Resumo Técnico: Aprendizado de Circuitos de Preparação de Estados para Fases da Matéria Quântica

Declaração do Problema

A simulação de sistemas físicos em computadores quânticos requer a preparação eficiente de estados fundamentais de muitos corpos. Embora a simulação de dinâmica tenha visto avanços algorítmicos significativos (ex: qubitização, combinação linear de unitárias), a preparação do estado fundamental inicial permanece um gargalo. Métodos tradicionais, como a estimativa de fase quântica, exigem um estado inicial com alta sobreposição com o estado fundamental alvo, necessitando de um método para encontrar um circuito de baixa complexidade que prepare o estado.

Abordagens existentes frequentemente dependem de descrições clássicas eficientes do estado (ex: redes de tensores, estados estabilizadores) ou assumem que o estado é preparável por um circuito de profundidade constante. Um método recente [18] demonstrou que circuitos de preparação de estado poderiam ser aprendidos a partir de matrizes de densidade reduzidas (RDMs) sobre subsistemas de tamanho $O(1)$, mas era restrito a uma e duas dimensões e aplicava-se apenas a estados preparáveis por circuitos de profundidade constante sem ancilas. Isso exclui fases físicas importantes, como estados com ordem topológica de curto alcance (ex: o código de toros), que não podem ser preparados por circuitos de profundidade constante e requerem profundidades de circuito que escalam com o tamanho do sistema (ex: $\Omega(\sqrt{n})$ em 2D).

Este artigo aborda o desafio de aprender circuitos de preparação de estado para uma classe mais ampla de fases quânticas, incluindo:

1. Estados de emaranhamento de curto alcance (invertíveis) em dimensões arbitrárias, potencialmente envolvendo qubits ancila.
2. Estados de emaranhamento de longo alcance (especificamente aqueles com ordem topológica "líquida") em duas dimensões, como o código de toros e modelos de rede de cordas (string-net), desde que sejam estados fundamentais únicos (ex: em uma esfera) ou subsistemas destes.

Metodologia

O arcabouço teórico central baseia-se no conceito de estados localmente extensíveis, uma relaxação da condição de cadeia de Markov quântica.

1. Extensibilidade Local e Recuperação

Um estado é definido como localmente extensível se sua matriz de densidade reduzida sobre uma partição específica de subsistemas (ex: $BCDE$) puder ser recuperada de uma partição menor (ex: $BE$) via um canal quântico. Especificamente, para uma purificação $\rho_{ABCDE}$, existe um canal $\Phi: \mathcal{D}_{BE} \to \mathcal{D}_{BC}$ tal que $\rho_{ABC} = I_A \otimes \Phi(\rho_{ABE})$.

• Robustez: Diferente da condição padrão de cadeia de Markov quântica, que é frágil sob circuitos de profundidade constante, a propriedade de extensibilidade local (especificamente para as partições definidas no artigo) é provada como estável sob circuitos geometricamente locais de profundidade constante, desde que os subsistemas sejam suficientemente grandes em relação à profundidade do circuito.
• Verificação: Os autores fornecem um algoritmo clássico de tempo polinomial para verificar a extensibilidade e encontrar o canal de extensão. Isso é formulado como um problema de programação semidefinida (SDP) que maximiza a fidelidade da recuperação. Alternativamente, se a arquitetura do circuito do mapa de extensão for conhecida, uma busca por força bruta sobre as portas pode ser realizada.

2. Construção de Circuito via Costura (Stitching)

O circuito de preparação de estado global é construído "costurando" juntos os mapas de extensão locais.

• Estados de emaranhamento de curto alcance: O estado global é construído aplicando sequencialmente mapas de extensão que conectam regiões disjuntas, efetivamente crescendo o estado de manchas locais para o sistema global. Isso resulta em um circuito de profundidade constante (ou $O(kd)$ em $k$ dimensões).
• Estados de emaranhamento de longo alcance: Para estados como o código de toros, a construção segue um padrão sequencial (semelhante a um circuito sequencial) que constrói o estado camada por camada. Isso resulta em um circuito de profundidade escalando como $O(\sqrt{n})$ em 2D, o que é assintoticamente ótimo para circuitos geometricamente locais.

3. Algoritmo de Aprendizado

O algoritmo de aprendizado opera da seguinte forma:

1. Tomografia: Realizar tomografia de estado local em bolas de tamanho $O(1)$ para obter matrizes de densidade reduzidas aproximadas.
2. Aprendizado de Extensão: Usar o método SDP (ou força bruta) para aprender os canais de extensão para essas RDMs locais.
3. Acúmulo de Erro: O algoritmo aumenta iterativamente o raio das bolas locais se o erro acumulado exceder o alvo.
4. Composição: Os mapas de extensão aprendidos são compostos para formar o circuito de preparação de estado global.
5. Certificação: Se as condições locais (extensibilidade) forem satisfeitas, o circuito resultante é garantido para preparar o estado alvo dentro de uma distância de traço especificada. Se o estado não pertencer à classe alvo, o algoritmo pode falhar em encontrar um circuito em tempo polinomial, mas qualquer circuito encontrado é rigorosamente certificado.

Principais Contribuições e Resultados

1. Generalização para Dimensões Arbitrárias e Ancilas

Os autores apresentam um algoritmo para estados invertíveis (estados preparáveis por circuitos de profundidade constante com ancilas) em qualquer número de dimensões espaciais $k$.

• Teorema 1: Dados amostras de um estado de $n$ qubits invertível preparado por um circuito de profundidade-$d$, o algoritmo aprende um circuito com distância de traço $\epsilon$.
  • Complexidade: Pode produzir um circuito de profundidade $O(ke^{O(dk)})$ em tempo $\tilde{O}(e^{O(dk)}n^3/\epsilon^2)$, ou um circuito de profundidade $O(kd)$ em tempo $O((n/\epsilon)^{O(dk)})$.
  • Significância: Isso generaliza o trabalho anterior [18] para dimensões mais altas e para a classe mais geral de estados invertíveis (incluindo os que requerem ancilas, como o estado $E_8$ de Kitaev).

2. Aprendizado de Estados de Longo Alcance em 2D

Os autores apresentam um algoritmo para uma subclasse de estados de emaranhamento de longo alcance (ordem topológica líquida) em duas dimensões, incluindo o código de toros e modelos de rede de cordas (string-net) em um disco com condições de contorno uniformes.

• Teorema 2 (Informal): Dadas amostras de um estado de $n$ qubits formado pela aplicação de um circuito de profundidade-$d$ a um estado de emaranhamento de longo alcance que satisfaz condições locais específicas, o algoritmo aprende um circuito geometricamente local.
  • Escopo: O resultado aplica-se especificamente a estados que são estados fundamentais únicos (ex: o código de toros em uma esfera) ou subsistemas de tais estados. O requisito de entrada específico do algoritmo é um estado em um disco com uma condição de contorno uniforme (ex: o estado fundamental do código de toros em um disco com uma borda suave). Não se aplica a subespaços fundamentais com degenerescência onde existem estados localmente indistinguíveis (ex: código de toros com bordas suaves e ásperas mistas).
  • Complexidade: Pode produzir um circuito de profundidade $O(\sqrt{n}e^{O(d^2)})$ em tempo $\tilde{O}(n^3/\epsilon^2)$, ou um circuito de profundidade $O(d\sqrt{n})$ em tempo $O((n/\epsilon)^{O(d^2)})$.
  • Otimalidade: A profundidade de escala $\sqrt{n}$ é provada como assintoticamente ótima para circuitos localmente geométricos que preparam estados fundamentais de ordem topológica.

3. Robustez e Certificação

O método baseia-se na estabilidade da extensibilidade local sob circuitos de profundidade constante. Isso permite que o algoritmo aprenda circuitos para estados que são perturbações de fases ideais. Além disso, o algoritmo fornece uma garantia rigorosa: se ele produz um circuito, esse circuito prepara o estado com a precisão prometida, independentemente de o estado de entrada ser conhecido como pertencente à classe alvo a priori.

Significância e Alegações

O artigo afirma fornecer um arcabouço flexível e eficiente para obter circuitos de preparação de estado para uma grande classe de estados fundamentais de muitos corpos diretamente de matrizes de densidade reduzidas locais.

• Ponte entre Teoria e Experimento: O método permite aprender circuitos de preparação de estado diretamente de simuladores quânticos ou computadores quânticos usando sombras clássicas (classical shadows), sem a necessidade de uma descrição clássica completa da função de onda global.
• Lidando com Ordem Topológica: Ele aborda com sucesso o problema de aprendizado para estados de emaranhamento de longo alcance (ordem topológica líquida), que estavam anteriormente fora do alcance de métodos de aprendizado de circuitos de profundidade constante, sujeitos à restrição de estados fundamentais únicos ou seus subsistemas.
• Tratabilidade Clássica: O cenário de otimização para encontrar os mapas de extensão é classicamente tratável (via SDP), evitando a complexidade exponencial associada ao aprendizado de estados quânticos arbitrários.
• Otimalidade: Para estados de emaranhamento de longo alcance, os circuitos aprendidos alcançam a escala de profundidade assintoticamente ótima ($\Omega(\sqrt{n})$) exigida pelas restrições de localidade.

Os autores observam que sua abordagem é limitada a fases topológicas "líquidas" e não cobre atualmente fases de fractons ou estados com subespaços fundamentais degenerados que são localmente indistinguíveis. Eles também deixam a extensão para unitárias quase-locais e circuitos adaptativos como problemas abertos para trabalhos futuros.