Sintesi Tecnica: Apprendimento Unitario Strutturalmente Agnostico da Dinamiche di Osservabili Quantistici

1. Definizione del Problema

Gli attuali metodi variazionali per l'apprendimento dell'Hamiltoniana confondono tipicamente due compiti distinti: un problema di ottimizzazione quantistica (trovare un'unitaria $U$ che corrisponda alle dinamiche osservate) e un problema di identificazione classica (decomporre $U$ in termini di interazione fisica). Gli approcci esistenti richiedono spesso che il praticante specifichi la struttura dell'Hamiltoniana (ovvero quali termini di Pauli sono presenti) prima dell'inizio dell'addestramento. Questa assunzione strutturale limita l'applicabilità del metodo alle famiglie di interazioni note e impedisce la scoperta di simmetrie sconosciute o termini di interazione.

Inoltre, l'addestramento su tutti i passi temporali simultaneamente porta spesso a fallimenti dell'ottimizzazione a causa della natura non convessa del panorama del loss quantistico, dove il dominio del gradiente a lungo termine impedisce la cattura delle dinamiche a breve termine.

2. Metodologia

Il documento propone un framework di Apprendimento Unitario Strutturalmente Agnostico che separa la fase di apprendimento quantistico dalla fase di identificazione classica.

2.1. Architettura a Due Fasi

1. Apprendimento Unitario Quantistico (Strutturalmente Libero):

   • Un circuito quantistico parametrizzato (PQC) hardware-efficient apprende l'operatore di evoluzione $U$ direttamente dalle misure di serie temporali degli osservabili.
   • Funzione di Loss: L'algoritmo minimizza l'errore quadratico medio (MSE) tra i valori di aspettativa degli osservabili $\langle P \rangle$ previsti e quelli reali attraverso molteplici stati iniziali, osservabili e passi temporali $n$.
   • Caratteristica Chiave: Non viene fatta alcuna assunzione sul generatore di $U$. Il circuito apprende $U$ come una "scatola nera". Se l'obiettivo è un'unitaria generata da un'Hamiltoniana ($e^{-iH\tau}$), il metodo apprende essa; se l'obiettivo è un gate non hamiltoniano (es. CNOT, iSWAP), il metodo apprende comunque l'unitaria, ma la seconda fase viene semplicemente saltata.

2. Identificazione dell'Hamiltoniana Classica (Post-Processing):

   • Una volta trovata l'unitaria ottimale $U(\theta^*)$, l'Hamiltoniana viene recuperata tramite post-processing classico.
   • Estrazione: Il generatore viene calcolato usando il logaritmo di matrice: $\hat{H} = \frac{i}{\tau} \log U(\theta^*)$.
   • Decomposizione: L'operatore recuperato viene proiettato sulla base di Pauli usando prodotti scalari di traccia: $c_\alpha = \frac{1}{2^n} \text{Tr}(\hat{H}P_\alpha)$.
   • Identificabilità: Il metodo si basa sul fatto matematico che se l'insieme degli stati iniziali e degli osservabili copre lo spazio degli operatori, l'unitaria è determinata univocamente (a meno di una fase globale), e quindi la sua decomposizione è fissa senza assunzioni pregresse.

2.2. Strategia di Ottimizzazione

• Ottimizzatore: Il documento introduce SPSA-Adam, un ottimizzatore ibrido che combina l'Approssimazione Stocastica a Perturbazione Simultanea (SPSA) per la stima del gradiente efficiente per l'hardware (2 valutazioni del circuito per step) con gli aggiornamenti dei momenti adattivi di Adam.
• Curriculum a Momenti Caldi (Moment-Warm Curriculum): Per affrontare il fenomeno dei "barren plateau" e delle trappole locali, l'addestramento è a stadi. L'insieme attivo dei passi temporali viene esteso progressivamente (es. $\{1, 2\} \to \{1, 2, 4, 6\} \to \dots$). Fondamentalmente, i momenti di Adam ($m, v$) vengono trasportati tra uno stadio e l'altro, preservando l'informazione sulla curvatura ed evitando l'overhead di un "cold-start".
• Gestione dei Rami: Il metodo utilizza il ramo principale del logaritmo di matrice. Assicura che il passo temporale $\tau$ sia sufficientemente piccolo tale che $\|H\|\tau < \pi$ per evitare ambiguità di avvolgimento di fase (phase wrapping).

3. Contributi Chiave

1. Inquadramento dell'Apprendimento Unitario: L'ottimizzatore quantistico apprende $U$, non i coefficienti di Pauli; l'identificazione dell'Hamiltoniana è un passaggio opzionale, interamente classico di post-processing.
2. Condizioni di Identificabilità: Il documento stabilisce condizioni precise sotto le quali $U$ è determinata univocamente dai dati degli osservabili, garantendo che la successiva decomposizione di Pauli sia ben definita.
3. Generalizzazione dell'Apprendimento dei Gate: Il metodo apprende con successo unitarie non hamiltoniane (CNOT, iSWAP, un elemento Haar-random SU(4)) con precisione di macchina, provando che non dipende da strutture di Trotterizzazione o assunzioni sull'Hamiltoniana.
4. SPSA-Adam: Un nuovo ottimizzatore che richiede solo due valutazioni del circuito per ogni step del gradiente indipendentemente dal numero di parametri, potenziato da momenti adattivi.
5. Programma di Curriculum: Uno schema di addestramento a quattro stadi che converte un problema globale non convesso in una sequenza di problemi locali ben posti, dimostrando che l'addestramento a singolo stadio standard fallisce in condizioni identiche.

4. Risultati Sperimentali

4.1. Dimostrazione di Correttezza Senza Rumore (2-Qubit)

• Setup: Ottimizzatore L-BFGS-B con gradienti esatti su un modello Ising a 2 qubit ($H = ZZ + 0.5XI + 0.5IX$).
• Performance: Ha raggiunto un MSE finale di $1.61 \times 10^{-14}$.
• Recupero: Tutti i coefficienti dell'Hamiltoniana sono stati recuperati con sei cifre decimali. L'errore di andata e ritorno (ri-simulando l'Hamiltoniana) era alla precisione di macchina ($8.09 \times 10^{-16}$).

4.2. Apprendimento di Gate (Target Non-Hamiltoniani)

• Target: CNOT, iSWAP e un elemento Haar-random SU(4).
• Risultato: Tutti e tre i gate sono stati appresi con una fedeltà di processo di 1.000000. Gli errori operatore erano inferiori a $5 \times 10^{-7}$. Ciò conferma la capacità dell'algoritmo di apprendere arbitrarie unitarie senza assumere un generatore Hamiltoniano.

4.3. Scalabilità (3-Qubit)

• Setup: Esteso a un modello Ising a campo trasversale a 3 qubit (102 parametri).
• Risultato: Tutti i cinque termini veri dell'Hamiltoniana sono stati recuperati correttamente con errori nell'ordine di $10^{-3}$ a $10^{-4}$. Il metodo ha dimostrato una scalabilità polinomiale nei parametri rispetto alla scalabilità esponenziale nello spazio di Hilbert.

4.4. Sensibilità Strutturale

• Il metodo è stato testato contro topologie di ansatz disallineate (interazioni a lungo raggio, famiglie di operatori errate come Hamiltoniane dominanti YY, e accoppiamenti antisimmetrici).
• Risultato: L'algoritmo ha recuperato con successo l'Hamiltoniana corretta in tutti i casi, confermando che non si basa su assunzioni strutturali nascoste.

4.5. Implementazione Quantistica (Simulazione con Rumore)

• Setup: Qiskit Aer con rumore depolarizzante ($p_1=0.001, p_2=0.01$) e $N_{shots}=1024$.
• Risultato: Tutti i tre termini Ising sono stati recuperati con errori inferiori all'8% (ZZ e XI entro l'1%). Un termine spurio è apparso marginalmente sopra la soglia, coerentemente con l'errore unitario residuo.
• Confronto: Un approccio SPSA-Adam a singolo stadio standard è fallito completamente nelle stesse condizioni, recuperando i coefficienti con il segno errato e un MSE 180 volte superiore alla varianza del rumore di shot. L'approccio di curriculum ha ridotto l'MSE a 2.1 volte la varianza del rumore di shot.

5. Significato e Rivendicazioni

Il documento afferma che la separazione tra l'apprendimento dell'unitaria e l'identificazione dell'Hamiltoniana è la decisione architettonica critica che permette:

1. Scoperta della Struttura: L'algoritmo determina quali termini di Pauli sono presenti e le loro simmetrie puramente dai dati, piuttosto che richiederli come input.
2. Generalità: Lo stesso algoritmo si applica sia all'apprendimento di un'Hamiltoniana che all'apprendimento di un gate quantistico generale (es. apprendere CNOT).
3. Robustezza: Il curriculum a momenti caldi è essenziale per l'implementazione quantistica trattabile, prevenendo l'intrappolamento dell'ottimizzatore in minimi locali causati dal dominio del gradiente a lungo termine.

Gli autori concludono che, sebbene il metodo affronti limitazioni riguardanti la dimensionalità dello spazio di Pauli per $n > 4$ e il limite della norma spettrale per $\tau$, esso fornisce un framework rigoroso e strutturalmente agnostico per apprendere le dinamiche quantistiche che supera i metodi di fitting diretto dei coefficienti sia in regimi privi di rumore che in presenza di rumore.