Sample-efficient benchmarking of shallow all-to-all random quantum circuits

Titolo: Benchmarking efficiente in termini di campioni di circuiti quantistici casuali shallow all-to-all

Enunciato del Problema
Il campionamento di circuiti casuali (RCS) è un quadro primario per dimostrare il vantaggio quantistico nell'hardware quantistico a scala intermedia rumoroso (NISQ). Tuttavia, è stato dimostrato che i benchmark esistenti, in particolare il benchmark di entropia incrociata lineare (LXEB), sono vulnerabili al "spoofing" da parte di algoritmi classici che non campionano fedelmente dalla distribuzione di output ideale. Questa vulnerabilità solleva una domanda critica: esistono benchmark efficienti in termini di campioni capaci di distinguere l'hardware quantistico rumoroso genuino dai migliori spoofers classici, specificamente nel regime di circuiti casuali a profondità ridotta? Sebbene le evidenze suggeriscano che il campionamento da circuiti casuali a profondità ridotta possa essere classicamente intrattabile oltre una certa soglia di profondità, nessun benchmark esistente può attualmente distinguere in modo affidabile tra un computer quantistico rumoroso e un spoofer classico avversario in questo regime.

Metodologia
Gli autori impiegano un quadro teorico basato su insiemi di circuiti casuali Browniani all-to-all. A differenza dei circuiti casuali Haar discreti, i circuiti Browniani sono analoghi a tempo continuo composti da interazioni casuali all-to-all tra 2 qubit governate da accoppiamenti di rumore bianco gaussiano. Questo modello funge da "laboratorio" analiticamente trattabile per l'RCS.

L'approccio tecnico centrale comprende:

1. Mappatura della Meccanica Statistica: Gli autori mappano la media dell'insieme dei momenti delle matrici unitarie (nello specifico $2k$ copie o repliche) su un problema di meccanica statistica quantistica a una temperatura inversa $\beta$ proporzionale alla profondità del circuito. Ciò produce un Hamiltoniano efficace a molti corpi, $H^{(k)}_{\text{eff}}$.
2. Metodi Large-$n$ (Campo Medio): Sfruttando la connettività all-to-all, gli autori applicano tecniche large-$n$ (campo medio) per risolvere lo spettro di $H^{(k)}_{\text{eff}}$. Ciò permette il calcolo esatto di momenti arbitrariamente alti della distribuzione di probabilità di output, un compito notoriamente difficile per circuiti unitari discreti.
3. Trucchi delle Repliche: Per calcolare quantità non lineari come la media del logaritmo delle probabilità (richiesta per l'entropia incrociata), gli autori impiegano trucchi delle repliche. Ciò comporta il calcolo dei momenti $\langle q^k \rangle$ per $k$ intero, l'estensione analitica al piano complesso, la derivazione rispetto a $k$ e l'assunzione del limite $k \to 0$.
4. Modellazione del Rumore: Il rumore depolarizzante a singolo qubit è incorporato nel modello tramite teoria delle perturbazioni, trattando il tasso di rumore $\gamma$ come un parametro piccolo rispetto alla forza di accoppiamento $J$.
5. Validazione Numerica: I risultati analitici derivati dal modello Browniano sono corroborati da simulazioni numeriche di circuiti quantistici casuali all-to-all discreti composti da porte a 2 qubit casuali Haar (fino a 40 qubit).

Contributi e Risultati Chiave

1. Entropia Incrociata Non Lineare (log XEB) come Benchmark Efficiente in Termini di Campioni:
   Il lavoro deriva espressioni analitiche esatte per l'entropia incrociata non lineare mediata sull'insieme ($\log \text{XEB}$) e la sua varianza in funzione della profondità del circuito, della dimensione del sistema $n$ e del tasso di rumore $\gamma$.

   • Risultato: Nel regime a profondità ridotta ($\log n \gtrsim \beta J \gg 1$), il rapporto segnale-rumore per la stima di $\log \text{XEB}$ scala come un polinomio inverso nella dimensione del sistema.
   • Implicazione: A differenza dei circuiti profondi dove $\log \text{XEB}$ richiede campioni esponenziali per la stima, l'entropia incrociata non lineare è efficiente in termini di campioni per circuiti a profondità ridotta. Essa stabilisce una gerarchia rigorosa tra campionatori perfettamente puliti ($\gamma=0$), campionatori quantistici rumorosi ($\gamma > 0$) e l'algoritmo di spoofing "Harvard" (modellato come il limite $\gamma \to \infty$), permettendo di distinguerli in modo affidabile.

2. Classificatore Binario Heavy Output Generation (HOG):
   Gli autori sviluppano un nuovo protocollo di classificazione binaria basato sul concetto di "generazione di output pesanti" (HOG), che sfrutta la tendenza dei circuiti quantistici casuali a produrre specifici bitstring "pesanti" con probabilità più elevata.

   • Risultato: Questo classificatore presenta una complessità di campioni logaritmica ($m \sim \log n$) a profondità brevi. Richiede un singolo campione di bitstring per distinguere con alta probabilità tra un campionatore quantistico rumoroso e uno spoofer classico.
   • Meccanismo: Il classificatore utilizza un confine decisionale (punteggio di soglia $z^*$) che separa le distribuzioni di punteggio dei campionatori quantistici puliti (che favoriscono punteggi alti) dagli spoofers classici (che favoriscono punteggi bassi). La probabilità di classificazione errata decade esponenzialmente con il numero di campioni.

3. Espressioni Analitiche:
   Il lavoro fornisce espressioni in forma chiusa per:

   • La media dell'entropia incrociata non lineare: $\log \text{XEB} = nH\left(\frac{1+a}{2}\right) + \gamma_e - e^{-n\beta\gamma}$ (dove $a = e^{-12\beta J}$ e $H$ è l'entropia binaria).
   • La varianza dell'entropia incrociata non lineare, che mostra comportamenti di scala distinti a seconda che la profondità del circuito sia al di sotto o al di sopra di un punto di incrocio ($c=1/2$).

Significato e Affermazioni
Il lavoro afferma di dimostrare che l'entropia incrociata non lineare è un benchmark vitale ed efficiente in termini di campioni per circuiti casuali all-to-all a profondità ridotta, un regime in cui i benchmark precedenti fallivano o venivano spoofati. Gli autori sostengono che questa metrica può distinguere in modo affidabile l'hardware quantistico rumoroso genuino dai migliori spoofers classici (in particolare l'algoritmo Harvard) anche in presenza di rumore depolarizzante.

Inoltre, il classificatore binario basato su HOG proposto offre un vantaggio pratico significativo riducendo la complessità dei campioni da polinomiale (richiesta per la stima della media) a logaritmica, consentendo una verifica rapida del vantaggio quantistico con dati minimi.

Gli autori notano che, sebbene i loro risultati siano derivati utilizzando insiemi di circuiti Browniani, le simulazioni numeriche confermano che queste scoperte si generalizzano ai circuiti casuali all-to-all discreti. Suggeriscono che questi benchmark potrebbero essere particolarmente rilevanti per futuri esperimenti su piattaforme con connettività all-to-all, come computer quantistici a ioni intrappolati e atomi neutri, dove il campionamento di circuiti casuali logici potrebbe essere valutato utilizzando queste metriche. Il lavoro afferma esplicitamente che un'analisi più rigorosa contro altri potenziali algoritmi di spoofing è lasciata a lavori futuri.