Computing Green's functions and improving ground state energy estimation on quantum computers with Liouvillian recursion

Gli autori presentano un'implementazione ibrida quantistico-classica del metodo di ricorsione di Liouvillian per calcolare le funzioni di Green su un processore quantistico superconduttivo, dimostrando che tale approccio non solo è robusto al rumore e alle imprecisioni nella preparazione dello stato, ma consente anche di ottenere stime dell'energia dello stato fondamentale più accurate rispetto al valore di aspettazione dell'Hamiltoniana.

L'essenziale

Immagina di dover prevedere il meteo di un sistema complesso, come una folla di persone che si muovono in una piazza. In fisica, quando studiamo materiali speciali (come quelli che potrebbero rendere possibili computer quantistici superpotenti o superconduttori), dobbiamo capire come si comportano gli elettroni che "ballano" insieme. Questo comportamento è descritto da una cosa chiamata Funzione di Green.

Pensa alla Funzione di Green come a una mappa del traffico in tempo reale: ci dice dove gli elettroni possono andare, quanto velocemente e quanto è probabile che si scontrino.

Il problema? Calcolare questa mappa per sistemi complessi è come cercare di prevedere il meteo globale con un foglio di carta e una penna: richiede una potenza di calcolo enorme e i computer classici si bloccano.

Ecco cosa fanno gli autori di questo articolo, un team di ricercatori del Canada, in modo semplice:

1. Il Problema: I Computer Quantistici sono "Imperfetti"

I computer quantistici attuali (quelli che abbiamo oggi) sono come bambini geni ma distratti. Possono fare calcoli incredibili, ma sono molto rumorosi e facili da confondere. Se provi a chiedere loro di preparare lo stato perfetto di un sistema (la "terraferma" ideale), spesso sbagliano un po'. Inoltre, molti metodi per calcolare la Funzione di Green richiedono circuiti così lunghi e complessi che il computer quantistico si "addormenta" (perde la coerenza) prima di finire il lavoro.

2. La Soluzione: La "Ricetta Ricorsiva" (Liouvillian Recursion)

Gli autori hanno inventato un metodo ibrido (una collaborazione tra un computer classico e uno quantistico) basato su una tecnica chiamata Ricorsione di Liouvillian.

Facciamo un'analogia con la pittura di un quadro:

• Il vecchio metodo: Provare a dipingere l'intero quadro perfetto in un solo colpo. Se sbagli un pennellata, devi ricominciare da capo.
• Il loro metodo: Invece di dipingere tutto subito, si parte da un abbozzo grezzo (uno stato approssimato). Poi, fanno un piccolo passo, guardano il risultato, correggono leggermente, fanno un altro passo e così via. È come scolpire una statua: togli un po' di marmo, guardi, togli un altro pezzetto.

Ogni "passo" (o iterazione) aggiunge un po' più di dettaglio alla mappa del traffico (la Funzione di Green).

3. La Magia: Migliorare l'Errore

Cosa succede se il computer quantistico è rumoroso e il tuo "abbozzo" iniziale non è perfetto?

• La sorpresa: Anche partendo da un disegno storto e con un pennello che trema (rumore), questo metodo riesce a ricostruire una mappa del traffico molto accurata dopo pochi passi.
• Il trucco: Hanno scoperto che ogni volta che aggiungono un passo alla ricetta, l'errore diminuisce in modo esplosivo (esponenziale). È come se ogni volta che aggiungi un tassello al puzzle, non solo completi quel pezzo, ma ne correggessi anche dieci precedenti.

4. Il Risultato: Energia più Precisa

L'obiettivo finale non è solo la mappa, ma sapere quanto "costa" tenere insieme questo sistema (l'energia dello stato fondamentale).
Spesso, quando un computer quantistico prova a calcolare l'energia direttamente, sbaglia perché il circuito è rumoroso.
Gli autori hanno usato la loro mappa del traffico (la Funzione di Green) per calcolare l'energia con una formula speciale (la formula di Galitskii-Migdal).
Il risultato? Hanno ottenuto una stima dell'energia più precisa di quella che il computer avrebbe dato calcolandola direttamente, anche quando il computer era molto rumoroso e il punto di partenza era imperfetto.

In Sintesi

Immagina di dover trovare la strada più breve in una città piena di nebbia (rumore quantistico).

• I metodi vecchi ti dicono: "Prepara la mappa perfetta prima di partire". Ma nella nebbia è impossibile.
• Questo nuovo metodo dice: "Parti anche se non vedi bene, fai un passo, guarda dove sei, correggi la rotta, e ripeti".
• Anche se parti sbagliato e c'è nebbia, dopo pochi passi ti trovi esattamente dove devi essere, e sai esattamente quanto è lunga la strada.

Perché è importante?
Questo dimostra che i computer quantistici di oggi (quelli "rumorosi" o NISQ) sono già utili per risolvere problemi reali di fisica della materia, senza bisogno di aspettare computer perfetti che forse non arriveranno mai. È un passo avanti verso la simulazione di nuovi materiali e farmaci.

Sommario tecnico

Titolo

Calcolo delle funzioni di Green e miglioramento della stima dell'energia dello stato fondamentale su computer quantistici mediante ricorsione di Liouvillian.

1. Il Problema

La simulazione di sistemi di elettroni fortemente correlati è una delle applicazioni più promettenti del calcolo quantistico, in particolare per approcci come la Teoria del Campo Medio Dinamico (DMFT). Tuttavia, l'estrazione di osservabili fisici cruciali, come le funzioni di Green a singola particella, presenta sfide significative:

• Complessità dei circuiti: La maggior parte degli algoritmi esistenti richiede operazioni costose (controllo multi-qubit, evoluzione temporale) che generano circuiti quantistici di profondità proibitiva per i computer quantistici attuali (NISQ).
• Preparazione dello stato: La necessità di preparare uno stato fondamentale esatto è difficile e spesso irraggiungibile con precisione su hardware rumoroso.
• Limitazioni attuali: Gli algoritmi che evitano l'evoluzione temporale spesso si basano su rappresentazioni di Lehmann o espansioni di momenti, ma possono essere sensibili al rumore o richiedere risorse classiche elevate per la diagonalizzazione.

2. Metodologia

Gli autori propongono un'implementazione ibrida quantistico-classica basata sul metodo di ricorsione di Liouvillian. L'approccio si distingue per i seguenti aspetti:

• Rappresentazione in frazione continua: Invece di calcolare separatamente i contributi di buca ed elettrone, l'algoritmo costruisce l'intera funzione di Green ritardata $G_{rr'}(\omega)$ come una frazione continua nel dominio della frequenza.
• Ricorsione di Liouvillian: L'algoritmo genera una sequenza di osservabili ricorsivamente applicando l'operatore di Liouvillian $\mathcal{L}(f) = [H, f]$ (il commutatore con l'Hamiltoniana) a un operatore di partenza (es. $c_r$). Questo avviene nello spazio di Hilbert degli operatori, analogamente al metodo di Lanczos ma per operatori.
  • I coefficienti della frazione continua ($\alpha_k, \beta_k$) sono calcolati misurando valori di aspettazione di anticommutatori.
  • Gli elementi fuori diagonale ($r \neq r'$) sono ottenuti tramite una decomposizione polinomiale ibrida, evitando frazioni continue di matrici complesse.
• Input: L'algoritmo richiede solo l'accesso a uno stato fondamentale approssimato $|g\rangle = U_g|0\rangle$, preparato da un circuito quantistico (anche imperfetto).
• Stima dell'Energia: Una volta ottenute le funzioni di Green, l'energia dello stato fondamentale viene stimata utilizzando la formula di Galitskii-Migdal, che integra la funzione di Green. Questo metodo permette di ottenere una stima dell'energia più accurata rispetto al semplice valore di aspettazione dell'Hamiltoniana $\langle H \rangle$ sullo stato approssimato.

3. Contributi Chiave

1. Nuovo Algoritmo Quantistico: Implementazione pratica della ricorsione di Liouvillian su hardware quantistico reale, capace di calcolare sia le funzioni di Green locali che inter-sito.
2. Robustezza al Rumore e all'Imperfezione: Dimostrazione che l'algoritmo è intrinsecamente robusto. Anche partendo da stati fondamentali con bassa fedeltà (fino a 0.768) o utilizzando hardware rumoroso, le prime iterazioni convergono rapidamente verso la soluzione esatta.
3. Miglioramento dell'Energia: La stima dell'energia ottenuta tramite la formula di Galitskii-Migdal basata sulle funzioni di Green calcolate è sistematicamente migliore (sui passi pari) rispetto al valore di aspettazione diretto dell'Hamiltoniana sullo stato approssimato, superando anche il rumore dell'hardware.
4. Analisi di Complessità: Dimostrazione che, sebbene il numero di operatori di Pauli necessari cresca esponenzialmente con le iterazioni, la convergenza esponenziale del metodo compensa questo costo. La complessità computazionale effettiva risulta polinomiale rispetto all'accuratezza desiderata (misurata tramite la distanza di Wasserstein).

4. Risultati Sperimentali

L'algoritmo è stato testato sul processore superconduttivo IBM Quebec (156 qubit) utilizzando il modello di Hubbard a 4 siti con condizioni al contorno aperte.

• Setup: Sono stati utilizzati tre circuiti di preparazione dello stato con fedeltà diverse rispetto allo stato fondamentale vero: 0.999, 0.963 e 0.768.
• Funzioni di Green: I risultati ottenuti sull'hardware (a iterazione $k=6$) mostrano un accordo quantitativo con le simulazioni classiche e un avvicinamento qualitativo ai risultati esatti ($k=30$), confermando la rapida convergenza.
• Stima dell'Energia:
  • Per stati ad alta fedeltà (0.999), il valore $\langle H \rangle$ sull'hardware fallisce nel catturare l'energia vera a causa del rumore, mentre la stima tramite Galitskii-Migdal è più vicina al valore vero.
  • Per stati a bassa fedeltà (0.768), la stima dell'energia tramite funzioni di Green rimane superiore al valore di aspettazione diretto, dimostrando la capacità dell'algoritmo di "correggere" le imperfezioni dello stato iniziale.
• Convergenza: La distanza di Wasserstein tra la funzione di Green calcolata e quella esatta diminuisce esponenzialmente con il numero di iterazioni.
• Complessità: L'analisi mostra che la crescita esponenziale del numero di operatori di Pauli è bilanciata dalla rapida convergenza, portando a una scalabilità polinomiale ($O(1/\epsilon^4)$) rispetto all'errore $\epsilon$.

5. Significato e Prospettive

Questo lavoro rappresenta un passo avanti significativo verso l'utilità pratica dei computer quantistici NISQ per la fisica della materia condensata:

• Affidabilità: Dimostra che la ricorsione di Liouvillian è ben adattata ai vincoli dei computer quantistici attuali, tollerando rumore e stati iniziali imperfetti.
• DMFT: L'algoritmo fornisce un potenziale "solvente di impurezza" (impurity solver) efficiente per la Teoria del Campo Medio Dinamico, aprendo la strada allo studio di materiali fortemente correlati su larga scala.
• Generalità: Sebbene testato sul modello di Hubbard, il metodo è applicabile ad altri Hamiltoniani, inclusi quelli di spin e strutture elettroniche/vibrazionali di molecole.
• Efficienza: La scoperta che la convergenza esponenziale compensa il costo esponenziale degli operatori suggerisce un vantaggio computazionale esponenziale per il calcolo delle funzioni di Green su sistemi più grandi, a patto di disporre di un metodo efficiente per la preparazione dello stato fondamentale.

In sintesi, il paper valida un approccio ibrido che trasforma un problema apparentemente intrattabile (calcolo di funzioni di risposta su hardware rumoroso) in una procedura robusta e scalabile, offrendo risultati fisici superiori rispetto alle misurazioni dirette degli stati quantistici.