Solution of the Equation-of-Motion Phonon Method eigenvalue problems on the D-Wave quantum annealer

Questo articolo presenta un algoritmo ibrido quantistico-classico che combina l'annealing quantistico e la deflazione classica per risolvere iterativamente problemi di autovalori su larga scala derivanti dal metodo Equation-of-Motion Phonon sull'hardware quantistico D-Wave, dimostrando sia il potenziale che le attuali limitazioni dei dispositivi quantistici near-term per la teoria dei molti corpi nucleari.

L'essenziale

Immagina di cercare di risolvere un puzzle enorme e incredibilmente complesso. Nel mondo della fisica nucleare, questo puzzle consiste nel capire come si comportano protoni e neutroni (nucleoni) all'interno di un nucleo atomico. I "pezzi" di questo puzzle sono disposti in una gigantesca griglia matematica chiamata matrice Hamiltoniana. Più grande è il nucleo, più pezzi ci sono, e la griglia diventa così enorme che anche i supercomputer più veloci del mondo faticano a trovare tutte le soluzioni (chiamate autovalori e autovettori) in un tempo ragionevole.

Questo articolo presenta un nuovo modo per risolvere questi puzzle, unendo un computer classico a un tipo speciale di computer quantistico chiamato quantum annealer (nello specifico, una macchina D-Wave).

Ecco una scomposizione del loro approccio utilizzando analogie semplici:

1. Il Problema: Una catena montuosa di soluzioni

Immagina gli stati energetici di un nucleo come una vasta catena montuosa avvolta dalla nebbia.

• L'Obiettivo: Vuoi trovare la valle più bassa (lo stato fondamentale) e poi tutte le altre valli e vette (stati eccitati) in ordine.
• Il Vecchio Metodo (Computer Classici): Gli algoritmi tradizionali sono come un escursionista che controlla attentamente ogni singolo passo, uno alla volta. Sono bravi, ma quando la catena montuosa diventa enorme, l'escursionista si stanca, finisce il tempo o rimane bloccato in un avvallamento locale pensando sia il punto più basso.
• Il Modo Quantistico (Quantum Annealing): Immagina una nebbia magica che può "sentire" istantaneamente la forma dell'intera catena montuosa tutta in una volta. Un quantum annealer è come un escursionista che può attraversare la nebbia tramite l'effetto tunnel per trovare i punti più bassi molto più velocemente di quanto potrebbe fare un essere umano.

2. La Strategia: Trasformare il puzzle in un gioco binario

I quantum annealer non comprendono direttamente equazioni matematiche complesse. Parlano un linguaggio più semplice: 0 e 1 (come un interruttore della luce spento o acceso).

• La Traduzione (QUBO): Gli autori hanno dovuto tradurre le complesse equazioni della fisica nucleare in un problema di "Ottimizzazione Binaria Quadratica Non Vincolata" (QUBO). Pensa a questo come al processo di conversione di una ricetta complessa in una semplice lista di controllo di interruttori "on/off". La macchina quantistica prova quindi diverse combinazioni di interruttori per trovare quella che fornisce il risultato migliore (l'energia più bassa).

3. L'Innovazione: Sbucciare una cipolla (Deflazione)

La sfida più grande è che i quantum annealer sono attualmente più bravi a trovare solo una soluzione (la valle più bassa in assoluto). Ma gli scienziati hanno bisogno dell'intera lista di soluzioni, non solo della prima.

• La Soluzione: Gli autori hanno creato un metodo "ibrido".
  1. Passaggio 1: Usano il quantum annealer per trovare la prima soluzione (l'energia più bassa).
  2. Passaggio 2: Usano un computer classico per eseguire una "deflazione". Immagina di aver trovato la valle più bassa nella catena montuosa. Per trovare la valle successiva più bassa, riempi temporaneamente la prima con del cemento in modo che l'escursionista non possa tornarci.
  3. Passaggio 3: Ri-inviano la mappa "riempita" al quantum annealer per trovare il punto successivo più basso.
  4. Ripetere: Continuano a sbucciare la cipolla strato dopo strato finché non hanno trovato l'intero spettro di soluzioni.

4. I Risultati: Velocità e Accuratezza

Il team ha testato questo metodo su un vero computer quantistico (D-Wave Advantage) e lo ha confrontato con una simulazione classica standard (Simulated Annealing).

• La Corsa: Hanno organizzato una gara tra l' "Escursista Quantistico" e l' "Escursista Classico" per risolvere puzzle di diverse dimensioni.
• L'Esito:
  • Per i puzzle piccoli, entrambi erano discreti.
  • Per i puzzle più grandi e complessi, l' Escursista Quantistico è stato significativamente più veloce. In alcuni casi, il metodo classico ha impiegato centinaia di passaggi per avvicinarsi alla risposta, mentre il metodo quantistico ci è arrivato in soli pochi decine di passaggi.
  • Il metodo quantistico ha raggiunto un livello di precisione (accuratezza) molto più elevato molto più rapidamente.

5. Il Problema: Non tutti gli strumenti funzionano per ogni lavoro

L'articolo ha anche testato tre diversi modi per "riempire" le valli (tecniche di deflazione):

• Hotelling e Proiezione Ortogonale: Questi hanno funzionato bene. Hanno aiutato con successo la macchina quantistica a trovare la soluzione successiva senza compromettere la matematica.
• Householder: Questo metodo ha funzionato molto bene per i puzzle semplici, ma ha iniziato a fallire quando i puzzle sono diventati complessi (specificamente per i problemi di autovalori "Generalizzati"). Era come cercare di usare un martello pesante per riparare un orologio; funzionava per la visione d'insieme, ma introduceva errori che rendevano imprecisi i passaggi successivi.

Riassunto

L'articolo non sostiene di aver risolto la fisica nucleare per sempre. Invece, dimostra che i computer quantistici a breve termine (quelli che abbiamo oggi, che sono rumorosi e imperfetti) possono essere partner utili. Combinando la velocità del quantum annealing per trovare le risposte migliori con l'affidabilità dei computer classici per organizzare la ricerca, hanno creato un metodo che è più veloce e accurato rispetto all'uso dei soli computer classici per questi specifici e massicci puzzle nucleari.

È una prova di concetto che mostra come ci stiamo avvicinando all'uso delle macchine quantistiche per problemi reali della fisica, ancora prima di avere computer quantistici perfetti e privi di errori.

Sommario tecnico

Sintesi Tecnica: Soluzione dei Problemi di Autovalori del Metodo dei Fononi dell'Equazione del Moto sul Quantum Annealer D-Wave

Enunciato del Problema
Il problema molti-corpo nucleare comporta la risoluzione di equazioni di autovalori per matrici hamiltoniane le cui dimensioni crescono esponenzialmente con il numero di nucleoni, raggiungendo spesso dimensioni computazionalmente proibitive per la diagonalizzazione esatta. Sebbene i metodi iterativi classici (ad esempio, Lanczos, Davidson) sfruttino la sparsità, essi affrontano colli di bottiglia di memoria per calcoli su larga scala. L'informatica quantistica offre un potenziale alternativa; tuttavia, l'algoritmo di Quantum Phase Estimation (QPE) è, sebbene teoricamente potente, richiede hardware fault-tolerant attualmente non disponibile. Di conseguenza, esiste la necessità di strategie per il breve termine capaci di affrontare problemi di autovalori su larga scala su dispositivi NISQ (Noisy Intermediate-Scale Quantum). Nello specifico, questo lavoro affronta la sfida di calcolare l'intero spettro di autovalori (non solo lo stato fondamentale) sia per i problemi di autovalori standard (SEVP) che generalizzati (GEVP) derivanti dal Metodo dei Fononi dell'Equazione del Moto (EMPM) nella teoria della struttura nucleare.

Metodologia
Gli autori propongono un algoritmo ibrido quantistico-classico che integra il quantum annealing con tecniche classiche di deflazione della matrice. La metodologia centrale comprende tre componenti:

1. Formulazione QUBO: L'ottimizzazione continua del rapporto di Rayleigh viene discretizzata e mappata in un problema di Ottimizzazione Binaria Quadratica Non Vincolata (QUBO). Le variabili reali che rappresentano le componenti dell'autovettore vengono approssimate utilizzando vettori binari con un vettore di precisione specifico. Ciò consente di risolvere il problema degli autovalori trovando il minimo globale (o il massimo modulo) della risultante forma quadratica su un quantum annealer.
2. Discesa Iterativa e Guess Iniziale: L'algoritmo impiega un approccio a due fasi. In primo luogo, viene generato un guess iniziale per l'autovettore risolvendo un problema QUBO traslato (shifted). In secondo luogo, una fase di discesa iterativa affina questa soluzione minimizzando un'approssimazione quadratica locale della funzione obiettivo (che coinvolge il gradiente e l'Hessiana) codificata come QUBO. La griglia di discretizzazione viene progressivamente scalata verso il basso per aumentare la precisione.
3. Deflazione della Matrice per lo Spettro Completo: Per estrarre l'intero spettro di autovalori invece di solo la coppia di autovalori dominante, gli autori implementano una strategia di deflazione sequenziale. Dopo che un quantum annealer ha identificato una coppia di autovalori, vengono applicate tecniche di deflazione classica alla matrice hamiltoniana per "scrostare" l'influenza dello stato trovato, permettendo all'iterazione successiva di puntare al sottosucceedente autostato. Sono stati valutati tre metodi di deflazione:
   • Deflazione di Hotelling: Un metodo sottrattivo ($A' = A - \lambda vv^T$).
   • Proiezione Ortogonale: Un metodo sottrattivo che proietta la matrice sul sottospazio ortogonale agli autovettori trovati.
   • Deflazione di Householder: Un metodo basato sull'ortogonalizzazione che utilizza riflessioni di Householder per trasformare la matrice.

Per i Problemi di Autovalori Generalizzati (GEVP), il rapporto di Rayleigh viene modificato per includere la matrice metrica $B$, e i passaggi di deflazione sono adattati per preservare la struttura del prodotto interno $B$, ove possibile.

Risultati Chiave
Il metodo è stato testato su matrici hamiltoniane derivate da calcoli EMPM per il nucleo $^4$He, utilizzando il D-Wave Advantage System 6.4 (5.614 qubit) e il Simulated Annealing (SA) classico per il confronto.

• Prestazioni dello Stato Fondamentale: Il Quantum Annealing (QA) ha dimostrato una convergenza superiore rispetto al SA. Per dimensioni di matrice più grandi (ad esempio, $d=25$) e risoluzioni di bit più elevate ($b=4$), il QA ha raggiunto una precisione di macchina ($10^{-8}$) in circa 20–30 iterazioni, mentre il SA richiedeva significativamente più iterazioni (fino a 1.200) o falliva nel raggiungere la stessa accuratezza. Il divario di prestazioni si è ampliato all'aumentare della dimensione della matrice.
• Spettro Completo e Deflazione:
  • SEVP: Tutti e tre i metodi di deflazione (Hotelling, Proiezione Ortogonale, Householder) hanno recuperato con successo l'intero spettro di autovalori con alta accuratezza (fino a 13 cifre corrette per $b=2$ e 8 per $b=4$). La deflazione di Householder è stata la più efficiente dal punto di vista computazionale in termini di tempo di esecuzione grazie alla sua strategia di riduzione della dimensione della sottomatrice attiva.
  • GEVP: Mentre i metodi di Hotelling e Proiezione Ortogonale hanno mantenuto l'accuratezza, la deflazione di Householder si è rivelata instabile per i GEVP. L'applicazione ripetuta delle trasformazioni di Householder ha distorto la simmetria della matrice metrica $B$ e ha amplificato gli errori di arrotondamento, portando a un deterioramento numerico e al fallimento della convergenza per autovalori molto vicini tra loro.

Significatività e Rivendicazioni
L'articolo sostiene di fornire una strategia pratica per sfruttare l'hardware quantistico near-term nei calcoli della struttura nucleare. La principale significatività risiede nel dimostrare che un framework ibrido basato su QUBO, combinato con la deflazione classica, può ricostruire sistematicamente l'intero spettro di autovalori di Hamiltoniane nucleari realistiche, andando oltre il limite dei calcoli focalizzati solo sullo stato fondamentale comuni negli attuali algoritmi quantistici variazionali.

Gli autori sottolineano come l'approccio riesca a colmare il divario tra algoritmi quantistici e hardware rumoroso, riconducendo i problemi di autovalori a formulazioni QUBO risolvibili con gli annealer esistenti. Sebbene lo studio sia modesto riguardo alla scala dei problemi (limitato dal numero attuale di qubit e dalla connettività), esso stabilisce la fattibilità del quantum annealing per la stima spettrale nella fisica nucleare. Il lavoro suggerisce che le implementazioni future potrebbero ulteriormente ridurre l'overhead classico codificando il passaggio di deflazione stesso come un problema QUBO, mirando a un risolutore spettrale basato interamente sul quantum annealing.