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

Technische Samenvatting: Benchmarking van Kwantumsimulaties van het Lipkin-Meshkov-Glick-model met Grote Tensornetwerken

Probleemstelling
Nu kwantumcomputing volwassen wordt, is er een kritieke behoefte aan het benchmarken van de werkelijke probleemoplossende prestaties van Noisy Intermediate-Scale Quantum (NISQ)-apparaten tegenover concurrerende klassieke methoden. Hoewel hardwarekarakteriseringen (bijv. gate-getrouwheid, coherentietijd) standaard zijn, vangen deze de prestaties op relevante toepassingen niet volledig. Het Lipkin-Meshkov-Glick (LMG) model dient als een ideaal testbed voor deze vergelijking: het beschrijft een veel-deeltjes systeem met rijke fysieke verschijnselen, zoals kwantumfaseovergangen, maar blijft klassiek hanteerbaar genoeg om hoogwaardige referentiedata te genereren op schalen die buiten het bereik van exacte diagonalisatie liggen. Eerdere kwantumsimulaties van het LMG-model waren beperkt tot bescheiden systeemgroottes vanwege hardwarebeperkingen. Dit werk beoogt een grootschalige klassieke benchmark vast te stellen om de nauwkeurigheid en schaalbaarheid van populaire NISQ-algoritmen, specifelijk de Variational Quantum Eigensolver (VQE) en Sample-Based Quantum Diagonalization (SQD), te evalueren.

Methodologie
De studie maakt gebruik van een hybride aanpak waarbij gebruik wordt gemaakt van high-performance klassieke computing en NISQ-hardware:

1. Klassieke Benchmark (DMRG): De auteurs gebruikten het Density Matrix Renormalization Group (DMRG) algoritme, een tensornetwerkmethode, om de grondtoestandsenergieën van het LMG-Hamiltoniaan te berekenen. De simulaties werden uitgevoerd op de Perlmutter supercomputer bij NERSC. Het LMG-Hamiltoniaan werd gedefinieerd met parameters $\epsilon=1$, $W=0$, en variërende interactiesterktes $V$. De systeemgroottes varieerden van $N=2$ tot $N=1400$ deeltjes, met profiling-runs die uitliepen tot $N=1550$. Daarnaast werd een fasediagram gegenereerd voor $N \in [2, 100]$ en $V \in [0, 1]$ in stappen van 0,1.
2. Kwantumalgoritmen:
   • VQE: De Variational Quantum Eigensolver werd geïmplementeerd op een IBM Eagle kwantumprocessor. Om de exponentiële groei van de Hilbertruimte aan te pakken, werd een Hamiltonian-compressieschema toegepast, waarbij gebruik werd gemaakt van de symmetrieën van het model (specifiek $W=0$) om het systeem naar een collectieve spinbasis te mappen. Dit reduceerde de effectieve systeemgrootte, waardoor het gebruik van kleinere ansatze bestaande uit $R_y$ en CNOT-gates mogelijk werd.
   • SQD: Het Sample-Based Quantum Diagonalization algoritme werd eveneens gedraaid op de IBM-processor. Deze hybride aanpak gebruikte een ensemble van Dicke-state circuits om bitstrings te samplen die de symmetrie van het systeem reflecteren (vaste Hamming-gewicht pariteit). Deze samples werden gebruikt om de volledige Hamiltonian te projecteren in een gereduceerde subruimte, die vervolgens klassiek werd gediagonaliseerd. Foutmitigatie werd toegepast via symmetrie-gebaseerde post-selectie en bit-flip correctie om ervoor te zorgen dat de gesamplede subruimte de symmetrie-beperkte ruimte getrouw representeerde.

Belangrijkste Bijdragen
Het artikel levert twee primaire bijdragen aan het vakgebied van kwantum-benchmarking:

1. Grootschalige DMRG-dataset: De auteurs hebben een van de grootste datasets van LMG-grondtoestandsenergieën in de literatuur gegenereerd, wat nauwkeurige referentiewaarden biedt voor systemen tot 1400 deeltjes. Dit omvat een gedetailleerd fasediagram over interactiesterktes.
2. Vergelijkende Benchmarking: De studie biedt een rigoureuze vergelijking van VQE en SQD tegenover de DMRG-baseline op een IBM kwantumprocessor, waarbij prestatie-baselines worden vastgesteld en de specifieke schaalbeperkingen van elke methode in het NISQ-tijdperk worden geïdentificeerd.

Resultaten

• DMRG Prestaties: De DMRG-resultaten toonden een hoge betrouwbaarheid, met een nauwkeurigheid van meer dan 99,99% vergeleken met exacte numerieke oplossingen voor kleine systemen ($N \le 19$). De energiecurves voor grote $N$ vertoonden een gladde, monotone schaling, wat de convergentie van de tensornetwerkrepresentatie bevestigt. De computationele bottleneck werd geïdentificeerd als de $O(N^2)$ Hamiltonian constructie door all-to-all interacties, in plaats van tensorcontractie.
• VQE Prestaties: VQE behaalde resultaten binnen 1% fout voor kleine systemen ($N=6$). Echter, de nauwkeurigheid nam snel af naarmate de systeemgrootte toenam. Voorbij $N \approx 15$ overschreden de fouten de drempel van 1%, bereikend van ongeveer 17% bij $N=23$. De fouten groeiden gestaag, wat de moeilijkheid weerspiegelt van klassieke optimalisatie in de gecomprimeerde Hilbertruimte.
• SQD Prestaties: SQD demonstreerde een superieure nauwkeurigheid aan VQE binnen het toegankelijke regime. Voor $N \le 18$ behaalde SQD relatieve fouten onder de 1% (en zelfs onder de $10^{-12}\%$ voor $N \in [3, 15]$), waarmee het effectief de exacte oplossing benaderde. De prestaties werden echter strikt beperkt door het shot-budget (106 shots). Zodra het aantal basisstoestanden in de symmetriesector ($2^{N-1}$) de shot-limiet overschreed (rond $N \approx 20$), steeg de fout scherp, tot ongeveer 95% bij $N=50$.

Significantie en Claims
Het artikel beweert dat deze resultaten de duidelijke trade-offs tussen nauwkeurigheid, circuitdiepte en ruisbestendigheid in het NISQ-tijdperk benadrukken.

• Subspace-gebaseerde benaderingen: De auteurs suggereren dat subspace-gebaseerde benaderingen zoals SQD de beste balans kunnen vinden tussen nauwkeurigheid en middelenbeperkingen, mits de symmetriesector volledig gedekt kan worden door het beschikbare shot-budget.
• Noodzaak van Benchmarking: Het werk stelt dat voor kwantumcomputers om een werkelijk voordeel te tonen, ze de capaciteiten van klassieke tensornetwerkmethoden (zoals DMRG) op dezelfde probleem-Hamiltonians moeten overtreffen. De gegenereerde datasets dienen als een hoogwaardige referentie voor dit doel.
• Beperkingen: De studie concludeert bescheiden dat hoewel SQD veelbelovend is, de schaalbaarheid momenteel wordt beperkt door shot-budgetten en circuitdiepte. Evenzo worstelt VQE met het schalen naar grotere systeemgroottes zonder significante verbeteringen in ansatz-ontwerp of initialisatiestrategieën. De auteurs claimen geen kwantumvoordeel voor de huidige implementaties, maar gebruiken de data om de grenzen van de huidige NISQ-bruikbaarheid te definiëren.