Enhanced Maximum Independent Set Preparation with Rydberg Atoms Guided by the Spectral Gap

Titolo: Preparazione potenziata dell'Insieme Massimo Indipendente con Atomi di Rydberg guidata dal Gap Spettrale

1. Il Problema

Il calcolo quantistico adiabatico (AQC) utilizzando array di atomi di Rydberg offre una via naturale per risolvere problemi di ottimizzazione combinatoria, in particolare il problema dell'Insieme Massimo Indipendente (MIS). In questo approccio, la soluzione è codificata nello stato fondamentale di un Hamiltoniano che evolve gradualmente.

Tuttavia, le prestazioni di questo metodo sono fondamentalmente limitate da due fattori:

• Riduzione del gap spettrale: All'aumentare della dimensione del sistema e della connettività, il gap energetico minimo ($\Delta E_{01}$) tra lo stato fondamentale e il primo stato eccitato diminuisce drasticamente (spesso in modo super-esponenziale).
• Perdita di popolazione (Leakage): Durante un'evoluzione temporale finita, un gap spettrale piccolo induce transizioni non adiabatiche, causando la fuoriuscita di popolazione dallo stato fondamentale verso stati eccitati. Questo riduce la probabilità di trovare la soluzione corretta (il MIS).

Le soluzioni alternative esistenti, come il calcolo quantistico contro-adiabatico (che richiede termini aggiuntivi nell'Hamiltoniano) o algoritmi variazionali (che richiedono un elevato sovraccarico hardware e campionamento ripetuto), presentano svantaggi significativi in termini di complessità e scalabilità.

2. Metodologia: ADGLB

Gli autori introducono un nuovo metodo chiamato ADGLB (Adjusted Detuning for Ground-Energy Leakage Blockade). Questa è una tecnica di ingegneria della schedulazione (schedule engineering) che modifica il profilo del disaccoppiamento laser (detuning, $\delta(t)$) per sopprimere la perdita di popolazione senza introdurre nuovi termini nell'Hamiltoniano o loop di ottimizzazione iterativa.

Principi chiave del metodo:

• Analisi del Gap Spettrale: Il metodo si basa sulla teoria secondo cui la perdita di popolazione è limitata dall'inverso della potenza del gap spettrale.
• Modifica della Derivata Temporale: Invece di una scansione lineare del detuning, la velocità di variazione del detuning ($d\delta/dt$) viene adattata in modo da essere proporzionale a una potenza del gap spettrale: $d\delta/dt \propto (\Delta E_{01}(t))^j$, dove $j$ è un parametro di controllo.
• Strategia di Evoluzione:
  • La frequenza di Rabi $\Omega(t)$ segue lo schedule standard.
  • Il detuning $\delta(t)$ viene rallentato significativamente nelle vicinanze del punto di gap minimo ($t_{min}$), dove il rischio di leakage è massimo, e accelerato nelle regioni dove il gap è più ampio.
  • La funzione di interpolazione normalizzata $\zeta_j$ viene utilizzata per costruire il percorso del detuning, garantendo una transizione più lenta e controllata vicino al gap critico.

3. Contributi Chiave

1. Sviluppo dell'algoritmo ADGLB: Una metodologia analitica per progettare schedule di detuning basate sulle proprietà spettrali, eliminando la necessità di termini Hamiltoniani aggiuntivi complessi.
2. Validazione Sperimentale su Piccola Scala: Implementazione e test su un processore quantistico a atomi neutri (QuEra Aquila) con una catena quasi-unidimensionale di $N=10$ atomi, un'istanza nota per la sua difficoltà (alto parametro di durezza $H_P$).
3. Scalabilità e Trasferibilità: Dimostrazione che uno schedule ottimizzato per un'istanza piccola ($N=10$) può essere applicato direttamente a istanze più grandi e complesse (reticoli triangolari 2D con $N=25$ e $N=37$) senza ri-ottimizzazione completa.
4. Adattabilità ad Alta Durezza: Introduzione di un semplice offset euristico ($\nu_d$) che permette di adattare lo schedule ottimizzato per sistemi piccoli a istanze con parametri di durezza molto più elevati ($N=23, H_P=34.2$), superando i limiti della diagonalizzazione diretta dell'Hamiltoniano per sistemi grandi.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti utilizzando il processore Aquila di QuEra, con atomi di Rubidio-87 ($^{87}$Rb) eccitati allo stato di Rydberg.

• Catena Quasi-Unidimensionale ($N=10$):

  • Con lo schedule standard, la probabilità di preparare il MIS è stata del 28%.
  • Con lo schedule ADGLB (con parametro $j=1.8$), la probabilità è aumentata al 38%.
  • Le simulazioni numeriche hanno mostrato un miglioramento ancora più marcato, con popolazioni dello stato fondamentale che superano il 94% (contro il 73,9% dello standard).

• Reticoli Triangolari 2D ($N=25$ e $N=37$):

  • Applicando lo stesso schedule ottimizzato per $N=10$ ai reticoli più grandi, si è osservato un miglioramento significativo:
    • Per $N=25$: da 17,7% (standard) a 24,2% (ADGLB).
    • Per $N=37$: da 3,0% (standard) a 5,6% (ADGLB).
  • Questo conferma che il metodo cattura le caratteristiche strutturali della difficoltà del problema, non solo la dimensione del sistema.

• Istanze ad Alta Durezza ($N=23, H_P=34.2$):

  • Per un'istanza molto difficile dove il calcolo diretto del gap minimo è computazionalmente proibitivo, l'uso di un offset euristico sul detuning ($\nu_d$) ha permesso di migliorare la probabilità di successo fino a 2,54% (contro l'1,45% dello standard e l'1,1% dell'ADGLB non modificato), dimostrando la robustezza del metodo.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo significativo verso l'ottimizzazione quantistica scalabile su piattaforme di atomi neutri:

• Efficienza Hardware: Il metodo migliora le prestazioni senza richiedere risorse hardware aggiuntive, tempi di coerenza più lunghi o circuiti di controllo complessi.
• Scalabilità: La capacità di trasferire uno schedule ottimizzato da sistemi piccoli a grandi risolve il collo di bottiglia legato alla difficoltà di calcolare i gap spettrali per sistemi su larga scala.
• Sinergia con Post-Processing: Migliorando la qualità della distribuzione di probabilità generata a livello hardware, l'ADGLB facilita l'uso di strategie di mitigazione degli errori e post-processing classico, rendendo l'AQC più pratico per problemi reali.
• Approccio Generale: La strategia basata sul gap spettrale offre un modello generale per migliorare l'evoluzione adiabatica in presenza di vincoli di tempo finito, applicabile potenzialmente ad altri problemi di ottimizzazione oltre al MIS.

In sintesi, gli autori dimostrano che una modifica intelligente e guidata dalla fisica dello schedule di controllo laser può superare i limiti fondamentali dell'evoluzione adiabatica, rendendo i computer quantistici a atomi neutri più efficaci per la risoluzione di problemi di ottimizzazione combinatoria complessi.