Pure and mixed Dicke state ansatz for equality and inequality constraints in variational quantum eigensolver

Questo articolo introduce un ansatz di stato di Dicke misto che preserva la fattibilità per il Variational Quantum Eigensolver, il quale codifica strutturalmente vincoli di peso di Hamming di uguaglianza e disuguaglianza per eliminare la necessità di termini di penalità, dimostrando una prestazione superiore rispetto alla ricerca casuale nell'ottimizzazione combinatoria di portafogli, evidenziando al contempo le sfide rimanenti per l'implementazione sull'hardware NISQ.

L'essenziale

Il Quadro Generale: Trovare la Squadra Perfetta in un Mare di Opzioni

Immaginate di essere un manager che cerca di costruire la squadra perfetta di dipendenti da un gruppo di 100 candidati. Avete due obiettivi principali:

1. Massimizzare le prestazioni (ottenere i migliori risultati).
2. Seguire regole rigide (ad esempio, "Devi scegliere esattamente 5 persone" oppure "Devi scegliere tra 3 e 7 persone").

Nel mondo della finanza, questo si chiama Ottimizzazione del Portafoglio. Inveve di dipendenti, state scegliendo azioni. Invece delle prestazioni, state cercando rendimenti elevati con un basso rischio.

Il problema è che man mano che il numero di candidati cresce, il numero di possibili squadre esplode. Controllare ogni singola combinazione una alla volta (come una ricerca brute-force) richiede un tempo infinito. È qui che entra in gioco il Calcolo Quantistico. Esso promette di esplorare queste enormi possibilità molto più velocemente di un computer tradizionale.

Il Problema: La Trappola della "Penalità"

In passato, quando gli scienziati hanno cercato di risolvere questo problema con i computer quantistici, hanno utilizzato un metodo chiamato Variational Quantum Eigensolver (VQE). Pensate al VQE come a uno studente che cerca di risolvere un problema di matematica.

Per assicurarsi che lo studente segua le regole (come "scegli esattamente 5 azioni"), l'insegnante di solito aggiunge una penalità.

• Insegnante: "Se scegli 6 azioni, riceverai un grosso segno rosso sul compito."
• Studente: "Va bene, cercherò di evitare il segno rosso."

Il problema è che l'insegnante deve indovinare quanto debba essere grande quel segno rosso. Se la penalità è troppo piccola, lo studente ignora le regole. Se è troppo grande, lo studente si confonde e non riesce a trovare la soluzione migliore. Calibrare questa "penalità" è un enorme mal di testa e spesso porta a risultati scadenti.

La Soluzione: Costruire le Regole nel Progetto

Questo articolo introduce un nuovo modo per costruire lo "studente" del computer quantistico (chiamato Ansatz). Invece di aggiungere penalità dopo il fatto, gli autori costruiscono le regole direttamente nel DNA dello studente.

Utilizzano qualcosa chiamato Stati di Dicke.

• L'Analogia: Immaginate una scatola magica che sputa fuori solo squadre di esattamente 5 persone. Non potete chiedere alla scatola di darvi 4 o 6 persone. È fisicamente impossibile per la scatola infrangere la regola.
• Stato di Dicke Puro: Questa è la scatola che sputa fuori solo squadre di esattamente 5 persone. Questo risolve il "Vincolo di Uguaglianza" (deve essere esattamente 5).
• Stato di Dicke Misto: Questa è la grande innovazione dell'articolo. Immaginate una scatola che può produrre squadre di 3, 4, 5, 6 o 7 persone, ma mai di 2 o 8. È una "miscela" di diverse dimensioni di squadra valide. Questo risolve il "Vincolo di Disuguaglianza" (deve essere tra 3 e 7).

Utilizzando le Matrici di Densità (un modo matematico elaborato per descrivere una miscela di possibilità), gli autori hanno creato un circuito quantistico che esplora solo soluzioni valide.

• Nessuna Penalità Necessaria: Poiché la macchina non può fisicamente generare una squadra non valida, non c'è bisogno di aggiungere segni rossi o penalità.
• Nessuna Calibrazione: Non dovete indovinare quanto debbano essere rigide le regole; le regole sono cablate nella macchina.

Come lo hanno Testato

Gli autori hanno testato questa idea utilizzando un problema di "Ottimizzazione del Portafoglio Combinatorio" (scegliere il mix migliore di azioni). Hanno creato tre scenari, come scalare una montagna con difficoltà crescente:

1. Scenario 1 (Piccola Collina): Scegli fino a 4 azioni da 11 opzioni.
2. Scenario 2 (Collina Media): Scegli tra 3 e 6 azioni da 11 opzioni.
3. Scenario 3 (Grande Montagna): Un mix complesso dove diversi gruppi di azioni hanno regole diverse (ad esempio, "Scegli esattamente 3 dal settore Energia", "Scegli 1 o 2 dal settore Finanza").

Hanno confrontato il loro nuovo metodo "Regole Integrate" con una Ricerca Casuale (indovinare squadre valide casualmente).

I Risultati:

• Man mano che il numero di possibili squadre valide aumentava (dallo Scenario 1 allo Scenario 3), il loro metodo diventava molto migliore rispetto alla ricerca casuale.
• La ricerca casuale è come lanciare freccette bendati; prima o poi potresti colpire il centro, ma ci vuole molto tempo. Il loro metodo è come un missile guidato che vola solo verso i bersagli validi.
• Hanno trovato soluzioni di alta qualità (portafogli sulla "frontiera efficiente", ovvero il miglior equilibrio possibile tra rischio e rendimento) molto più velocemente della ricerca casuale.

Il Rovescio della Medaglia: Il Rumore del Mondo Reale

L'articolo ha testato questa idea anche su computer quantistici reali (le macchine rumorose di IBM).

• Il Problema: I computer quantistici reali sono come strumenti delicati; possono subire "rumore". Un piccolo disturbo può invertire un bit (cambiare uno 0 in 1).
• Il Rischio: Se un bit viene invertito, una squadra valida di 5 persone potrebbe accidentalmente diventare una squadra di 6, rompendo la regola.
• La Scoperta: Gli autori hanno scoperto che il loro metodo "Misto" (la scatola che permette 3, 4, 5, 6 o 7) è in realtà più robusto contro questi errori rispetto al metodo "Puro" rigoroso. Se avviene un singolo errore, la scatola "Mista" è più propensa a rimanere entro l'intervallo valido rispetto alla scatola rigorosa.
• La Verifica della Realtà: Nonostante questo vantaggio, l'hardware reale è ancora molto rumoroso. I risultati sulle macchine reali hanno mostrato un tasso di errore del 50% rispetto alle simulazioni. L'articolo conclude che, sebbene l'idea sia brillante, abbiamo bisogno di una tecnologia di "cancellazione del rumore" migliore prima che questo possa essere usato per la gestione reale del denaro.

Riassunto

Questo articolo propone un trucco intelligente per i computer quantistici: Smettere di punire le risposte sbagliate; invece, costruite una macchina che non possa nemmeno commetterle. Codificando strutturalmente le regole (come "scegli da 3 a 7 azioni") direttamente nel circuito quantistico tramite gli "Stati di Dicke Misti", hanno eliminato la necessità di complicata calibrazione delle penalità. I loro esperimenti hanno dimostrato che questo metodo trova le migliori soluzioni molto più velocemente della ricerca casuale, specialmente per problemi complessi, sebbene il rumore dell'hardware nel mondo reale rimanga un ostacolo da superare.

Sommario tecnico

Sintesi Tecnica: Ansatz di Stato di Dicke Puro e Misto per Vincoli di Uguaglianza e Disuguaglianza nel Variational Quantum Eigensolver

Enunciato del Problema
Il documento affronta una sfida centrale nell'applicazione degli Algoritmi Quantistici Variazionali (VQA), specificamente il Variational Quantum Eigensolver (VQE), all'ottimizzazione combinatoria: progettare un ansatz sufficientemente espressivo da esplorare lo spazio di Hilbert ammissibile pur rispettando i vincoli del problema. Gli approcci tradizionali si affidano spesso a termini di penalità nella funzione obiettivo per imporre i vincoli (come i limiti di peso di Hamming), richiedendo la difficile sintonizzazione dei moltiplicatori di Lagrange. Inoltre, man mano che il numero di variabili e vincoli scala, il costo computazionale per trovare le soluzioni ottimali cresce esponenzialmente, rendendo intrattabili i metodi classici esatti e costringendo al ricorso ad approssimazioni subottimali. Il dominio specifico evidenziato è l'ottimizzazione combinatoria di portafogli, dove l'obiettivo è selezionare un sottoinsieme di asset per massimizzare il rendimento minimizzando al contempo il rischio, soggetti a vincoli sul numero di asset selezionati (peso di Hamming).

Metodologia
Gli autori propongono un framework di preservazione della fattibilità che codifica strutturalmente sia i vincoli di uguaglianza che quelli di disuguaglianza direttamente nell'ansatz del circuito quantistico, eliminando la necessità di termini di penalità.

1. Stati di Dicke Puri e Misti:

   • Vincoli di Uguaglianza: Per i vincoli che richiedono un numero esatto di asset selezionati ($k=b$), gli autori utilizzano un ansatz di stato di Dicke puro parametrizzato. Questo stato è una sovrapposizione di stati della base computazionale con un peso di Hamming fisso $k$, limitando naturalmente la ricerca allo spazio ammissibile.
   • Vincoli di Disuguaglianza: Per i vincoli che coinvolgono limiti superiori o inferiori ($k \leq b$ o $k \geq b$), gli autori estendono il formalismo agli stati di Dicke misti. Utilizzando il formalismo della matrice di densità e la teoria dei sistemi quantistici aperti, costruiscono un ansatz che rappresenta un insieme (miscela) di stati di Dicke con diversi pesi di Hamming all'interno dell'intervallo ammissibile.
   • Implementazione: Lo stato misto è generato utilizzando qubit ancilla per controllare la preparazione condizionale di diversi stati di Dicke. La matrice di densità ridotta del sistema (ottenuta tracciando via l'ancilla) descrive la miscela. La funzione obiettivo VQE è generalizzata per minimizzare la traccia del prodotto tra questa matrice di densità e l'Hamiltoniana del problema: $\min \text{tr}(\sigma H)$.

2. Struttura del Prodotto Tensoriale:
   Il framework si generalizza a problemi con molteplici gruppi di vincoli (ad esempio, diversi settori in un portafoglio) costruendo l'ansatz globale come prodotto tensoriale di singole matrici di densità di stati di Dicke puri o misti. Ciò consente di soddisfare simultaneamente diversi tipi di vincoli (uguaglianza e disuguaglianza) attraverso differenti sottoinsiemi di variabili.

3. Configurazione Sperimentale:
   L'approccio è stato validato utilizzando l'ottimizzazione di portafogli combinatori con tre scenari di crescente complessità:

   • Scenario I: 11 asset con un vincolo di limite superiore ($k \leq 4$).
   • Scenario II: 11 asset con un vincolo di intervallo ($3 \leq k \leq 6$).
   • Scenario III: Un portafoglio multi-settore (4 settori, 5 asset ciascuno) con un mix di vincoli di uguaglianza e disuguaglianza, utilizzando un ansatz di prodotto tensoriale.
     L'ottimizzazione è stata eseguita utilizzando l'ottimizzatore CMA-ES (Covariance Matrix Adaptation Evolution Strategy), un metodo privo di gradienti, e confrontata con la ricerca casuale limitata allo spazio ammissibile. Le simulazioni sono state condotte su hardware classico (CPU/GPU) e validate su processori NISQ di IBM.

Risultati Chiave

• Efficienza di Ricerca: Man mano che la dimensione dello spazio di ricerca ammissibile aumentava (da 561 nello Scenario I a 4 500 nello Scenario III), il framework VQE-Dicke proposto ha dimostrato un chiaro vantaggio rispetto alla ricerca casuale. Ha richiesto significativamente meno chiamate alla funzione obiettivo per identificare soluzioni di alta qualità e la soluzione ottimale.
• Qualità della Soluzione: In tutti gli scenari, le stringhe di bit campionate dalla distribuzione ottimizzata mappavano a portafogli situati sulla o vicino alla frontiera efficiente classica. Anche quando l'ottimizzatore non ha concentrato completamente la matrice di densità sulla singola stringa di bit ottimale, le soluzioni campionate sono rimaste candidati ammissibili di alta qualità.
• Prestazioni dell'Hardware: Gli esperimenti sui processori NISQ di IBM hanno confermato la fattibilità teorica ma hanno evidenziato limitazioni pratiche. L'ansatz ha mostrato errori relativi di circa il 50% sulle unità di elaborazione quantistica (QPU). Gli autori osservano che, sebbene l'ansatz dello stato misto offra una maggiore robustezza teorica ai singoli errori di bit-flip (che potrebbero spostare uno stato puro fuori dall'insieme ammissibile), il rumore cumulativo delle porte a due qubit rimane una sfida significativa.

Significatività e Rivendicazioni
L'articolo sostiene di aver introdotto il primo ansatz di stato di Dicke misto che preserva la fattibilità, capace di gestire sia vincoli di uguaglianza che di disuguaglianza in VQE senza termini di penalità. La principale significatività risiede in:

1. Codifica Strutturale dei Vincoli: Incorporando i vincoli direttamente nell'ansatz tramite il formalismo della matrice di densità, il metodo elimina la necessità di sintonizzare i moltiplicatori di Lagrange e riduce la complessità del panorama di ottimizzazione.
2. Scalabilità: L'approccio è particolarmente efficace in regimi in cui lo spazio di ricerca ammissibile è sufficientemente grande da rendere impraticabile il campionamento casuale esaustivo, ma comunque una frazione del totale dello spazio di Hilbert ($O(n^k)$ rispetto a $O(2^n)$).
3. Generalità: Sebbene validato sull'ottimizzazione di portafogli, il framework è asserito essere direttamente applicabile ad altri problemi combinatori con vincoli di peso di Hamming, come la selezione delle caratteristiche (feature selection) e la selezione di ensemble.

Gli autori mantengono una posizione modesta riguardo alla distribuzione pratica, riconoscendo che la mitigazione del rumore e le ottimizzazioni di trasposizione del circuito rimangono sfide aperte per l'hardware dell'era NISQ. Essi sottolineano che l'attuale lavoro serve come validazione teorica ed sperimentale del potenziale dell'ansatz, piuttosto che come una soluzione commerciale completamente realizzata.