Measurement circuit ansatz: Naimark versus quantum neural-network measurements

Sintesi Tecnica: Ansatz di Circuito di Misura: Naimark rispetto alle Misurazioni con Reti Neurali Quantistiche

Enunciato del Problema
La costruzione di misurazioni quantistiche generali, specificamente le misure Positive-Operator-Valued (POVM), è un requisito fondamentale per i compiti di elaborazione dell'informazione quantistica, come la rivelazione di effetti non classici e l'ottimizzazione di algoritmi quantistici variazionali. Sebbene il teorema di estensione di Naimark fornisca un quadro teorico per implementare POVM arbitrarie interagendo unitariamente un sistema con qubit ancillari e misurando gli ancillari, l'implementazione pratica su l'attuale hardware quantistico a scala intermedia rumorosa (NISQ) affronta ostacoli significativi. Le costruzioni esistenti basate su set di porte universali (ad esempio, CNOT e porte a singolo qubit) portano spesso a circuiti profondi con un elevato numero di porte CNOT. Inoltre, l'ottimizzazione dei parametri di questi circuiti tramite ottimizzatori classici è computazionalmente difficile, poiché la struttura del circuito introduce paesaggi energetici complessi (specificamente interazioni ZZ) soggetti a minimi locali, ostacolando una convergenza efficiente.

Metodologia
Gli autori propongono e confrontano tre distinti ansatz di circuito per implementare misurazioni generali su hardware quantistico:

1. Misurazione Quantistica di Naimark: Questo approccio segue strettamente l'estensione di Naimark utilizzando un set di porte universali. Il circuito è costruito utilizzando porte controlled-NOT (CNOT) e porte di rotazione parametrizzate a singolo qubit. La struttura è progettata per generare POVM con $l$-esiti su sistemi a $n$-qubit utilizzando $\lceil \log_2 l \rceil$ qubit ancillari. Gli autori inquadrano questo come un problema di ricerca di parametri in cui un ottimizzatore classico sintonizza i parametri delle porte a singolo qubit per approssimare una misurazione target.
2. Misurazione Ibrida Naimark-QNN: Per affrontare la difficoltà computazionale del approccio Naimark puro, gli autori sostituiscono i blocchi unitari multi-qubit (che contengono interazioni ZZ) all'interno della struttura di Naimark con Circuiti Quantistici Parametrizzati (PQC), specificamente Reti Neurali Quantistiche (QNN). Questo approccio ibrido mantiene la strategia di inclusione del qubit ancillare (CNOT collettivi) dell'estensione di Naimark, ma sostituisce le unitarie del sistema con ansatz hardware-efficient (HEA) o blocchi di circuito (CB).
3. Misurazione Completamente QNN: Questo approccio scarta interamente i vincoli strutturali espliciti di Naimark. Utilizza circuiti QNN completamente parametrizzati (composti da strati HEA o CB) per approssimare direttamente la misurazione. Questi circuiti evitano le esplicite interazioni ZZ e scalano linearmente in porte CNOT con il numero di qubit, rendendoli più superficiali e compatibili con la connettività dell'hardware attuale.

Le prestazioni di questi ansatz sono valutate attraverso il compito della Discriminazione dello Stato Quantistico, concentrandosi specificamente su due strategie:

• Discriminazione a Errore Minimo (ME): Massimizzare la probabilità di indovinare correttamente lo stato preparato.
• Discriminazione a Massima Confidenza (MC): Massimizzare la probabilità condizionata che un esito specifico corrisponda allo stato corretto. Per la MC, gli autori introducono un circuito di block-encoding per realizzare la necessaria filtrazione dello stato ($\rho^{-1/2}$) prima di ottimizzare il circuito di misurazione unitario.

Contributi Chiave

• Analisi Strutturale dei Circuiti di Naimark: Il documento dimostra che i blocoli costruttivi dei circuiti di misurazione di Naimark (specificamente le rotazioni controllate) introducono interazioni ZZ strutturalmente simili a quelle presenti nei Quantum Approximate Optimization Algorithms (QAOA) per problemi QUBO. Questa somiglianza spiega perché gli ottimizzatori classici faticano con i circuiti di Naimark, affrontando paesaggi con minimi locali e convergenza lenta.
• Proposta di Ansatz Basati su QNN: Gli autori introducono circuiti di misurazione ibridi e completamente QNN come alternative praticabili che riducono il numero di porte CNOT ed eliminano i colli di bottiglia specifici delle interazioni ZZ trovati nelle costruzioni rigorose di Naimark.
• Block-Encoding per Misurazioni MC: Viene presentato un costrutto di circuito specifico utilizzando il block-encoding per facilitare le misurazioni di Massima Confidenza, consentendo l'ottimizzazione della componente unitaria dopo un passaggio di filtrazione dello stato.
• Confronto Empirico: Lo studio fornisce un'analisi comparativa dei tre ansatz su un simulatore (Qiskit Aer) e su hardware reale (IBM Strasbourg), valutando velocità di convergenza, efficienza delle risorse e metriche di prestazione finali.

Risultati

• Efficienza di Ottimizzazione: Le misurazioni basate su QNN (sia Ibride che Completamente QNN) sono ottimizzate in modo significativamente più efficiente rispetto alle misurazioni di Naimark. Esse raggiungono probabilità di indovinare o valori di confidenza quasi ottimali con molti meno iterazioni di addestramento.
• Convergenza vs. Ottimalità: Si osserva un compromesso. La misurazione di Naimark rigorosa, pur richiedendo molte più iterazioni e risorse computazionali, è capace di convergere al valore di misurazione teoricamente ottimale. Al contrario, le misurazioni QNN convergono rapidamente ma generalmente si stabilizzano a un valore leggermente inferiore all'ottimo teorico a causa della loro espressività limitata.
• Prestazioni sull'Hardware: Sull'hardware rumoroso IBM Strasbourg, le misurazioni Fully QNN utilizzando l'Hardware-Efficient Ansatz (HEA) hanno superato sia l'approccio Naimark che quello Ibrido. I circuiti HEA, che rispettano la connettività nearest-neighbor, sono stati i più favorevoli per l'hardware reale, raggiungendo i valori di confidenza più elevati nei compiti di discriminazione MC.
• Scalabilità delle Risorse: Il numero di porte CNOT nei circuiti di Naimark scala rapidamente ($O(2^{n}l^2)$), mentre i circuiti QNN scalano linearmente con il numero di qubit, rendendoli più fattibili per sistemi più grandi sull'attuale hardware.

Significatività
Il documento afferma che, sebbene le estensioni di Naimark forniscano un metodo teoricamente completo per costruire POVM arbitrarie, esse sono spesso impraticabili per l'hardware quantistico vicino al futuro (near-term) a causa della profondità del circuito e delle difficoltà di ottimizzazione. Gli ansatz di misurazione basati su QNN proposti offrono un'alternativa "cost-effective" che bilancia l'efficienza dell'ottimizzazione con prestazioni quasi ottimali. Gli autori concludono che le misurazioni QNN sono particolarmente adatte ai dispositivi odierni perché sono ottimizzate efficientemente e le loro strutture di porte si allineano con la connettività nearest-neighbor dei tipici array di qubit. Il lavoro evidenzia un chiaro compromesso tra la precisione dell'approssimazione della misurazione ottimale e l'efficienza del processo di ottimizzazione, suggerendo che per le applicazioni NISQ, l'efficienza degli ansatz QNN può superare l'ottimalità teorica delle costruzioni rigorose di Naimark.