Simulation of Lindbladian dynamics via adaptive variational quantum trajectory compression

Sintesi Tecnica: Simulazione della Dinamica Lindbladiana tramite Compressione Adattiva di Traiettorie Quantistiche Variazionali

Definizione del Problema
La simulazione quantistica di sistemi quantistici aperti su dispositivi a scala intermedia rumorosi (NISQ) affronta due ostacoli primari: la natura non unitaria della dinamica dissipativa e i severi limiti delle risorse quantistiche disponibili, in particolare la profondità del circuito e il numero di qubit. I metodi esistenti per simulare la dinamica Lindbladiana spesso si affidano all'embedding della evoluzione non unitaria in spazi di Hilbert ampliati (richiedendo qubit ausiliari) o alla decomposizione della dinamica in ensemble di traiettorie che richiedono comunque circuiti profondi o complessi post-processing. Sebbene gli Algoritmi Quantistici Variazionali (VQA) abbiano mostrato potenziale per la dinamica di sistemi chiusi, la loro applicazione ai sistemi aperti è ostacolata dalla necessità di qubit ausiliari, dalla crescita della profondità dei circuiti e dall'accumulo di errori durante il post-processing classico.

Metodologia
Gli autori propongono un algoritmo efficiente in termini di risorse, privo di ancilla, che combina una rappresentazione compatta del canale aggiunto con un framework di compressione di traiettorie quantistiche variazionali adattivo.

1. Costruzione di un Canale Aggiunto Compatto:
   Per sistemi aperti con dissipazioni di Pauli ($P_k \in \{I, X, Y, Z\}^{\otimes n}$), gli autori derivano un canale aggiunto mixed-unitary che approssima la dinamica dissipativa target con un errore che scala come $O(\delta t^2)$. A differenza delle formulazioni precedenti che richiedevano un post-processing classico per correggere le deviazioni, questo nuovo canale è costruito in modo tale che l'evoluzione target sia direttamente approssimata da una miscela probabilistica di operatori unitari:
   $$\mathcal{A}(\rho) = \sum_{k=0}^{D} p_k U_k \rho U_k^\dagger$$
   Qui, $U_0$ rappresenta un'evoluzione hamiltoniana riscalata ($e^{-iH\Delta t}$), e $U_{k>0}$ sono gli operatori di dissipazione di Pauli. Le probabilità $p_k$ sono derivate per garantire la normalizzazione. Questa struttura permette di simulare la dinamica tramite campionamento Monte Carlo di traiettorie quantistiche senza l'uso di qubit ausiliari.

2. Compressione di Traiettorie Quantistiche Variazionali Adattiva:
   Per affrontare il collo di bottiglia della profondità del circuito causato dall'applicazione ripetuta dell'operatore di "no-jump" $U_0$ in simulazioni a lungo termine, gli autori introducono una strategia di compressione.

• Addestramento: Una serie di circuiti quantistici parametrizzati (PQC) a profondità adattiva, denotati $U(\theta_s)$, vengono addestrati per approssimare l'evoluzione hamiltoniana a $s$-step $(U_0)^s$.
• Strategie di Addestramento: Vengono esplorate due strategie:
  • Addestramento Diretto: Il PQC è addestrato direttamente contro l'esatto $(U_0)^s$.
  • Addestramento Iterativo: Il PQC per lo step $s$ è addestrato contro il prodotto del circuito precedentemente addestrato e un singolo step $U_0$ (ovvero, $U(\theta_{s-1})U_0$), riducendo la profondità del circuito target durante l'addestramento.
• Funzione di Perdita: Per evitare la necessità di qubit ausiliari richiesti dai test di Hilbert-Schmidt, gli autori utilizzano una funzione di perdita basata sul campionamento della base, che valuta l'accordo tra il PQC e l'unitario target su un insieme finito di stati di base, rendendolo adatto all'hardware.
• Compressione: Nelle traiettorie campionate, sequenze consecutive di blocchi $U_0$ vengono identificate e sostituite dal corrispondente PQC addestrato $U(\theta_s)$, riducendo significativamente la profondità del circuito pur preservando la struttura della traiettoria.

3. Protocollo di Simulazione:
   L'algoritmo procede campionando le traiettorie secondo la distribuzione di probabilità del canale aggiunto. Ogni traiettoria viene poi compressa sostituendo i segmenti $U_0$ con i PQC addestrati. Infine, i valori di aspettazione degli osservabili sono stimati mediando i risultati delle misurazioni sull'ensemble delle traiettorie compresse.

Contributi Chiave

• Canale Aggiunto Senza Ancilla: La derivazione di un canale aggiunto mixed-unitary compatto e stabile che elimina la necessità del precedente passaggio di post-processing classico, riducendo così l'amplificazione dell'errore.
• Compressione Adattiva alla Profondità: L'introduzione di un framework che utilizza la compilazione quantistica variazionale per comprimere i blocchi ripetuti di evoluzione hamiltoniana all'interno delle traiettorie campionate, affrontando direttamente i limiti di profondità del circuito imposti dai dispositivi NISQ.
• Addestramento Hardware-Efficient: La proposta di una funzione di perdita basata sul campionamento della base e di strategie di addestramento iterativo che permettono di eseguire l'addestramento della compressione senza qubit ausiliari e con una profondità del circuito target ridotta.
• Integrazione di Strutture: Il lavoro dimostra come sfruttare congiuntamente la specifica struttura delle dissipazioni di Pauli (che porta a frequenti segmenti di "no-jump") e le tecniche di compressione variazionale per colmare il divario tra algoritmi per sistemi aperti e implementazione su hardware near-term.

Risultati
Gli autori hanno validato il metodo utilizzando simulazioni numeriche del modello $XY$ dissipativo, modellando specificamente la fusione di uno stato di parete di dominio sotto dephasing locale.

• Accuratezza: Il campionamento stocastico del canale aggiunto derivato ha riprodotto con successo la dinamica Lindbladiana esatta e i risultati del canale di Kraus deterministico. L'errore di campionamento scalava come $O(1/\sqrt{M})$ con il numero di traiettorie $M$.
• Efficienza della Compressione: La compressione variazionale ha ridotto significativamente la profondità del circuito. Per una simulazione temporale $T=10$ con $M=128$ traiettorie, la strategia di sostituzione "diretta" ha ridotto il conteggio medio di porte a singolo qubit e a due qubit di circa il 43%.
• Trade-off: La strategia di addestramento iterativo ha mostrato che, sebbene riduca la profondità del target di addestramento, essa introduce errori di approssimazione accumulati all'aumentare della lunghezza di compressione ($s_{max}$). Tuttavia, anche con questi errori, le traiettorie compresse hanno mantenuto un'alta fedeltà rispetto alla dinamica fisica, con la strategia diretta che offre il miglior equilibrio tra accuratezza e riduzione delle risorse nei casi testati.

Significatività e Rivendicazioni
Il documento sostiene di fornire una via pratica verso la simulazione senza ancilla e a profondità ridotta di sistemi quantistici aperti su hardware quantistico near-term. Gli autori sottolineano che il loro approccio è particolarmente adatto all'era NISK perché:

1. Evita i problemi di scalabilità dei metodi basati su dilatazione eliminando i qubit ausiliari.
2. Mitiga l'impatto del rumore dell'hardware riducendo la profondità del circuito necessaria per l'implementazione delle traiettorie.
3. Offre un framework flessibile in cui il compromesso tra accuratezza algoritmica (errore di discretizzazione) e rumore dell'hardware può essere gestito scegliendo lunghezze di compressione e strategie di addestramento appropriate.

Gli autori notano con modestia che esistono costruzioni di canali di ordine superiore, ma queste spesso portano a strutture di traiettoria più complesse che sono meno adatte a questa specifica tecnica di compressione. Pertoco, per gli attuali dispositivi, viene presentato un algoritmo di ordine inferiore ma compatto, privo di ancilla e a profondità ridotta, come una soluzione più pratica rispetto alle costruzioni formalmente di ordine superiore con maggiori carichi di risorse. Il lavoro suggerisce che combinare rappresentazioni di canali aggiunti fisicamente strutturate con la compressione di traiettorie variazionale sia una via percorribile per simulare sistemi molti-corpi aperti realistici.