Benchmarking Quantum Simulations of the Lipkin-Meshkov-Glick Model Using Large Tensor Networks

Sintesi Tecnica: Benchmarking di Simulazioni Quantistiche del Modello di Lipkin-Meshkov-Glick mediante Grandi Reti Tensoriali

Definizione del Problema
Con la maturazione del calcolo quantistico, emerge una necessità critica di testare le prestazioni di risoluzione di problemi reali dei dispositivi NISQ (Noisy Intermediate-Scale Quantum) rispetto a metodi classici competitivi. Mentre le caratterizzazioni dell'hardware (ad esempio, fedeltà delle porte, tempo di coerenza) sono standard, esse non catturano pienamente le prestazioni su applicazioni di interesse. Il modello di Lipkin-Meshkov-Glick (LMG) funge da banco di prova ideale per questo confronto: esso descrive un sistema a molti corpi con ricchi fenomeni fisici, come le transizioni di fase quantistiche, pur rimanendo sufficientemente trattabile classicamente per generare dati di riferimento ad alta precisione su scale che superano la portata della diagonalizzazione esatta. Le precedenti simulazioni quantistiche del modello LMG sono state confinate a dimensioni di sistema modeste a causa dei vincoli dellari hardware. Questo lavoro mira a stabilire un benchmark classico su larga scala per valutare l'accuratezza e la scalabilità di popolari algoritmi NISQ, specificamente il Variational Quantum Eigensolver (VQE) e il Sample-Based Quantum Diagonalization (SQD).

Metodologia
Lo studio impiega un approccio ibrido che utilizza l'informatica classica ad alte prestazioni e l'hardware NISQ:

1. Benchmark Classico (DMRG): Gli autori hanno utilizzato l'algoritmo Density Matrix Renormalization Group (DMRG), un metodo di reti tensoriali, per calcolare le energie dello stato fondamentale dell'Hamiltoniana LMG. Le simulazioni sono state eseguite sul supercomputer Perlmutter presso il NERSC. L'Hamiltoniana LMG è stata definita con parametri $\epsilon=1$, $W=0$ e intensità di interazione $V$ variabile. Le dimensioni del sistema sono variate da $N=2$ a $N=1400$ particelle, con corse di profilazione estese fino a $N=1550$. Inoltre, è stato generato un diagramma di fase per $N \in [2, 100]$ e $V \in [0, 1]$ con incrementi di 0,1.
2. Algoritmi Quantistici:
   • VQE: Il Variational Quantum Eigensolver è stato implementato su un processore quantistico IBM Eagle. Per affrontare la crescita esponenziale dello spazio di Hilbert, è stato impiegato uno schema di compressione dell'Hamiltoniana, sfruttando le simmetrie del modello (specificamente $W=0$) per mappare il sistema in una base di spin collettivo. Ciò ha ridotto la dimensione effettiva del sistema, permettendo l'uso di ansatz più piccoli composti da porte $R_y$ e CNOT.
   • SQD: Anche l'algoritmo Sample-Based Quantum Diagonalization è stato eseguito sul processore IBM. Questo approccio ibrido ha utilizzato un insieme di circuiti di stato di Dicke per campionare bitstring che riflettono la simmetria del sistema (peso di Hamming fisso). Tali campioni sono stati utilizzati per proiettare l'Hamiltoniana completa in un sottospazio ridotto, che è stato poi diagonalizzato classicamente. L'edge mitigation è stata applicata tramite post-selezione basata sulla simmetria e correzione del bit-flip per garantire che il sottospazio campionato rappresentasse fedelmente lo spazio ristretto dalla simmetria.

Contributi Chiave
Il documento apporta due contributi primari al campo del benchmarking quantistico:

1. Dataset DMRG su larga scala: Gli autori hanno generato uno dei più grandi dataset di energie dello stato fondamentale LMG presenti in letteratura, fornendo valori di riferimento accurati per sistemi fino a 1 guano 1400 particelle. Ciò include un diagramma di fase dettagliato attraverso diverse intensità di interazione.
2. Benchmarking Comparativo: Lo studio fornisce un confronto rigoroso tra VQE e SQD rispetto alla baseline DMRG su un processore quantistico IBM, stabilendo i profili di prestazione e identificando i limiti di scalabilità specifici di ciascun metodo nell'era NISQ.

Risultati

• Prestazioni DMRG: I risultati DMRG hanno dimostrato un'elevata affidabilità, raggiungendo un'accuratezza superiore al 99,99% rispetto alle soluzioni numeriche esatte per sistemi piccoli ($N \le 19$). Le curve di energia per grandi $N$ hanno mostrato una scalabilità fluida e monotona, confermando la convergenza della rappresentazione a rete tensoriale. Il collo di bottiglia computazionale è stato identificato nella costruzione dell'Hamiltoniana $O(N^2)$ dovuta alle interazioni all-to-all, piuttosto che nella contrazione tensoriale.
• Prestazioni VQE: Il VQE ha ottenuto risultati entro l'1% di errore per sistemi piccoli ($N=6$). Tuttavia, l'accuratezza è degradata rapidamente all'aumentare della dimensione del sistema. Oltre $N \approx 15$, gli errori hanno superato la soglia dell'1%, raggiungendo circa il 17% per $N=23$. Gli errori sono cresciuti costantemente, riflettendo la difficoltà dell'ottimizzazione classica nello spazio di Hilbert compresso.
• Prestazioni SQD: L'SQD ha dimostrato un'accuratezza superiore al VQE nel suo regime accessibile. Per $N \le 18$, l'SQD ha raggiunto errori relativi inferiori all'1% (e persino inferiori a $10^{-12}\%$ per $N \in [3, 15]$), eguagliando efficacementamente la soluzione esatta. Tuttavia, le prestazioni sono state strettamente limitate dal budget di shot (106 shot). Una volta che il numero di stati di base nel settore di simmetria ($2^{N-1}$) ha superato il limite di shot (intorno a $N \approx 20$), l'errore è aumentato bruscamente, raggiungendo circa il 95% per $N=50$.

Significatività e Rivendicazioni
Il documento afferma che questi risultati evidenziano i distinti compromessi tra accuratezza, profondità del circuito e resilienza al rumore nell'era NISQ.

• Approcci basati su sottospazi: Gli autori suggeriscono che gli approcci basati su sottospazi come l'SQD potrebbero offrire il miglior equilibrio tra accuratezza e vincoli di risorse, a condizione che il settore di simmetria possa essere completamente coperto dal budget di shot disponibile.
• Necessità di Benchmarking: Il lavoro asserisce che, affinché i computer quantistici possano dimostrare un vero vantaggio, essi devono superare le capacità dei metodi classici a reti tensoriali (come DMRG) sugli stessi Hamiltoniani del problema. I dataset generati servono come riferimento ad alta precisione per questo scopo.
• Limitazioni: Lo studio conclude con modestia che, sebbene l'SQD mostri potenziale, la sua scalabilità è attualmente limitata dai budget di shot e dalla profondità del circuito. Allo stesso modo, il VQE fatica a scalare oltre dimensioni di sistema modeste senza miglioramenti significativi nel design degli ansatz o nelle strategie di inizializzazione. Gli autori non rivendicano un vantaggio quantistico per le attuali implementazioni, ma utilizzano i dati per definire i confini dell'utilità attuale dei sistemi NISQ.