Bias Analysis and Regularization of Sequential Minimal Optimization in Variational Quantum Eigensolvers

Sintesi Tecnica: Analisi del Bias e Regularizzazione dell'Ottimizzazione Minimale Sequenziale negli Eigensolver Quantistici Variazionali

Enunciato del Problema
L'Eigensolver Quantistico Variazionale (VQE) è un algoritmo ibrido quantistico-classico leader per l'approssimazione degli stati fondamentali di operatori Hamiltoniani. Una specifica routine di ottimizzazione, l'algoritmo Nakanishi–Fujii–Todo (NFT) (noto anche come Rotosolve), implementa l'Ottimizzazione Minimale Sequenziale (SMO) sfruttando la dipendenza trigonometrica dell'energia dai singoli parametri del circuito. Ciò consente una minimizzazione analitica unidimensionale utilizzando solo poche valutazioni dell'energia (tipicamente due nuove misurazioni più una stima riutilizzata).

Tuttavia, questa efficienza comporta un costo: il riutilizzo delle energie minime stimate introduce un errore statistico cumulativo. Mentre l'algoritmo itera, il rumore derivante dal numero finito di scatti di misurazione si propaga, causando una sottostima sistematica dell'energia dello stato fondamentale reale da parte dell'energia stimata. Sebbene esistano strategie euristico per mitigare questo fenomeno — come la r misurazione periodica del minimo per "riagganciare" l'ottimizzazione — tali metodi comportano costi aggiuntivi significativi in termini di misurazioni. Inoltre, l'origine matematica di questo bias e il suo impatto specifico sulla dinamica di ottimizzazione hanno mancato di una caratterizzazione rigorosa.

Metodologia
Gli autori affrontano il passo di aggiornamento SMO-VQE attraverso la lente della regressione lineare bayesiana. Modellano il paesaggio energetico unidimensionale lungo una direzione di parametro come una funzione sinusoidale con coefficienti sconosciuti, dove le misurazioni sono trattate come osservazioni rumorose con varianza degli scatti gaussiana.

1. Derivazione del Bias: Analizzando la distribuzione a posteriori dei coefficienti di regressione, gli autori derivano un'espressione analitica per il bias introdotto ad ogni passo di minimizzazione. Dimostrano che il processo di minimizzazione induce un bias negativo sistematico nell'energia minima stimata, proporzionale all'inverso del rapporto segnale-rumore e alla curvatura del paesaggio energetico.
2. Accumulo del Bias: Lo studio mostra che, poiché la stima distorta di un passo viene riutilizzata come punto dati per il successivo, questo bias negativo si accumula linearmente attraverso le iterazioni, portando a stime energetiche non fisiche ben al di sotto dello stato fondamentale reale.
3. Insight sulla Regularizzazione: Crucialmente, gli autori osservano che, sebbene la correzione del bias migliori la coerenza statistica, la rimozione completa del bias può destabilizzare l'ottimizzazione, specialmente nelle direzioni con piccola curvatura (paesaggi energetici piatti). Il bias non controllato agisce come un regolarizzatore implicito, aumentando efficacemente il rapporto segnale-rumore e impedendo all'algoritmo di compiere grandi aggiornamenti rumorosi che potrebbero portare fuori dai minimi buoni.
4. Algoritmo Proposto: Basandosi su questi insight, gli autori propongono un metodo in due fasi:
   • Correzione Analitica: Calcolare il bias utilizzando lo stimatore analitico derivato e sottrarlo dalla stima dell'energia riutilizzata per ottenere un valore non distorto.
   • Regularizzazione Controllata: Introdurre uno spostamento negativo controllato e dipendente dal tempo (termine di regolarizzazione $r$) alla stima corretta prima di eseguire la successiva minimizzazione. Questo termine è progettato per essere debole durante l'esplorazione iniziale e aumentare progressivamente durante la convergenza, mimando l'effetto stabilizzante del bias originale senza la sottostima sistematica.

Contributi Chiave

• Caratterizzazione Matematica: Il documento fornisce la prima caratterizzazione matematica dettagliata dell'accumulo di bias nell'SMO-VQE, derivando uno stimatore analitico per il bias che dipende dalla varianza degli scatti e dall'ampiezza stimata del paesaggio energetico sinusoidale.
• Stimazione Non Distorta senza Costi Aggiuntivi: Gli autori dimostrano che il bias può essere stimato e corretto analiticamente ad ogni iterazione senza richiedere misurazioni quantistiche aggiuntive, a differenza dei precedenti metodi di stabilizzazione euristica.
• Strategia di Regularizzazione: Il documento identifica la natura duale del bias nell'SMO-VQE: sebbene dannoso per l'accuratezza, fornisce una regolarizzazione implicita. L'algoritmo proposto sfrutta questo aspetto sostituendo l'accumulo di bias non controllato con uno schema di regolarizzazione controllato e regolabile.
• Efficienza degli Ipereparametri: Il metodo proposto si basa su un singolo iperparametro fisso ($\tau$) e dimostra robustezza attraverso varie configurazioni di sistema senza la necessità di un'ampia sintonizzazione.

Risultati Sperimentali
Gli autori hanno valutato il loro metodo sul Modello di Ising con Campo Trasverso unidimensionale (TFIM) utilizzando un ansatz EfficientSU(2). Gli esperimenti hanno variato il numero di qubit, gli strati del circuito, gli Hamiltoniani target (inclusi catene di spin XX, XXZ e XXX) e gli scatti di misurazione.

• Rimozione del Bias: La correzione analitica ha eliminato con successo la sottostima sistematica dell'energia osservata nell'SMO-VQE distorto originale e nella strategia di stabilizzazione periodica, che presentava ancora bias periodici residui.
• Prestazioni di Ottimizzazione: Sebbene la semplice correzione del bias (rendendo lo stimatore non distorto) abbia degradato le prestazioni di ottimizzazione rispetto alla baseline distorta, l'algoritmo regularizzato proposto ha costantemente superato tutte le baseline. Ha raggiunto deviazioni energetiche inferiori ($\Delta$Energia) e fedeltà superiori ($\Delta$Fidelity) in tutte le impostazioni testate.
• Robustezza: Il metodo regularizzato ha mostrato prestazioni superiori anche utilizzando meno scatti di misurazione per operatore di Pauli rispetto all'algoritmo distorto originale che ne utilizzava di più. Ciò suggerisce che la regolarizzazione compensa efficacemente il rumore, specialmente nei paesaggi energetici piatti.

Significato e Affermazioni
Il documento afferma che l'algoritmo proposto offre un miglioramento pratico per l'ottimizzazione VQE su dispositivi Quantistici a Scala Intermedia Rumorosa (NISQ). Derivando uno stimatore analitico del bias, gli autori abilitano una stima dell'energia non distorta senza aumentare il budget di misurazione quantistica. Inoltre, riconoscendo il ruolo stabilizzante del bias, introducono uno schema di regolarizzazione che mantiene i benefici di convergenza dell'algoritmo originale assicurando al contempo che le stime energetiche rimangano fisicamente accurate. I risultati suggeriscono che il bias controllato può essere un principio di progettazione utile per migliorare le prestazioni nell'ottimizzazione quantistica rumorosa, fornendo un'alternativa robusta ai metodi basati sul gradiente e alle strategie di stabilizzazione euristica.