Reducing quantum measurements in qubit-based overlapping grouping methods for quantum energy estimation through better initializations

Sintesi Tecnica: Riduzione delle Misurazioni Quantistiche nei Metodi di Raggruppamento Sovrapposti basati su Qubit attraverso Migliori Inizializzazioni

Problematica
La stima dei valori di aspettazione degli Hamiltoniani è un collo di bottiglia centrale negli algoritmi quantistici variazionali (VQA) per la struttura elettronica e l'apprendimento automatico quantistico. Il numero di parole di Pauli negli Hamiltoniani molecolari scala come $O(N_q^4)$, rendendo impraticabile la misurazione diretta di ogni termine. Sebbene le strategie di raggruppamento (partizionamento delle parole di Pauli in set compatibili) riducano questo costo, i metodi di sovrapposizione all'avanguardia, come l'Iterative Coefficient Splitting (ICS) e lo Shared Pauli Products (SPP), si basano su un set iniziale di frammenti non sovrapposti "seed". Questi seed sono tipicamente generati utilizzando l'algoritmo Sorted Insertion (SI), che ordina i termini per magnitudo del coefficiente. Risultati recenti suggeriscono che la qualità di questa inizializzazione di raggruppamento non sovrapposto influenzi significativamente il costo finale della misurazione dei metodi sovrapposti, eppure l'ottimizzazione di queste inizializzazioni rimane un'area scarsamente esplorata.

Metodologia
Gli autori introducono VarSI-O (Variance-Aware Sorted Insertion), una famiglia di algoritmi euristici informati dalla covarianza progettati per generare raggruppamenti di Pauli non sovrapposti superiori. A differenza del classico SI, che ordina per magnitudo del coefficiente ($|c_i|$), VarSI utilizza un dizionario di covarianze di Pauli (già richiesto dai metodi sovrapposti come l'ICS) per valutare le inserzioni candidate in base al loro impatto sulla varianza totale della misurazione.

Il documento definisce tre varianti primarie:

1. VarSI-O (Ordered): Un analogo a SI che ordina i termini per il loro contributo di varianza del singolo termine ($v_i = c_i^2 C_{ii}$) e li inserisce nel gruppo compatibile che minimizza l'obiettivo di misurazione totale $\epsilon^2_M$.
2. VarSI-G (Global Greedy): Un approccio computazionalmente più costoso che seleziona dinamicamente il termine successivo e la sua destinazione di gruppo per minimizzare la varianza immediata, anziché seguire un ordine di ordinamento fisso.
3. VarSI-R (Refinement): Un passaggio di raffinamento locale applicato ai raggruppamenti generati da SI o VarSI-O. Esegue una scansione di spostamenti di singoli termini tra gruppi compatibili, accettando i movimenti solo se riducono strettamente l'obiettivo di misurazione.

L'obiettivo di misurazione è definito come $\epsilon^2_M(G) = (\sum_{\alpha} \sqrt{\text{Var}_\psi(H_\alpha)})^2$. Gli algoritmi sfruttano la regola di aggiornamento della covarianza (Eq. 9 nel testo) per calcolare efficientemente il cambiamento della varianza quando un termine viene aggiunto o rimosso da un gruppo. Il costo computazionale di VarSI-O è comparabile a SI ($O(N^2 n_q)$), mentre VarSI-G scala cubicamente ($O(N^3)$).

Contributi Chiave

• Derivazione degli Aggiornamenti di Covarianza: Gli autori derivano una specifica regola di aggiornamento della covarianza che consente di valutare efficientemente le inserzioni candidate senza ricalcolare da zero le intere varianze di gruppo.
• Framework Algoritmico: La proposta di VarSI-O, VarSI-G e le loro varianti di raffinamento (VarSI-R, VarSI-OR) come modo sistematico per migliorare i raggruppamenti non sovrapposti utilizzando i dati di covarianza.
• Integrazione con i Metodi Sovrapposti: Dimostrare che questi raggruppamenti non sovrapposti migliorati fungono da efficaci inizializzazioni per l'algoritmo ICS, creando una pipeline in cui migliori seed portano a stimatori finali migliori.

Risultati
I metodi sono stati testati su 130 Hamiltoniani molecolari (inclusi LiH, BeH$_2$, H$_2$O, NH$_3$ e catene di idrogeno H$_4$–H$_8$) utilizzando le mappature Jordan-Wigner (JW), Bravyi-Kitaev (BK) e Parity. I dizionari di covarianza sono stati costruiti utilizzando o funzioni d'onda esatte dello stato fondamentale o funzioni d'onda approssimate Coupled Cluster with Single and Double excitations (CISD).

• Performance Non-Sovrapposte: Le varianti di raffinamento (VarSI-R e VarSI-OR) hanno ridotto costantemente i requisiti di misurazione rispetto al SI standard del 35–39% in tutto il dataset, indipendentemente dalla sorgente della covarianza o dalla mappatura dei qubit. VarSI-G generalmente non è riuscito a superare SI nelle impostazioni non sovrapposte.
• Performance Sovrapposte (ICS): Quando utilizzati per inizializzare l'ICS, i raggruppamenti basati su VarSI hanno ottenuto riduzioni significative della misurazione rispetto allo standard SI-ICS:
  • Con covarianze esatte dello stato fondamentale: Riduzioni medie del 9,2–10,1% (JW) e del 7,1–13,1% (BK), con riduzioni massime fino al 70%.
  • Con covarianze CISD: Riduzioni medie dell'11,1–15,3%, con riduzioni massime fino al 70,7%.
• Sistemi Fortemente Correlati: In compiti riguardanti la Superficie di Energia Potenziale (PES) di N$_2$ e delle catene di idrogeno, l'inizializzazione VarSI-OR-ICS ha ridotto il numero totale di misurazioni necessarie per raggiungere una precisione di 1 mEh di milioni rispetto a SI-ICS. Per la curva di dissociazione di N$_2$, ciò si è tradotto in circa 1 ora in meno di tempo di esecuzione su QPU per il metodo VarSI-OR-ICS.
• Robustezza: Su 418 istanze di test, l'inizializzazione standard SI è stata strettamente migliore delle proposte inizializzazioni VarSI in soli 5 casi (tutti utilizzando varianze approssimate CISD), dimostrando la coerenza del miglioramento.

Significatività
Il documento stabilisce che l'inizializzazione non sovrapposta iniziale rimane un "passaggio di progettazione consequenziale" anche quando l'estimatore finale utilizza frammenti sovrapposti. Sfruttando i dizionari di covarianza già necessari per i metodi sovrapposti, VarSI fornisce una via a basso overhead per ridurre i costi di misurazione. Gli autori affermano che queste inizializzazioni migliorate permettono al metodo computazionalmente più economico ICS di competere con framework più costosi come lo SPP. Inoltre, i risultati suggeriscono che risparmi di risorse fino a 1 ora di tempo QPU sono ottenibili in comuni applicazioni di chimica quantistica, evidenziando il valore pratico dell'ottimizzazione del "seed" del processo di allocazione della misurazione. Il lavoro nota inoltre che l'overhead classico per la generazione dei dizionari di covarianza può essere mitigato utilizzando tecniche di machine learning o funzioni d'onda pre-addestrate, sebbene tale estensione sia oltre l'attuale ambito di ricerca.