Optimizing and Comparing Quantum Resources of Statistical Phase Estimation and Krylov Subspace Diagonalization

Titel: Optimalisatie en Vergelijking van Quantum Resources voor Statistische Fase-schatting en Krylov-ruimte Diagonalisatie

Auteurs: Oumarou Oumarou, Pauline J. Ollitrault, Stefano Polla, en Christian Gogolin.
Context: Dit onderzoek richt zich op de ontwikkeling van algoritmen voor vroege fout-tolerante quantumcomputers, waarbij de beperkte circuitdiepte en de noodzaak van resistentie tegen resterende ruis centraal staan.

1. Het Probleem

De eerste generaties van fout-tolerante quantumcomputers zullen werken met relatief lage code-afstanden, wat leidt tot beperkingen in de maximale circuitdiepte. Tegelijkertijd zullen langzamere logische poorttijden (vergeleken met de fysieke kloksnelheid) de acceptabele hoeveelheid herhalingen (shots) beperken.
Er is een dringende behoefte aan algoritmen die intrinsiek robuust zijn tegen ruis en efficiënt omgaan met het trade-off tussen circuitdiepte en bemonsteringskosten (sampling cost). Twee veelbelovende methoden voor het berekenen van eigenenergieën van moleculaire Hamiltonianen zijn:

1. Quantum Krylov Subspace Diagonalization (QKSD): Bouwt een benadering van de Hamiltoniaan op in een Krylov-ruimte.
2. Statistical Phase Estimation (SPE): Reconstructeert de cumulatieve spectrale verdeling om de grondtoestand te vinden.

Hoewel beide methoden vergelijkbare quantum-primitieven gebruiken (verwachtingswaarden van Chebyshev-polynomen), zijn hun schaalgedrag en resource-eisen fundamenteel verschillend. Er ontbrak een eenduidig kader om deze methoden direct en betekenisvol te vergelijken op basis van circuitdiepte en het totale aantal benodigde metingen.

2. Methodologie

De auteurs hebben een gemeenschappelijk raamwerk ontwikkeld waarbij beide methoden gebruikmaken van verwachtingswaarden van Chebyshev-polynomen van de Hamiltoniaan ($\langle T_k(\hat{H}) \rangle$), geïmplementeerd via "qubitized walk operators".

Belangrijke methodologische stappen:

• Hamiltoniaan Representatie: De studie gebruikt actieve ruimte Hamiltonianen voor vier moleculen: $Fe_2S_2$, $Fe_4S_4$, Co(salophen) en Naphthalene. Deze zijn geoptimaliseerd met een combinatie van Tensor Hypercontraction (THC) en Block-Invariant Symmetry-Shift (BLISS) om de norm ($\lambda$) en verschuiving ($\beta$) te minimaliseren.
• Klassieke Emulatie: Omdat exacte simulaties voor deze systemen klassiek onmogelijk zijn, gebruiken de auteurs Matrix Product State (MPS) en Density Matrix Renormalization Group (DMRG) benaderingen om de spectrale eigenschappen te simuleren.
• Optimalisatie van QKSD:
  • In plaats van asymptotische schattingen, wordt de prestatie van QKSD bepaald door klassieke emulatie van het algoritme met ruis.
  • Er wordt een strategie ontwikkeld om shots (metingen) optimaal te verdelen over de verschillende Chebyshev-momenten, gebaseerd op de gevoeligheid van de eindenergie voor elk moment (via automatische differentiatie).
  • Er wordt onderzocht of het "subsampling" van polynoomgraden (meten van alleen $k, k+\Delta k, \dots$) voordelig is.
• Verbetering van SPE:
  • De auteurs leiden strengere bovengrenzen af voor de truncatiefout van de benadering van de Heaviside-functie (gebruikt in SPE).
  • Ze tonen aan dat SPE in deze formulering Heisenberg-schaalgedrag bereikt ($K \propto \delta^{-1}$), waarbij $K$ de maximale polynoomgraad (circuitdiepte) is en $\delta$ de precisie.

3. Belangrijkste Bijdragen

1. Verbeterde Foutgrenzen voor SPE:
   De auteurs hebben de bovengrens voor de truncatiefout van de geschaalde error-functie (gebruikt om de Heaviside-functie te benaderen) aanzienlijk verscherpt. Dit resulteert in een reductie van de benodigde maximale polynoomgraad $K$ met een factor van ongeveer 2/3 om dezelfde precisie te garanderen, vergeleken met eerdere resultaten (Ref. 2).

2. Optimale Shot-Allocatie voor QKSD:
   In plaats van een uniforme verdeling van shots, gebruiken de auteurs automatische differentiatie om de gradiënt van de grondtoestandsenergie ten opzichte van elke Chebyshev-verwachtingswaarde te berekenen. Shots worden vervolgens evenredig verdeeld naar de absolute grootte van deze gradiënten. Dit minimaliseert de totale shot-count $M$ voor een gegeven precisie.

3. Inzicht in Subsampling en Ruis:
   De studie toont aan dat subsampling van polynoomgraden (grotere stapgrootte $\Delta k > 1$) in een ruisvrije setting de circuitdiepte kan verlagen. Echter, in aanwezigheid van shot-ruis is deze strategie niet voordelig. Het verkleinen van de stapgrootte verlaagt de eigenwaarden van de overlap-matrix, wat een veel strengere precisie vereist om deze boven het ruisniveau te onderscheiden. Dit leidt tot een kwadratische toename in het totale aantal benodigde shots, waardoor $\Delta k = 1$ (meten van alle graden) de meest efficiënte strategie blijft.

4. Directe Vergelijking:
   Voor het eerst wordt een rechtstreekse vergelijking gemaakt tussen QKSD en SPE op basis van dezelfde input-data (Chebyshev-verwachtingswaarden), waardoor een eerlijke afweging tussen circuitdiepte ($K$) en bemonsteringskosten ($M$) mogelijk is.

4. Resultaten

De resultaten zijn gebaseerd op simulaties voor moleculen met actieve ruimtes tot 54 elektronen in 36 orbitalen.

• Vergelijking QKSD vs. SPE:

  • QKSD: Vereist een veel lagere circuitdiepte (kleinere $K$) om chemische precisie te bereiken. De totale shot-count $M$ neemt sterk af naarmate de Krylov-dimensie $K$ toeneemt. Dit komt omdat de spectrale kloof in de overlap-matrix groter wordt, waardoor de grondtoestand makkelijker van de ruis te onderscheiden is.
  • SPE: Vereist een veel hogere circuitdiepte (grotere $K$), maar heeft een relatief constant en lager aantal shots nodig ($M \le 10^5$).
  • Conclusie: QKSD kan dezelfde precisie bereiken als SPE met een vergelijkbaar totaal aantal shots, maar dan met een polynoomgraad $K$ die ongeveer één orde van grootte lager is. Als $K$ voor QKSD te laag wordt, explodeert het aantal benodigde shots echter.

• Resource Schattingen:

  • Voor alle onderzochte systemen lijkt een totaal aantal shots rond de $10^5$ noodzakelijk om chemische precisie te bereiken.
  • QKSD is aantrekkelijker voor hardware met beperkte foutcorrectie omdat het kan werken met lagere $K$ (dieper circuit), mits er voldoende shots beschikbaar zijn om de ruis te onderdrukken.
  • SPE is robuuster tegen circuitdiepte-beperkingen maar vereist diepere circuits.

• Effect van Hamiltoniaan Normalisatie:
  Het gebruik van THC-BLISS verlaagt de norm van de Hamiltoniaan aanzienlijk, wat direct leidt tot een lagere benodigde circuitdiepte voor beide methoden.

5. Betekenis en Conclusie

Dit werk biedt een cruciaal inzicht in de praktische haalbaarheid van quantumalgoritmen voor moleculaire simulaties op vroege fout-tolerante hardware.

• Strategische Keuze: De keuze tussen QKSD en SPE hangt af van de hardware-beperkingen. Als de maximale circuitdiepte streng beperkt is (door decoherentie of lage foutcorrectie), is QKSD superieur omdat het met lagere $K$ werkt. Als de diepte minder beperkend is maar het aantal herhalingen beperkt is, kan SPE een optie zijn.
• Ruisbeheer: De studie benadrukt dat het optimaliseren van de shot-verdeling en het vermijden van onnodige subsampling essentieel is om de voordelen van QKSD te realiseren in een realistische, ruizige omgeving.
• Toekomstperspectief: De auteurs suggereren dat de combinatie van deze methoden met geavanceerde Hamiltoniaan-factories (zoals DF-THC) de normen verder kan verlagen, waardoor de circuitdiepte en het aantal niet-Clifford-poorten voor beide methoden verder kunnen worden gereduceerd.

Samenvattend biedt dit onderzoek een gedetailleerde blauwdruk voor het toewijzen van quantumresources en helpt het bij het bepalen van de meest geschikte strategie voor het simuleren van complexe moleculaire systemen in de nabije toekomst.