Sampling Noise and Optimized Measurement Distribution in Imaginary-Time Quantum Dynamics Simulations

Sintesi Tecnica: Rumore di Campionamento e Distribuzione Ottimizzata delle Misurazioni nelle Simulazioni di Dinamica Quantistica a Tempo Immaginario

Enunciato del Problema
Le Simulazioni di Dinamica Quantistica Variazionale (VQDS), in particolare quelle che utilizzano l'evoluzione a tempo immaginario (VQITE) per la preparazione dello stato fondamentale, offrono una via promettente per simulare sistemi quantistici a molti corpi su dispositivi quantistici a scala intermedia rumorosi (NISQ) utilizzando circuiti a profondità fissa. Tuttavia, la loro utilità pratica è severamente limitata dal rumore di campionamento derivante da un numero finito di misurazioni del circuito (shot). Questo rumore introduce incertezza nel calcolo del Tensore Geometrico Quantistico (QGT), indicato come matrice $M$, e del vettore $V$ nelle equazioni del moto classiche ($M\dot{\theta} = V$). Poiché $M$ è spesso mal condizionata, l'inversione diretta per risolvere gli aggiornamenti dei parametri $\dot{\theta}$ amplifica gli errori di campionamento, portando a una scarsa fedeltà dello stato e a dinamiche instabili. Inoltre, le strategie esistenti per distribuire un budget fisso di misurazioni tra i vari circuiti necessari per stimare $M$ e $V$ si basano spesso su distribuzioni uniformi, che potrebbero non essere ottimali per minimizzare l'errore nella soluzione delle equazioni del moto.

Metodologia
Gli autori investigano queste problematiche utilizzando il Modello di Ising a campo trasverso unidimensionale (TFIM) nel suo punto critico come benchmark. Adottano un ansatz variazionale stratificato con connettività tra primi vicini e simulano la dinamica utilizzando simulazioni di circuiti rumorosi anziché simulazioni ideali dello stato vettoriale.

Lo studio si concentra su due componenti metodologiche principali:

1. Strategie di Regularizzazione: Per affrontare il mal condizionamento della matrice $M$ in presenza di rumore, gli autori confrontano due tecniche di regolarizzazione: la regolarizzazione di Tikhonov (aggiunta di un termine diagonale $\epsilon I$ a $M$) e la troncatura degli autovalori (ignorando gli autovalori al di sotto di una soglia $\epsilon$).
2. Distribuzione Ottimizzata delle Misurazioni: Gli autori implementano una strategia di allocazione degli shot basata sulla minimizzazione di una funzione di costo definita come la varianza totale della soluzione delle equazioni del moto ($\sigma^2_{\dot{\theta}}$). Ciò comporta il calcolo della sensibilità degli aggiornamenti dei parametri $\dot{\theta}$ rispetto ai risultati grezzi delle misurazioni. A differenza degli approcci precedenti, introducono un vincolo critico: un numero minimo di shot ($M_{min}$) deve essere allocato a ogni circuito di misurazione per impedire che l'algoritmo assegni shot quasi nulli a termini sensibili. Ciò viene implementato tramite un algoritmo ricorsivo che garantisce $M_{min} = r \cdot M_{ave}$, dove $r$ è una frazione degli shot medi per misurazione.

Risultati Chiave

• Prestazioni della Regularizzazione: Attraverso simulazioni senza rumore e rumorose, gli autori dimostrano che la regolarizzazione di Tikhonov offre una robustezza superiore rispetto alla troncatura degli autovalori. Nello specifico, la regolarizzazione di Tikhonov con $\epsilon = 10^{-2}$ mantiene un'alta fedeltà e traiettorie stabili anche con un rumore di shot significativo, mentre la troncatura degli autovalori richiede soglie molto più piccole ($\epsilon \le 10^{-4}$) per convergere, rendendola più suscettibile di essere sopraffatta dal rumore.
• Efficacia dell'Allocazione degli Shot: La strategia di allocazione degli shot ottimizzata supera significativamente la distribuzione uniforme degli shot. Imponendo un vincolo minimo di shot (trovando specificamente un $r \approx 0.4$ ottimale), il metodo raggiunge fedeltà degli stati comparabili a quelle delle distribuzioni uniformi che utilizzano più del doppio del numero totale di shot. Ciò rappresenta una riduzione del costo totale delle misurazioni di un fattore superiore a due.
• Definizioni della Funzione di Costo: Gli autori hanno testato funzioni di costo alternative, inclusa la varianza della funzione d'onda del passo successivo ($\sigma^2_{|\Psi\rangle}$) e la varianza della distanza di McLachlan ($\sigma^2_{L^2}$). Hanno rilevato che la minimizzazione della varianza della soluzione delle equazioni del moto ($\sigma^2_{\dot{\theta}}$) e della funzione d'onda ($\sigma^2_{|\Psi\rangle}$) produce risultati simili e ottimali nei tempi successivi della simulazione. Al contrario, la minimizzazione della varianza di $L^2$ si è rivelata inefficace per l'evoluzione dinamica, probabilmente perché l'evoluzione non dipende esplicitamente dal valore ottimizzato di $L^2$ nello stesso modo.
• Scalabilità con la Dimensione del Sistema: I benefici della strategia di allocazione ottimizzata sono stati osservati sia nei sistemi di spin $N=6$ che $N=8$, con la frazione minima di shot ottimale ($r \approx 0.4$) che rimane coerente.

Significato e Affermazioni
Il documento afferma che la combinazione di una regolarizzazione robusta della matrice (specificamente Tikhonov) e di una strategia di distribuzione delle misurazioni ottimizzata e vincolata fornisce linee guida pratiche per l'implementazione di VQDS efficienti nelle misurazioni su hardware a breve termine. Gli autori affermano che le loro scoperte evidenziano la necessità di un "progettazione consapevole del rumore" sia per i solver numerici che per le strategie di misurazione. Garantendo che una frazione finita di shot sia distribuita uniformemente (tramite il vincolo $M_{min}$) mentre il resto viene ottimizzato in base alla sensibilità, i ricercatori possono migliorare significativamente la fedeltà dello stato e ridurre il sovraccarico totale delle misurazioni necessario per raggiungere una data accuratezza. Gli autori notano che questo framework è generale e applicabile ad altri algoritmi variazionali, inclusi VQDS a tempo reale, schemi adattivi e ottimizzazione del gradiente naturale quantistico, permettendo così simulazioni quantistiche più scalabili sull'hardware attuale.