Reducing quantum measurements in qubit-based overlapping grouping methods for quantum energy estimation through better initializations

Technische Samenvatting: Vermindering van Kwantummetingen in Qubit-gebaseerde Overlapping Groeperingsmethoden door Betere Initialisaties

Probleemstelling
Het schatten van de verwachtingswaarden van Hamiltonia's is een centrale flessenhals in variatie-kwantumalgoritmen (VQA's) voor elektronische structuur en kwantummachine learning. Het aantal Pauli-woorden in moleculaire Hamiltonia schaalt als $O(N_q^4)$, waardoor directe meting van elke term onpraktisch is. Hoewel groeperingsstrategieën (het partitioneren van Pauli-woorden in compatibele verzamelingen) deze kosten verminderen, vertrouwen geavanceerde overlappende methoden, zoals Iterative Coefficient Splitting (ICS) en Shared Pauli Products (SPP), op een initiële set niet-overlappende "seed"-fragmenten. Deze seeds worden doorgaans gegenereerd met het Sorted Insertion (SI) algoritme, dat termen ordent op basis van de grootte van de coëfficiënt ($|c_i|$). Recente bevindingen suggeren dat de kwaliteit van deze initiële niet-overlappende groepering de uiteindelijke meetkosten van overlappende methoden aanzienlijk beïnvloedt, terwijl de optimalisatie van deze initialisaties een onderbelicht gebied blijft.

Methodologie
De auteurs introduceren Variance-Aware Sorted Insertion (VarSI), een familie van covariantie-geïnformeerde heuristische algoritmen ontworpen om superieure niet-overlappende Pauli-groeperingen te genereren. In tegen tegenstelling tot standaard SI, dat sorteert op coëfficiëntgrootte ($|c_i|$), maakt VarSI gebruik van een woordenboek van Pauli-covarianties (die al vereist zijn door overlappende methoden zoals ICS) om kandidaat-inserties te scoren op basis van hun impact op de totale meetvariantie.

Het artikel definieert drie primaire varianten:

1. VarSI-O (Ordered): Een analogon aan SI dat termen sorteert op basis van hun enkelvoudige term-variantiebijdrage ($v_i = c_i^2 C_{ii}$) en ze in de compatibele groep plaatst die de totale meetdoelstelling $\epsilon^2_M$ minimaliseert.
2. VarSI-G (Global Greedy): Een computationeel duurdere aanpak die dynamisch de volgende term en de bijbehorende groep selecteert om de onmiddellijke variantie te minimaliseren, in plaats van een vaste gesorteerde volgorde te volgen.
3. VarSI-R (Refinement): Een lokale verfijningsstap toegepast op groeperingen gegenereerd door SI of VarSI-O. Het voert een sweep uit van één-term relocaties tussen compatibele groepen, waarbij bewegingen alleen worden geaccepteerd als ze de meetdoelstelling strikt verminderen.

De meetdoelstelling wordt gedefinieerd als $\epsilon^2_M(G) = (\sum_{\alpha} \sqrt{\text{Var}_\psi(H_\alpha)})^2$. De algoritmen maken gebruik van de covariantie-update regel (Vergelijking 9 in de tekst) om efficiënt de variantieverandering te berekenen wanneer een term wordt toegevoegd aan of verwijderd uit een groep. De computationele kosten van VarSI-O zijn vergelijkbaar met SI ($O(N^2 n_q)$), terwijl VarSI-G kubisch schaalt ($O(N^3)$).

Belangrijkste Bijdragen

• Afleiding van Covariantie-updates: De auteurs leiden een specifieke covariantie-update regel af die efficiënte scoring van kandidaat-inserties mogelijk maakt zonder volledige groepsvarianties vanaf nul opnieuw te berekenen.
• Algoritmisch Kader: De voorstel van VarSI-O, VarSI-G, en hun verfijningsvarianten (VarSI-R, VarSI-OR) als een systematische manier om niet-overlappende Pauli-groeperingen te verbeteren met behulp van covariantiegegevens.
• Integratie met Overlappende Methoden: Het aantonen dat deze verbeterde niet-overlappende groeperingen dienen als effectieve initialisaties voor het ICS-algoritme, waardoor een pijplijn ontstaat waar betere seeds leiden tot betere uiteindelijke estimators.

Resultaten
De methoden werden getest op 130 moleculaire Hamiltonians (inclusief LiH, BeH$_2$, H$_2$O, NH$_3$, en waterstofketens H$_4$–H$_8$) met behulp van Jordan-Wigner (JW), Bravyi-Kitaev (BK) en Parity mappings. Covariantie-woordenboeken werden geconstrueerd met ofwel exacte grondtoestands-golffuncties of benaderde Coupled Cluster with Single and Double excitations (CISD) golffuncties.

• Prestaties van Niet-Overlappende Groeperingen: De verfijningsvarianten (VarSI-R en VarSI-OR) verminderden de meetvereisten consistent met 35–39% ten opzichte van standaard SI over de gehele dataset, ongeacht de bron van de covariantie of de qubit-mapping. VarSI-G slaagde er over het algemeen niet in om SI te overtreffen in niet-overlappende settings.
• Prestaties van Overlappende (ICS) Groeperingen: Wanneer gebruikt als initialisatie voor ICS, bereikten de VarSI-gebaseerde groeperingen significante reducties in metingen ten opzichte van standaard SI-ICS:
  • Met exacte grondtoestands-covarianties: Gemiddelde reducties van 9,2–10,1% (JW) en 7,1–13,1% (BK), met maximale reducties tot 70%.
  • Met CISD-covarianties: Gemiddelde reducties van 11,1–15,3%, met maximale reducties tot 70,7%.
• Sterk Gecorreleerde Systemen: In taken betreffende de Potential Energy Surface (PES) van N$_2$ en waterstofketens, verminderde de VarSI-OR-ICS initialisatie het totaal aantal benodigde metingen om een nauwkeurigheid van 1 mEh te bereiken met miljoenen vergeleken met SI-ICS. Voor de N$_2$ dissociatiecurve vertaalde dit zich naar ongeveer 1 uur minder QPU-runtime voor de VarSI-OR-ICS methode.
• Robuustheid: Over 418 testinstanties was de standaard SI-initialisatie strikt beter dan de voorgestelde VarSI-initialisaties in slechts 5 gevallen (allemaal gebruikmakend van benaderde CISD-varianties), wat de consistentie van de verbetering aantoont.

Betekenis
Dit artikel stelt vast dat de initiële niet-overlappende groepering een "cruciale ontwerpstap" blijft, zelfs wanneer de uiteindelijke estimator overlappende fragmenten gebruikt. Door gebruik te maken van covariantie-woordenboeken die al noodzakelijk zijn voor overlappende methoden, biedt VarSI een laag-overhead pad om de meetkosten te verlagen. De auteurs beweren dat deze verbeterde initialisaties de computationeel goedkopere ICS-methode in staat stellen om te concurreren met duurdere frameworks zoals SPP. Verder suggereren de resultaten dat middelenbesparingen van wel 1 uur aan QPU-tijd haalbaar zijn in veelvoorkomende kwantumchemische toepassingen, wat de praktische waarde benadrukt van het optimaliseren van de "seed" van het proces van metingsallocatie. Het werk merkt ook op dat de klassieke overhead voor het genereren van covariantie-woordenboeken kan worden gemitigeerd met behulp van machine learning technieken of getrainde golffuncties, hoewel deze uitbreiding buiten de huidige scope valt.