• Il paradosso: A volte, avere più libertà (meno regole rigide) permette di trovare la soluzione migliore più velocemente e con meno errori.

💡 In Sintesi: Perché è Importante?

Immagina di dover risolvere un puzzle.

• Il metodo vecchio ti dice: "Puoi mettere i pezzi solo in posizioni fisse e rigide". È difficile e lento.
• Il metodo nuovo dice: "Metti i pezzi dove vuoi, ma se si sovrappongono troppo, ti penalizzo". Questo ti permette di muoverti più liberamente e trovare la soluzione perfetta prima che il puzzle si rompa (rumore).

Conclusione:
Questo lavoro mostra che per i computer quantistici di oggi (che sono rumorosi e fragili), essere più flessibili (soft-coded) è meglio che essere iper-rigidi (hard-coded). Permette di ottenere risultati molto più precisi usando circuiti più semplici, aprendo la strada a calcoli chimici e fisici più affidabili nel prossimo futuro.

Sommario tecnico

Titolo: Miglioramento dell'accuratezza dello stato fondamentale degli Eigensolver Quantistici Variazionali (VQE) con Rappresentazioni di Sottospazio a Codifica Morbida dell'Ortogonalità

1. Il Problema

Gli algoritmi Variational Quantum Eigensolver (VQE) sono una delle applicazioni più promettenti del calcolo quantistico nell'era NISQ (Noisy Intermediate-Scale Quantum) per trovare lo stato fondamentale di sistemi quantistici chiusi. Tuttavia, il VQE standard, che utilizza un singolo vettore di stato parametrizzato, spesso fatica a raggiungere un'alta fedeltà, specialmente in sistemi complessi o privi di simmetrie note.

Esistono approcci basati su sottospazi (come SSVQE e MCVQE) che estendono la ricerca a più stati parametrizzati per approssimare l'intero settore a bassa energia dell'Hamiltoniano. In questi metodi, l'ortogonalità tra gli stati che formano il sottospazio è solitamente imposta come un vincolo "hard-coded" (rigido) direttamente nella struttura del circuito quantistico. Questo approccio presenta due svantaggi principali:

1. Richiede circuiti quantistici più profondi per garantire l'ortogonalità esatta, aumentando la suscettibilità al rumore e alla decoerenza.
2. Può limitare l'espressibilità dello spazio di ricerca, impedendo al circuito di esplorare regioni ottimali dello spazio dei parametri.

Il lavoro si concentra su scenari dove non si sfruttano simmetrie note dell'Hamiltoniano (ansatz "agnostico") e la struttura del circuito rimane fissa durante l'ottimizzazione.

2. Metodologia

Gli autori propongono un nuovo approccio denominato Soft-coded Orthogonal Subspace Representations. L'idea centrale è rilassare il vincolo di ortogonalità, non imponendolo rigidamente nel circuito, ma penalizzandolo tramite termini aggiuntivi nella funzione di costo.

• Rappresentazione a Codifica Rigida (Hard-coded): Utilizzata in SSVQE/MCVQE. Si parte da $K$ stati iniziali ortogonali e si applica lo stesso circuito $U(\theta)$ a ciascuno. L'ortogonalità è garantita per costruzione.
• Rappresentazione a Codifica Morbida (Soft-coded - Proposta):
  • Si utilizzano $K$ circuiti indipendenti $\{U_p(\theta^{(p)})\}$, ciascuno con i propri parametri, applicati allo stesso stato iniziale $|0\rangle$.
  • La funzione di costo $C_K(\theta)$ include due termini:
    1. L'energia media degli stati nel frame.
    2. Un termine di penalità (deflazione) proporzionale al quadrato del prodotto scalare tra coppie di stati diversi: $\beta \sum_{p<q} |\langle \psi_q | \psi_p \rangle|^2$.
  • Il parametro iper-parametrico $\beta$ controlla la forza della penalità per l'ortogonalità.
• Diagonalizzazione Finale: Una volta raggiunta la convergenza, si costruisce la matrice dell'Hamiltoniano ristretta al sottospazio. Nel caso "soft", poiché gli stati non sono perfettamente ortogonali, è necessario calcolare anche la matrice di sovrapposizione $S_{pq} = \langle \psi_p | \psi_q \rangle$, portando a un problema agli autovalori generalizzato ($Hc = \lambda Sc$) invece che standard.
• Vantaggio Tecnico: Questo metodo permette di utilizzare circuiti più superficiali (shallow circuits) mantenendo alta fedeltà, poiché non è necessario spendere risorse di profondità del circuito per forzare l'ortogonalità esatta.

3. Contributi Chiave

1. Nuova Formulazione Variazionale: Introduzione di una rappresentazione di sottospazio dove l'ortogonalità è gestita tramite penalità nella funzione di costo invece che tramite vincoli strutturali rigidi.
2. Analisi di Esprimibilità: Dimostrazione teorica e numerica che la rappresentazione "soft-coded" offre un'expressibilità superiore. La combinazione lineare di stati generati da circuiti indipendenti (non commutanti) permette di raggiungere stati altamente entangled anche con circuiti superficiali, superando i limiti dei metodi "hard-coded".
3. Metriche di Valutazione: Definizione e utilizzo di due metriche di fedeltà:
   • Subspace Fidelity ($F_{sub}$): Sovrapposizione tra lo stato esatto e il sottospazio.
   • Truncated Fidelity ($F_{trc}$): Fedeltà dello stato ottenuto dalla diagonalizzazione dell'Hamiltoniano troncato (quella effettivamente ottenibile).
   • Gli autori mostrano che la discrepanza tra le due è minima nel loro approccio, validando l'efficacia della diagonalizzazione finale.
4. Fattore di Guadagno Relativo: Introduzione di una metrica ($G$) per quantificare il miglioramento relativo rispetto al VQE standard, normalizzando il guadagno in base alla riduzione dell'infedeltà.

4. Risultati

I risultati sono stati ottenuti tramite simulazione classica (senza rumore) su due modelli benchmark:

1. Modello di Ising in Campo Trasverso (TFI): Reticolo $3 \times 3$ vicino al punto critico.
2. Modello di Spin Glass di Edwards-Anderson (EA): Reticolo $4 \times 4$ con accoppiamenti disordinati (caso più difficile, privo di simmetrie sfruttabili).

Risultati Principali:

• Accuratezza Superiore: La rappresentazione "soft-ortho" raggiunge fedeltà superiori al 95-97% per il modello TFI e 70-90% per il modello EA (molto più alto del VQE standard e del metodo hard-ortho).
• Circuiti più Semplici: Il metodo soft-ortho ottiene queste prestazioni con circuiti più superficiali rispetto ai metodi concorrenti. Ad esempio, con soli 72 parametri (2 strati), il metodo soft-ortho supera le migliori prestazioni ottenute da VQE standard e hard-ortho con parametri molto maggiori.
• Comportamento Non Monotono: Il VQE standard e il metodo hard-ortho mostrano un comportamento non monotono della fedeltà durante l'ottimizzazione (la fedeltà può peggiorare mentre il costo diminuisce), indicando un "underfitting" o una contaminazione da stati eccitati. Il metodo soft-ortho mitiga questo fenomeno, mostrando una convergenza più robusta.
• Dimensione del Sottospazio: Un aumento della dimensione del sottospazio oltre $K=2$ non porta a miglioramenti significativi nella fedeltà finale, suggerendo che l'aggiunta di un singolo stato aggiuntivo è sufficiente per catturare le componenti dello stato fondamentale e del primo stato eccitato.
• Robustezza: Il metodo soft-ortho mostra una distribuzione di fedeltà molto più stretta (meno variabilità tra le esecuzioni indipendenti) rispetto agli altri metodi.

5. Significato e Implicazioni

Questo lavoro è significativo per l'era NISQ per i seguenti motivi:

• Mitigazione del Rumore: La capacità di ottenere alta accuratezza con circuiti più superficiali riduce l'impatto della decoerenza e del rumore, rendendo l'algoritmo più fattibile su hardware quantistico reale.
• Indipendenza dalle Simmetrie: L'approccio non richiede la conoscenza a priori delle simmetrie dell'Hamiltoniano, rendendolo applicabile a sistemi complessi come i vetri di spin, che sono candidati ideali per il vantaggio quantistico ma difficili da modellare con ansatz simmetrici.
• Efficienza delle Risorse: Sposta il carico computazionale dalla profondità del circuito (costoso su hardware quantistico) al calcolo classico della diagonalizzazione generalizzata (gestibile su computer classici), ottimizzando l'uso delle risorse ibride.
• Futuri Sviluppi: Apre la strada a schemi adattivi (variazione dinamica di $K$ o $\beta$) e all'integrazione con tecniche di design adattivo degli ansatz (come ADAPT-VQE).

In sintesi, gli autori dimostrano che "ammorbidire" i vincoli di ortogonalità a favore di una penalizzazione nella funzione di costo permette di superare i limiti di esprimibilità e profondità dei metodi VQE basati su sottospazi tradizionali, offrendo una via promettente per calcoli di stato fondamentale più accurati su hardware quantistico rumoroso.