An End-to-End Hybrid Quantum--Classical Sampling Workflow for Discrete Markov Random Fields: A Reproducible Case Study

Riepilogo Tecnico: Un Flusso di Lavoro Ibrido Quantistico-Classico End-to-End per il Campionamento di Campi di Markov Aleatori Discreti

Enunciato del Problema
Il campionamento da Campi di Markov Aleatori (MRF) discreti è una sfida fondamentale nell'inferenza probabilistica, nella visione artificiale e nella fisica statistica. La difficoltà principale risiede nel trarre campioni dalla distribuzione congiunta $P_\theta(x)$, il che richiede la normalizzazione tramite una funzione di partizione $Z(\theta)$ che somma su $2^n$ configurazioni. Sebbene i metodi classici Markov Chain Monte Carlo (MCMC) siano lo standard, essi spesso soffrono di un lento mixing e di un'alta autocorrelazione su grafi con cicli (loopy graphs). Al contrario, l'inferenza variazionale e la propagazione del belief affrontano limiti di accuratezza o di convergenza. Questo articolo investiga se il campionamento quantistico tramite codifica di ampiezza offra un vantaggio pratico rispetto ai metodi classici, specificamente in un regime in cui la distribuzione completa può essere precomputata classicamente in $O(2^n)$, escludendo così accelerazioni quantistiche esponenziali ma permettendo un confronto rigoroso tra efficienza di campionamento e indipendenza.

Metodologia
Lo studio impiega un approccio a doppia architettura per affrontare diverse scale del problema ($n$):

1. Codifica di Ampiezza (Piccolo $n$): Per $n \in \{8, 10, 12\}$, gli autori costruiscono una pipeline in cui la diagonale dell'Hamiltoniana $H_\theta$ viene calcolata classicamente in tempo $O(2^n)$. Le probabilità target vengono normalizzate e le ampiezze $\alpha_x = \sqrt{P_\theta(x)}$ vengono preparate utilizzando la primitiva StatePreparation di Qiskit. Ciò crea uno stato quantistico $|\psi\rangle = \sum_x \sqrt{P_\theta(x)}|x\rangle$. Le misurazioni nella base computazionale producono campioni indipendenti e identicamente distribuiti (i.i.d.). Questo approccio sacrifica il potenziale di accelerazione esponenziale della piena Modellazione Generativa di Circuiti Quantistici (QCGM) per un processo di verifica pulito e verificabile.
2. Circuiti Quantistici Variazionali (VQC) (Grande $n$): Per $n$ più grandi, dove l'enumerazione completa è impraticabile, gli autori addestrano ansätze hardware-efficient. Questi circuiti consistono in $d$ strati di rotazioni $R_Y$ a singolo qubit intervallate da porte CNOT di entanglement. Sono state testate tre strategie di entanglement: lineare (qubit adiacenti), clique-aware (che corrisponde alla topologia del grafo MRF) e completa (all-to-all). I circuiti sono addestrati per minimizzare la divergenza di Kullback–Leibler (KL) tra la distribuzione indotta e la distribuzione target $P_\theta$.
3. Baseline Classiche: I metodi quantistici sono messi a confronto con quattro campionatori classici:
   • Single-site Gibbs (random-scan).
   • Block Gibbs (aggiornamento delle clique massimali).
   • Tuned-Block Gibbs (appartenenza ai blocchi adattata).
   • Parallel Tempering (PT) con 8 repliche.
   • Exact Inverse-CDF: Una baseline classica che utilizza la distribuzione precomputata per estrarre campioni i.i.d., servendo come confronto "apples-to-apples" per l'encoder di ampiezza una volta ammortizzati i costi di pre-processing.

Contributi Chiave
L'articolo non rivendica un vantaggio quantistico. I suoi contributi sono caratterizzati come uno studio di benchmarking rigoroso e di risultati negativi:

1. Caratterizzazione del Gap ESS: Una quantificazione del gap della Dimensione Effettiva del Campione (ESS) tra il campionamento i.i.d. tramite encoder di ampiezza e quattro baseline MCMC classiche su 60 istanze (cinque famiglie di grafi).
2. Ammortamento del Wall-Clock Time: Un confronto equo del tempo di wall-clock che include esplicitamente il costo di pre-processing classico $O(2^n)$ richiesto dall'encoder di ampiezza quantistico, confrontandolo con il campionamento Exact Inverse-CDF.
3. Soffitto di Scalabilità Classica: Uno studio di scaling multi-trial di Matrix Product States (MPS) fino a $n=40$, stabilendo un concreto soffitto di fedeltà classica per futuri approcci variazionali.
4. Riproducibilità: Il rilascio di codice open-source e artefatti eseguibili che rigenerano tutte le tabelle e le figure dai file dati JSON caricati.

Risultati

• Rapporti ESS: Attraverso 60 istanze, il rapporto tra l'ESS Quantistico e l'ESS Classico ha mostrato una chiara gerarchia. Il campionatore quantistico ha superato il Single-Site Gibbs con un fattore medio di 16,35, il Block Gibbs di 7,29, il Tuned-Block Gibbs di 1,82 e il Parallel Tempering di 1,79. Ciò indica che, sebbene il campionatore quantistico mantenga un vantaggio strutturale (output i.i.d., $\tau \approx 1$), i moderni campionatori classici (specificamente il Parallel Tempering) colmano sostanzialmente questo divario.
• Prestazioni Wall-Clock: Quando il costo di pre-processing $O(2^n)$ è ammortizzato, il campionatore Exact Inverse-CDF raggiunge un tasso medio di 17.683.598 ESS/s, rispetto ai 487.706 ESS/s del campionatore quantistico. Ciò rappresenta un vantaggio di 36× nei tassi medi e un vantaggio di 153× nei rapporti medi per istanza, confermando l'assenza di un vantaggio di wall-clock per il flusso di lavoro quantistico in questo regime.
• VQC vs. MPS (Risultato Negativo): I VQC shallow hardware-efficient (profondità 3) hanno performato significativamente peggio degli MPS a budget equivalente in tutte le dimensioni testate ($n=8, 10, 12$). Le fedeltà per i VQC erano 0,306, 0,210 e 0,165, rispetto a 0,990, 0,958 e 0,878 per gli MPS.
• VQC vs. Mean-Field: A $n=8$ e $n=10$, l'approssimazione Mean-Field ha ottenuto una fedeltà della distribuzione globale superiore rispetto al VQC, sebbene il VQC abbia superato i metodi classici sugli errori marginali del singolo elemento (singleton).
• Scaling MPS: A $n=40$, un MPS con dimensione di legame $\chi=32$ ha raggiunto una fedeltà di 0,721 ± 0,059, stabilendo un benchmark per i futuri approcci quantistici.
• Strategie di Entanglement: L'entanglement clique-aware non ha fornito alcun vantaggio misurabile di fedeltà rispetto all'entanglement lineare alle scale testate.

Significato e Rivendicazioni
L'articolo dichiara esplicitamente di non rivendicare un vantaggio quantistico. La sua importanza risiede in:

1. Chiarire la Narrativa del "Vantaggio Quantistico": Dimostra che il vantaggio apparente del campionamento quantistico negli MRF è altamente sensibile alla scelta della baseline classica. Mentre il campionamento quantistico offre l'indipendenza strutturale, l'MCMC classico ottimizzato (come il Parallel Tempering) quasi elimina il gap ESS, e il campionamento classico esatto (Inverse-CDF) domina in termini di wall-clock time quando viene considerato il pre-processing.
2. Definire il Regime di Validità: L'encoder di ampiezza è uno strumento difendibile solo quando sono strettamente richiesti campioni quantistici i.i.d. o la preparazione di stati coerenti a valle (ad esempio, per la stima dell'ampiezza), o quando la distribuzione completa non può essere enumerata ma non è disponibile una baseline classica.
3. Risultati Negativi per VQC Shallow: Lo studio fornisce prove che gli ansätze shallow hardware-efficient sono insufficienti per catturare la struttura globale delle distribuzioni MRF piccate rispetto ai metodi di reti tensoriali come MPS.
4. Benchmarking: Stabilisce un framework riproducibile e specifici soffitti numerici (ad esempio, MPS a $n=40$) che i futuri algoritmi quantistici devono superare per dimostrare utilità.

Gli autori concludono che le strade più plausibili per un futuro vantaggio quantistico risiedono nella piena simulazione dell'Hamiltoniana QCGM, in ansätze variazionali più profondi o consapevoli del problema, o in benchmark su hardware rumoroso su larga scala, tutti identificati come lavori futuri.