Stochastic Pauli-path simulator for large-scale quantum optimization

Sintesi Tecnica: Simulatore Stocastico di Percorsi Pauli per l'Ottimizzazione Quantistica su Larga Scala

Problema
La simulazione classica dei circuiti quantistici è essenziale per lo sviluppo di algoritmi quantistici, in particolare nel regime a "bassa magia" (low-magic), dove i metodi di simulazione basati su Pauli (PBS) hanno mostrato potenziale. Tuttavia, gli approoli PBS esistenti, specificamente i metodi di PBS basati sulla troncamento (Tb-PBS) come i simulatori di propagazione di Pauli, sono progettati principalmente per la simulazione forward (stima dei valori di aspettazione) piuttosto che per compiti guidati dall'ottimizzazione. Nei algoritmi quantistici variazionali (VQA), come i Variational Quantum Eigensolvers (VQE) e le Reti Neurali Quantistiche (QNN), i parametri vengono aggiornati tramite ottimizzatori basati sul gradiente.

Il documento identifica un limite fondamentale nei metodi Tb-PBS: sebbene possano approssimare i valori di aspettazione con un'arbitraria precisione troncando lo spazio dei percorsi Pauli, i gradienti risultanti sono spesso sistematicamente distorti (biased). L'analisi teorica dimostra che percorsi trascurabili per il valore di aspettazione possono comunque dominare il gradiente, portando a traiettorie di ottimizzazione che deviano significativamente dalla traiettoria esatta del discesa del gradiente. Questa distorsione si accumula, causando errori di ottimizzazione macroscopici e impedendo una simulazione fedele dell'ottimizzazione quantistica su larga scala.

Metodologia: Simulatore Stocastico di Percorsi Pauli (SPPS)
Per affrontare la distorsione del gradiente inerente ai metodi di troncamento, gli autori propongono il Simulatore di Percorsi Pauli Stocastico (SPPS). A differenza di Tb-PBS, che costruisce un sottoinsieme ridotto di percorsi, SPPS opera campionando percorsi di propagazione dallo spazio completo dei percorsi durante l'evoluzione di Heisenberg e correggendo le probabilità di campionamento tramite ricalibrazione dell'importanza (importance reweighting).

Il framework SPPS consiste in tre procedure principali:

1. Campionamento Gerarchico dei Percorsi: Invece di costruire l'intero albero di propagazione, SPPS campiona i percorsi gerarchicamente. Ad ogni step dell'evoluzione del circuito, se un operatore di Pauli commuta con il gate corrente, il percorso è deterministico. Altrimenti, i rami vengono campionati con probabilità progettate per garantire un campionamento non nullo per tutti i rami, inclusi quelli con coefficienti piccoli ma potenzialmente significativi per i contributi del gradiente. Un parametro di regolarizzazione $a > 0$ assicura che i rami sensibili alle derivate non vengano trascurati.
2. Ricalibrazione dell'Importanza (Importance Reweighting): Per convertire i percorsi campionati in uno stimatore non distorto del valore di aspettazione, il contributo di ogni percorso campionato viene diviso per la sua probabilità di campionamento. Ciò produce uno stimatore non distorto per la funzione obiettivo.
3. Differenziazione Automatica dei Percorsi (PAD): Per ottenere gradienti stocastici non distorti, gli autori introducono la PAD. Sfruttando la struttura trigonometrica dei coefficienti dei percorsi, la PAD calcola simultaneamente i campioni del gradiente per tutti i parametri senza differenziare attraverso l'intero albero o utilizzare la regola del parametro-shift per ogni voce. Lo stimatore del gradiente è una somma pesata dei contributi dei percorsi, dove i pesi sono derivati dalla cotangente e dalla tangente degli angoli di rotazione.

Contributi Teorici
Il documento fornisce garanzie teoriche rigorose per SPPS:

• Assenza di Distorsione (Unbiasedness): Il Teorema 2 prova che SPPS produce stime del gradiente non distorte. Al contrario, il Teorema 1 stabilisce formalmente che i metodi Tb-PBS possono raggiungere un'arbitraria accuratezza nella stima del valore della funzione pur mantenendo una distorsione del gradiente non trascurabile.
• Complessità di Campionamento: La complessità di campionamento di SPPS è limitata da $\tilde{O}((1 + 2a)L\kappa(\theta)L/(a\epsilon^2))$, dove $\kappa(\theta)$ è un fattore di ramificazione efficace dipendente dai parametri del circuito. Ciò indica che quando $\kappa(\theta)$ rimane moderato (polinomiale rispetto alla dimensione del sistema), un budget di campionamento polinomiale è sufficiente.
• Convergenza: Il Corollario 2 fornisce la prima garanzia di convergenza per l'ottimizzazione quantistica guidata da un simulatore classico oltre il regime esatto. Mostra che la discesa del gradiente guidata da SPPS trova un punto stazionario approssimativo con una complessità di iterazione polinomiale rispetto alla profondità del circuito e alla norma dell'osservabile.

Risultati Sperimentali
Gli autori hanno valutato SPPS su due benchmark primari: il pre-addestramento di VQE per il Modello di Ising in Campo Trasverso (TFIM) e il pre-addestramento di QNN per compiti di apprendimento supervisionato.

• Benchmark VQE: Gli esperimenti sono stati condotti su sistemi da 15 a 100 qubit. SPPS ha seguito fedelmente la dinamica di ottimizzazione della discesa del gradiente esatta, convergendo a errori di energia bassi (es. $\epsilon_0 \approx 2^{-8}$ per 15 qubit) entro pochi minuti. Al contrario, i metodi Tb-PBS (CT, FT, WT) hanno mostrato traiettorie distorte, spesso stabilizzandosi a livelli di errore più elevati o mostrando un comportamento non monotono. SPPS ha dimostrato un trade-off accuratezza-tempo superiore, essendo fino a otto volte più veloce di CT-PBS a 100 qubit pur raggiungendo errori di energia significativamente inferiori.
• Benchmark QNN: Su un compito di apprendimento supervisionato a 40 qubit, SPPS ha raggiunto un errore quadratico medio (MSE) di addestramento inferiore a $2^{-7}$ e un punteggio $R^2$ di test di circa 0,8. I metodi Tb-PBS di riferimento si sono saturati a livelli di MSE più elevati ($\approx 2^{-6}$) con punteggi $R^2$ inferiori ($\approx 0,4$). SPPS ha completato questi compiti in meno di 30 secondi, mentre i metodi Tb-PBS richiedevano oltre $2^{11}$ secondi.
• Scalabilità: Il vantaggio di prestazioni di SPPS è aumentato con la dimensione del sistema e la difficoltà del problema (ad esempio, variando l'intensità del campo magnetico in TFIM), dove gli errori dei metodi Tb-PBS sono raddoppiati mentre gli errori di SPPS sono diminuiti.

Significatività e Rivendicazioni
Il documento sostiene che SPPS ridefinisce il confine classico per l'utilità degli esperimenti quantistici estendendo la simulazione basata su Pauli dalla stima forward all'ottimizzazione quantistica su larga scala. La sua principale significatività risiede in:

1. Risoluzione del Dilemma della Distorsione del Gradiente: Risolve il compromesso tra l'accurate stima del valore medio e la stima fedele del gradiente, un limite precedentemente inerente ai metodi basati sul troncamento.
2. Abilitazione dell'Ottimizzazione "Classical-First": Fornendo gradienti non distorti con convergenza provabile, SPPS offre una via pratica per l'ottimizzazione "classical-first". Ciò consente il pre-addestramento di algoritmi variazionali e l'inizializzazione dei parametri su hardware classico, riducendo sostanzialmente le risorse quantistiche richieste per il deployment su dispositivi reali.
3. Scalabilità: Il metodo scala con successo a sistemi da 100 qubit, dimostrando che la simulazione classica fedele dell'ottimizzazione quantistica guidata dal gradiente è fattibile quando la complessità del percorso dipendente dalla traiettoria è moderata.

Gli autori concludono che SPPS fornisce un framework affidabile, scalabile ed efficiente per simulare l'ottimizzazione quantistica su larga scala, colmando il divario tra le capacità di simulazione classica e le necessità degli algoritmi quantistici variazionali.