Ground state preparation of random all-to-all Hamiltonians using ADAPT-VQE

Questo articolo dimostra che l'algoritmo TETRIS-ADAPT-VQE può raggiungere una preparazione dello stato fondamentale ad alta fedeltà per Hamiltoniane casuali all-to-all come i modelli SK e SYK, sebbene rimanga efficiente solo per il modello SK, fallendo nel scalare efficientemente per modelli SYK densi o moderatamente sparsi.

L'essenziale

Immagina di cercare di trovare la posizione più stabile e rilassata per una folla enorme e caotica di persone. Nel mondo della fisica quantistica, questa "folla" è un gruppo di particelle, e la loro "posizione rilassata" è chiamata stato fondamentale. Trovare questo stato è cruciale per capire come si comportano i materiali, come funzionano i buchi neri e persino come la gravità si connette alla meccanica quantistica.

Tuttavia, alcune di queste folle sono incredibilmente difficili da organizzare. Sono "casuali" e "all-to-all", il che significa che ogni singola particella interagisce costantemente con tutte le altre particelle, non solo con le sue vicine. Questo crea un livello di complessità che è simile al tentativo di sciogliere un nodo dove ogni singolo filo è legato a tutti gli altri fili.

Questo articolo investiga se possiamo usare un nuovo tipo di algoritmo per computer quantistici, chiamato TETRIS-ADAPT-VQE, per organizzare queste folle caotiche in modo efficiente. Pensa a questo algoritmo come a un costruttore intelligente e adattivo che costruisce un "circuito" specifico (un insieme di istruzioni) per guidare le particelle verso il loro stato più calmo. I ricercatori hanno testato questo approccio su tre diversi tipi di folle caotiche:

1. Il Modello SK Quantistico: Una folla in cui tutti interagiscono con tutti in modo casuale.
2. Il Modello SYK Denso: Una folla in cui tutti interagiscono con tutti, ma le regole sono leggermente diverse (coinvolgendo tipi specifici di particelle chiamate fermioni di Majorana).
3. Il Modello SYK Sparso: Una versione "diradata" del modello SYK denso, dove molte delle interazioni sono state rimosse per vedere se diventa più facile da gestire.

I Risultati: Una storia di due folle

I ricercatori hanno scoperto che la difficoltà di organizzare queste folle dipende interamente da quale folla si sta trattando.

1. Il Modello SK: La folla gestibile
Per il modello SK quantistico, l'algoritmo ha funzionato magnificamente. Era come costruire una casa con un set standard di mattoni. Man mano che la folla diventava più grande (fino a 18 persone), il numero di istruzioni necessarie per organizzarle cresceva in modo prevedibile e gestibile (crescita polinomiale). L'algoritmo ha trovato con successo la perfetta posizione di riposo con un'accuratezza quasi perfetta (oltre il 99,99% di correttezza).

• Il punto chiave: Per questo specifico tipo di interazione casuale, i computer quantistici sembrano molto promettenti per risolvere il problema in modo efficiente.

2. I Modelli SYK: Il nodo impossibile
Per entrambi i modelli SYK, sia quello "Denso" che quello "Sparso", la storia è stata molto diversa. Anche se il modello "Sparso" aveva meno interazioni (come rimuovere alcuni dei fili aggrovigliati), l'algoritmo ha comunque faticato immensamente.

• Il problema: Man mano che la folla cresceva (fino a 20 particelle), il numero di istruzioni necessarie per organizzarle esplodeva esponenzialmente. È come se aggiungere anche solo una persona nella stanza richiedesse di raddoppiare l'intera squadra di costruzione e la quantità di materiali da costruzione.
• La sorpresa: I ricercatori si aspettavano che rendere il modello "sparso" (rimuovendo le interazioni) lo avrebbe reso più facile. Tuttavia, hanno scoperto che l'entanglement (i collegamenti invisibili e complessi tra le particelle) rimaneva altrettanto disordinato e "pesante in termini di volume" come la versione densa. Le particelle erano ancora così profondamente legate che rimuovere alcune regole non ha semplificato il puzzle complessivo.
• Il punto chiave: Anche con un potente algoritmo quantistico, preparare lo stato fondamentale per questi specifici modelli SYK è attualmente troppo difficile. La complessità cresce troppo velocemente perché il computer possa gestirla man mano che il sistema si ingrandisce.

Perché questo è importante?

L'articolo conclude che, mentre i computer quantistici potrebbero essere bravi a risolvere problemi casuali di tipo "SK", si scontrano con un muro con i problemi di tipo "SYK". Il modello SYK "Sparso", che si sperava fosse una versione più facile, si è rivelato altrettanto difficile perché la natura fondamentale dei collegamenti tra le particelle (il loro entanglement) non è cambiata solo perché c'erano meno regole.

In breve: i ricercatori hanno costruito un "organizzatore" molto intelligente (l'algoritmo). Ha funzionato perfettamente per un tipo di stanza caotica, ma non è riuscito a scalare per le altre due, dimostrando che alcuni problemi quantistici sono intrinsecamente molto più difficili di altri, indipendentemente da quanti collegamenti si cerchi di rimuovere.

Sommario tecnico

Sintesi Tecnica: Preparazione dello Stato Fondamentale di Hamiltoniane Casuali All-to-All utilizzando ADAPT-VQE

Definizione del Problema
Il documento affronta la sfida di preparare gli stati fondamentali per Hamiltoniane casuali con interazioni all-to-all, specificamente il modello di quantum Sherrington-Kirkpatrick (SK) e il modello di Sachdev-Ye-Kitaev (SYK) (sia nelle varianti dense che sparse). Questi sistemi sono caratterizzati da un entanglement a legge di volume (volume-law) nei loro stati fondamentali, il che li rende difficili da simulare mediante metodi classici di reti tensoriali. Sebbene gli stati quantistici neurali (NQS) abbiano migliorato le approssimazioni classiche, essi faticano a riprodurre il comportamento corretto di tutti gli stati a legge di volume, in particolare per il modello SYK. Di conseguenza, gli autori investigano se gli algoritmi quantistici variazionali possano offrire un vantaggio quantistico nella simulazione di questi specifici sistemi disordinati, una questione che rimane aperta nonostante gli argomenti teorici suggeriscano che Hamiltoniane casuali sufficientemente sparse potrebbero essere facili da preparare.

Metodologia
Gli autori impiegano l'algoritmo TETRIS-ADAPT-VQE (Adaptive Derivative Assembled Problem-Tailored Variational Quantum Eigensolver). Questo approccio costruisce circuiti quantistici compatti e adatti all'hardware selezionando iterativamente operatori da un pool predefinito basandosi sull'informazione del gradiente, evitando i problemi di ottimizzazione associati agli ansätze fissi.

Componenti metodologiche chiave:

• Pool di Operatori: Per rispettare le simmetrie delle Hamiltoniane e garantire un'efficace convergenza, gli autori costruiscono pool di operatori Pauli informati dalle simmetrie.
  • Per il modello SK, il pool include gli operatori $Z_i Y_j$ e $Y_i Z_j$ ($i < j$), derivati dalle simmetrie di inversione temporale e parità.
  • Per i modelli SYK (densi e sparsi), il pool include $Z_i$, $X_i Y_j$, $Y_i X_j$ e $Z_i Z_j$ ($i < j$), rispettando la simmetria di parità $Z_2$.
• Stati di Riferimento: Le simulazioni utilizzano una superposizione uguale di stati di Néel (per SK) o stati di Néel specifici nel corretto settore di parità $Z_2$ (per SYK) come stato di riferimento iniziale.
• Ambito di Simulazione: Lo studio esegue simulazioni classiche senza rumore per valutare la scalabilità.
  • Modello SK: Fino a $L = 18$ siti (qubit).
  • Modelli SYK: Fino a $N = 20$ fermioni di Majorana (corrispondenti a $n = 10$ qubit). Il modello SYK sparso utilizza un parametro di sparsificazione $k_s = 9$.

Risultati Chiave
Le prestazioni dell'algoritmo variano significativamente tra i modelli SK e SYK:

1. Modello SK Quantistico:

   • L'algoritmo costruisce con successo stati fondamentali accurati per fino a $L=18$ qubit.
   • Fedeltà: Raggiunge fedeltà $\geq 99,9998\%$ in tutte le istanze testate.
   • Scalabilità: La preparazione è efficiente, con la profondità dei gate a due qubit (conteggio CNOT) e il numero di parametri variazionali che scalano polinomialmente con la dimensione del sistema.
   • Dipendenza dalla Fase: L'algoritmo richiede meno iterazioni e parametri per $\Gamma = 3$ (fase paramagnetica) rispetto a $\Gamma = 1$ (vicino alla transizione di fase spin-glass a $\Gamma = 1,5$), riflettendo la variazione della complessità dello stato fondamentale.

2. Modelli SYK Densi e Sparsi:

   • L'algoritmo raggiunge elevate fedeltà ($\geq 99,3\%$) per fino a $N=20$ fermioni di Majorana.
   • Scalabilità: A differenza del modello SK, la profondità dei gate a due qubit e il numero di parametri scalano in modo esponenziale (o come un polinomio di alto grado) con la dimensione del sistema per entrambe le varianti dense e sparse.
   • Impatto della Sparsificazione: Sebbene la sparsificazione (riduzione dei termini dell'Hamiltoniana da $O(N^4)$ a $O(N)$) riduca significativamente il costo di misurazione per l'elaborazione classica post-processing, essa non riduce la complessità variazionale necessaria per preparare lo stato fondamentale.
   • Analisi dell'Entanglement: Entrambi gli stati fondamentali SYK densi e sparsi ($k_s=9$) mostrano un entanglement entropy a legge di volume ($S_{EE} \propto N$) con coefficienti quasi identici. Ciò indica che la difficoltà nella preparazione è guidata dalla struttura di entanglement dello stato piuttosto che dal numero di termini dell'Hamiltoniana.

Significatività e Rivendicazioni
Il documento afferma che, mentre TETRIS-ADAPT-VQE è un metodo efficiente per preparare gli stati fondamentali del modello SK quantistico (suggerendo che sia un compito adatto per i computer quantistici a breve termine), non è efficiente per i modelli SYK densi o moderatamente sparsi considerati.

• Difficoltà Intrinseca: Gli autori concludono che la scalabilità esponenziale osservata per i modelli SYK è probabilmente intrinseca al problema (a causa dell'entanglement a legge di volume) piuttosto che un artefatto delle scelte degli iperparametri, come testato variando gli stati di riferimento e i pool di operatori.
• Limiti della Sparsificazione: Il lavoro dimostra che per $k_s = 9$, la sparsificazione non rende il problema della preparazione dello stato fondamentale "facile" nel senso quantistico, distinguendo questi modelli dalle Hamiltoniane "sufficientemente sparse" ($d=O(1)$) discusse nella letteratura teorica dove la preparazione è argomentata come facile.
• Domande Aperte: Gli autori notano che rimane una questione aperta se la preparazione dello stato fondamentale possa essere efficiente per questi modelli su computer quantistici per regimi meno sparsi ($k_s \gg 1$) o se algoritmi alternativi (ad esempio, AVQITE) possano fornire risultati diversi. Hanno inoltre riscontrato che la trasferibilità dell'ansatz tra diverse istanze di disordine non funziona in pratica per questi sistemi.

In sintesi, il lavoro fornisce un benchmark numerico rigoroso mostrando che, sebbene gli algoritmi quantistici variazionali possano gestire determinati modelli di spin all-to-all in modo efficiente, essi affrontano attualmente barriere di scalabilità significative per i modelli fermionici con entanglement a legge di volume come il modello SYK, anche quando l'Hamiltoniana è sparsificata.