Improving Ground State Accuracy of Variational Quantum Eigensolvers with Soft-coded Orthogonal Subspace Representations

Dit paper introduceert een nieuwe aanpak voor Variational Quantum Eigensolvers waarbij zacht gecodeerde orthogonaliteitsbeperkingen in de kostenfunctie worden gebruikt in plaats van hard gecodeerde circuitbeperkingen, wat resulteert in nauwkeurigere grondtoestandsbepalingen met minder diepe quantumcircuits.

De kern

De Kern: Een Slimmere Manier om het "Laagste Dal" te Vinden

Stel je voor dat je een enorme, donkere berglandschap moet verkennen om het diepste dal (de grondtoestand) te vinden. Dit is precies wat wetenschappers proberen te doen met quantumcomputers: ze zoeken de meest stabiele, energie-arme toestand van een systeem.

De huidige standaardmethode heet VQE (Variational Quantum Eigensolver).

• Hoe het werkt: Je stuurt één enkele "verkenner" (een quantumcircuit) de bergen in. Deze verkenner probeert steeds dieper te dalen door zijn stappen aan te passen.
• Het probleem: Soms loopt de verkenner vast in een klein kuilje (een lokaal minimum) en denkt dat hij het diepste punt heeft gevonden, terwijl er ergens anders nog een veel dieper dal is. Of hij raakt in de war door de ruwe textuur van het landschap.

De Oplossing: Een Team in plaats van Eén Verkenner

De auteurs van dit paper stellen een nieuwe aanpak voor: in plaats van één verkenner, sturen ze een team van verkenners (een "subruimte") de bergen in. Als je met een groep zoekt, is de kans groter dat je het echte diepste dal vindt, omdat je meer hoeken van het landschap tegelijkertijd kunt afdekken.

Er zijn echter twee manieren om zo'n team te organiseren, en hier zit het grote verschil:

1. De "Strenge Leraar" Methode (Hard-coded Orthogonaliteit)

Dit is wat eerdere methoden (zoals SSVQE en MCVQE) deden.

• De Analogie: Stel je voor dat je een leraar hebt die de verkenners streng toezicht houdt. Hij zegt: "Jullie mogen elkaar nooit raken! Jullie moeten altijd op een afstand van elkaar blijven lopen."
• Het nadeel: Om aan deze strenge regel te voldoen, moeten de verkenners heel voorzichtig en complex bewegen. Ze moeten vaak om elkaar heen dansen, wat veel energie kost en de reis vertraagt. Op een kwetsbare quantumcomputer (die snel fouten maakt door ruis) is dit te zwaar; de verkenners raken uitgeput voordat ze het dal bereiken.

2. De "Zachte Regels" Methode (Soft-coded Orthogonaliteit)

Dit is de nieuwe uitvinding van de auteurs.

• De Analogie: In plaats van een strenge leraar die direct ingrijpt, geven ze de verkenners een boete als ze elkaar te dicht naderen. Ze zeggen: "Jullie mogen elkaar wel bijna raken, maar als jullie dat doen, krijgen jullie een boete in jullie score."
• Het voordeel: De verkenners hebben veel meer vrijheid om zich natuurlijk te bewegen. Ze hoeven niet die complexe dans te doen om elkaar uit de weg te gaan. Hierdoor kunnen ze sneller en met minder energie (een shallower circuit) het dal bereiken.
• De magie: Omdat ze vrijer bewegen, vinden ze vaak betere routes. Aan het einde van de reis kijken ze naar hun scores en de boetes, en berekenen ze op een computer welk teamlid het dichtst bij het echte diepste dal zat.

Wat hebben ze bewezen?

De auteurs hebben dit getest op twee moeilijke puzzels:

1. Een geordend rooster (het Ising-model).
2. Een chaotisch, willekeurig rooster (een "spin-glas", alsof de bergen volledig willekeurig zijn opgeworpen).

De resultaten:

• De oude methode (één verkenner) en de strenge team-methode (hard-coded) bleven vaak steken in ondiepe kuilen of hadden te veel ruis.
• De nieuwe "Zachte Regels" methode (soft-coded) vond veel nauwkeurigere oplossingen (hoger "fidelity").
• Belangrijker nog: ze deden dit met minder complexe circuits. Op de huidige, kwetsbare quantumcomputers (de NISQ-era) is dit cruciaal. Hoe eenvoudiger de reis, hoe minder kans er is dat de computer uitvalt door ruis.

Samenvatting in één zin

In plaats van één verkenner te sturen of een team te dwingen om zich op een onnatuurlijke, strenge manier te gedragen, laat de nieuwe methode een team vrij bewegen met een zachte waarschuwing als ze te dicht bij elkaar komen; dit leidt tot snellere en nauwkeurigere resultaten op de huidige, kwetsbare quantumcomputers.

Het is alsof je een zoektocht doet in een mistig bos: de oude methode probeert iedereen op een strakke lijn te houden (wat moeilijk is in de mist), terwijl de nieuwe methode iedereen laat lopen maar een belletje laat rinkelen als ze te dicht bij elkaar komen, waardoor ze uiteindelijk sneller het pad vinden.

Technische samenvatting

Probleemstelling

Variational Quantum Eigensolvers (VQE) zijn een van de meest veelbelovende toepassingen voor het vinden van de grondtoestand van gesloten kwantumsystemen, vooral in het huidige NISQ-tijdperk (Noisy Intermediate-Scale Quantum). De standaard VQE benadering gebruikt een enkele geparametriseerde kwantumcircuit (een ansatz) om de verwachtingswaarde van de Hamiltoniaan te minimaliseren.

Bestaande geavanceerde methoden, zoals Subspace-Search VQE (SSVQE) en Multistate Contracted VQE (MCVQE), proberen de nauwkeurigheid te verbeteren door het zoekruimte uit te breiden naar een deelruimte (subspace) van meerdere toestanden. Deze methoden vereisen echter dat de toestanden die deze deelruimte vormen, hard-coded orthogonaal zijn. Dit betekent dat de orthogonaliteit wordt afgedwongen door de circuit-structuur zelf (bijvoorbeeld door dezelfde unitaire transformatie toe te passen op een set orthonormale basisvectoren).

De auteurs identificeren twee belangrijke beperkingen van deze bestaande aanpak:

1. Circuitdiepte: Het afdwingen van orthogonaliteit via de circuit-structuur vereist vaak diepere circuits, wat in het NISQ-tijdperk problematisch is vanwege decoherentie en ruis.
2. Expressiviteit en Convergentie: Standaard VQE en hard-coded subspace-methoden vertonen vaak een niet-monotoon gedrag in de fideliteit tijdens de optimalisatie. Hoewel de kostenfunctie daalt, kan de overlap met de echte grondtoestand juist afnemen omdat de algoritmen "vastlopen" in regio's die de overlap met aangeslagen toestanden (net boven de grondtoestand) maximaliseren in plaats van de grondtoestand zelf.

Methodologie

De auteurs stellen een nieuwe aanpak voor: Soft-coded Orthogonal Subspace Representations. In plaats van orthogonaliteit via de circuit-architectuur af te dwingen, wordt deze zachtjes (soft) afgedwongen via straftermen (penalty terms) in de kostenfunctie.

Kernprincipes van de methode:

• Onafhankelijke Circuits: Voor een subspace van dimensie $K$ worden $K$ onafhankelijke geparametriseerde circuits $U_p(\theta^{(p)})$ gebruikt, elk toegepast op dezelfde initiële toestand $|0\rangle$. De parameters $\theta^{(p)}$ zijn niet gerelateerd aan elkaar.
• Soft-coded Kostenfunctie: De kostenfunctie $C_K(\theta)$ bestaat uit twee delen:
  1. De gemiddelde energie van de $K$ toestanden.
  2. Een deflatie-term (strafterm) die de paarwijze overlappingen tussen de toestanden straft: $\beta \sum_{p<q} |\langle \psi_q | \psi_p \rangle|^2$.
     Hierbij is $\beta$ een hyperparameter die de strengheid van de orthogonaliteitsvereiste bepaalt.
• Post-Optimalisatie Diagonalisatie: Na convergentie wordt de Hamiltoniaan beperkt tot de gevonden deelruimte. Omdat de toestanden niet strikt orthogonaal zijn, moet een generaliseerde eigenwaardeprobleem worden opgelost: $H_{trc} \mathbf{c} = \lambda S \mathbf{c}$, waarbij $S$ de overlap-matrix is ($S_{pq} = \langle \psi_p | \psi_q \rangle$).
• Schatten van Matrixelementen: Voor de soft-coded methode moeten zowel de Hamiltoniaan-matrixelementen als de overlap-matrixelementen worden geschat. Dit gebeurt met behulp van een generaliseerde Hadamard-test (zie Figuur 1 in het artikel), die zowel reële als imaginaire delen van deze complexe matrixelementen meet.

Aannames:
De analyse focust op "agnostische" ansätze die geen gebruik maken van bekende symmetrieën van het Hamiltoniaan (A1) en waarbij de circuit-structuur tijdens de optimalisatie vast blijft (A2). Dit maakt de vergelijking eerlijk en toepasbaar op systemen met lage symmetrie, zoals spin-glass systemen.

Belangrijkste Bijdragen

1. Introductie van Soft-coded Orthogonaliteit: Een nieuwe formulering van subspace-VQE die orthogonaliteit via kostenfuncties in plaats van circuit-ontwerp afdwingt.
2. Verhoogde Expressiviteit: De auteurs betogen dat deze methode een hogere expressiviteit biedt dan hard-coded methoden. Omdat elke basisvector een onafhankelijke unitaire transformatie ondergaat, kan de lineaire combinatie van deze toestanden complex verstrengde toestanden genereren met ondiepere circuits.
3. Verbeterde Convergentie: De methode lost het probleem van niet-monotone fideliteit op dat vaak voorkomt bij standaard VQE en hard-coded methoden.
4. Benchmarking: Uitgebreide numerieke tests op twee modellen:
   • Een 3x3 Transverse-Field Ising (TFI) model (kritisch punt).
   • Een 4x4 Edwards-Anderson (EA) spin-glass model (disorder, lage symmetrie).

Resultaten

De numerieke resultaten, verkregen via klassieke simulatie (Qiskit Aer), tonen aan:

• Fideliteit: De soft-coded methode bereikt aanzienlijk hogere fideliteiten (>95-97% voor TFI, >80% voor EA) vergeleken met standaard VQE (~70-80%) en hard-coded subspace-methoden.
• Circuitdiepte: Soft-coded methoden bereiken hoge nauwkeurigheden met on diepere circuits. Terwijl hard-coded methoden vaak verzadigen bij lagere fideliteiten, zelfs met diepere circuits, presteert soft-ortho beter met minder parameters.
• Relatieve Winst (Gain Factor): De auteurs definiëren een "relative gain factor" ($G$). Voor het TFI-model bereikt soft-ortho een winstfactor van meer dan 10 (voor mediane runs) ten opzichte van standaard VQE. Zelfs voor de moeilijkere EA-spin-glass modellen (waar symmetrieën ontbreken) blijft soft-ortho superieur met een winstfactor rond de 2,5 tot 3, terwijl hard-coded methoden vaak niet beter presteren dan standaard VQE.
• Robuustheid: De spreiding in resultaten over meerdere onafhankelijke runs is veel kleiner voor soft-ortho, wat wijst op een robuustere convergentie.
• Dimensie $K$: Het verhogen van de subspace-dimensie $K$ boven $K=2$ levert voor deze specifieke modellen en ansatz-structuren geen significante extra winst op, maar vergroot wel de rekentijd en het risico op convergentieproblemen.

Betekenis en Conclusie

Deze studie toont aan dat het "soft-coden" van orthogonaliteitsbeperkingen een krachtige strategie is om de prestaties van VQE in het NISQ-tijdperk te verbeteren.

• Praktische Impact: Door de noodzaak van diepe circuits voor het afdwingen van orthogonaliteit te elimineren, wordt de methode minder gevoelig voor decoherentie en ruis. Dit maakt subspace-methoden praktischer voor huidige quantum hardware.
• Theoretisch Inzicht: De resultaten suggereren dat de beperkte expressiviteit van hard-coded circuits (waarbij alle toestanden dezelfde unitaire transformatie ondergaan) een bottleneck is. Het toestaan van onafhankelijke evoluties voor elke basisvector in de subspace verrijkt de zoekruimte aanzienlijk.
• Toekomstperspectief: De auteurs wijzen op de mogelijkheid om deze aanpak te combineren met adaptieve ansatz-technieken (zoals ADAPT-VQE) en om de effecten van shot-ruis en hardware-ruis verder te onderzoeken.

Kortom, de soft-coded orthogonale subspace-representatie biedt een efficiëntere en nauwkeurigere route naar het vinden van grondtoestanden dan traditionele hard-coded benaderingen, vooral in complexe, asymmetrische systemen.