Quantum State Preparation with the QNN-based SRBB Algorithm

Resumo Técnico: Preparação de Estado Quântico com o Algoritmo SRBB baseado em QNN

Declaração do Problema
A Preparação de Estado Quântico (QSP) é um sub-rotina fundamental em numerosos algoritmos quânticos, incluindo Aprendizado de Máquina Quântica (QML), resolvedores de equações lineares e simulação de Hamiltoniana. O objetivo é construir um operador unitário $U$ tal que $U|0\rangle^{\otimes n} = |\psi\rangle$, onde $|\psi\rangle$ é um estado desejado de $n$ qubits. Embora existam algoritmos de QSP exatos (por exemplo, usando Rotações Uniformemente Controladas), eles frequentemente sofrem com profundidade e contagens de portas exponenciais ($O(2^n)$), tornando-os inviáveis para hardware de curto prazo (near-term). Além disso, muitas abordagens existentes dependem de qubits auxiliares (ancillas) para alcançar melhores compromissos entre espaço e tempo, o que aumenta os requisitos de hardware. O desafio reside em desenvolver um método de QSP aproximado que minimize os recursos (especificamente a contagem de CNOT e a profundidade do circuito) enquanto mantém alta precisão, sem depender de qubits auxiliares.

Metodologia
Os autores propõem um novo algoritmo quântico variacional estruturado na Base de Bloco Recursiva Padrão (SRBB), uma construção hierárquica para a álgebra de matrizes do grupo $SU(2^n)$. A metodologia aproveita as propriedades topológicas e algébricas de grupos de Lie para projetar um Circuito Quântico Variacional (VQC).

1. Estrutura Teórica (SRBB e Álgebras de Lie):

   • O algoritmo é fundamentado na decomposição do grupo unitário $U(2^n)$ em um produto local de $U(1)$ e $SU(2^n)$. A SRBB fornece uma base recursiva para a álgebra de Lie $\mathfrak{su}(2^n)$.
   • Crucialmente, os autores restringem o ansatz variacional à subálgebra diagonal (o fator $Z$) da SRBB. Embora a SRBB completa inclua componentes fora da diagonal ($\Psi$ e $\Phi$ fatores) necessários para a síntese unitária geral, o componente diagonal sozinho é suficiente para parametrizar matrizes unitárias diagonais.
   • Ao utilizar a identidade $R_y(\gamma) = SH \cdot R_z(\gamma) \cdot HS^\dagger$, os autores mapeiam a estrutura tradicional de "escada" da QSP (composta por Portas Uniformemente Controladas ou UCGs) em um circuito composto inteiramente por portas $S$, $H$ e $R_z$. Isso permite que o fator $Z$ diagonal da SRBB aproxime os módulos das amplitudes do estado alvo, enquanto um bloco separado lida com as fases.

2. Arquitetura do Algoritmo:

   • O proposto Rede Neural Quântica (QNN) opera em duas etapas de treinamento distintas para evitar conflitos de otimização:
     • Aprendizado do Módulo: A primeira parte do circuito aproxima as amplitudes reais (módulos) do estado alvo usando o fator $Z$ diagonal da SRBB.
     • Aprendizado da Fase: A segunda parte aproxima as fases complexas do estado alvo.
   • A profundidade do circuito é otimizada ao explorar a estrutura recursiva do fator $Z$ da SRBB, que utiliza um padrão de Código de Gray para minimizar as portas CNOT. A profundidade resultante escala como $D(n) \approx 6 \cdot 2^n - n^2/2 + 7n/2 - 3$, o que é competitivo com os limites assintoticamente ótimos alcançados por outros métodos, mas sem o uso de qubits auxiliares.

3. Otimização e Funções de Perda:

   • O algoritmo é testado usando dois otimizadores: Adam (usado com funções de perda de Fidelidade e Distância de Traço) e Nelder-Mead (usado com Norma de Frobenius).
   • O treinamento minimiza a distância entre o estado produzido pelo VQC e o estado alvo (ou a matriz unitária ideal).

Principais Contribuições
O artigo apresenta quatro contribuições primárias:

1. Novo Algoritmo: Propõe um caso de uso específico da hierarquia SRBB para QSP aproximada, enquadrando-a como um problema variacional.
2. Redução de Profundidade: Implementa a estrutura tradicional de escada da QSP usando apenas a subálgebra diagonal otimizada para CNOT da SRBB. Isso reduz a profundidade do circuito e a contagem de CNOS por um fator exponencial em comparação ao uso da álgebra completa, aproximando-se dos limites assintoticamente ótimos sem qubits auxiliares.
3. Avaliação Abrangente: O desempenho é avaliado através de estados aleatórios, estados esparsos e distribuições de probabilidade uniformes para sistemas variando de 2 a 8 qubits em simulação.
4. Validação em Dispositivos Reais: O algoritmo é testado em hardware quântico real (IQM Deneb, IQM Garnet, Rigetti Ankaa-3 e IonQ Forte1) para avaliar o desempenho em ambientes ruidosos.

Resultados

• Simulação:

  • Para até 4 qubits, o algoritmo atinge alta precisão com erros variando de $10^{-13}$ a $10^{-15}$ usando o otimizador Nelder-Mead.
  • O otimizador Adam mostra tempos de treinamento mais longos para contagens de qubits pequenas, mas não escala exponencialmente em tempo, mantendo alta precisão para até 4 qubits.
  • O desempenho degrada conforme o número de qubits aumenta além de 4; para 8 qubits, os erros sobem para aproximadamente $10^{-3}$.
  • A rede reproduz com sucesso estados específicos como os estados Bell e GHZ com alta fidelidade em simulação.

• Hardware Real:

  • Em dispositivos reais (2–5 qubits), o algoritmo obtém bons resultados para pequenos números de qubits, embora o desempenho varie significativamente dependendo do estado alvo.
  • Para estados específicos como superposições uniformes e estados Bell, a distância de Hellinger é relativamente baixa (ex: $\sim 0,01$ a $0,12$ para 2 qubits).
  • Para estados esparsos ou distribuições mais complexas, o erro aumenta significativamente (ex: distância de Hellinger $\sim 0,74$ para um estado esparso de 4 qubits no IQM Deneb).
  • Aumentar o número de shots (de 1024 para 8192) em dispositivos Rigetti não trouxe melhorias significativas no desempenho, sugerindo que o ruído e a profundidade do circuito são os fatores limitantes, e não o ruído de shot.

Significância e Alegações
Os autores afirmam que este trabalho fornece um novo esquema para a preparação de estado quântico aproximada dentro de um framework variacional que liga explicitamente os parâmetros variacionais à geometria dos grupos unitários. A principal significância reside na capacidade de reduzir os recursos do circuito (CNTs e profundidade) ao explorar a subálgebra diagonal da SRBB, aderindo assim ao "princípio de relaxamento" de minimizar recursos enquanto se mantém a precisão.

O artigo reconhece modestamente as limitações atuais:

• Escalabilidade: O algoritmo enfrenta desafios com o aumento do número de qubits, onde o otimizador tem dificuldade em convergir efetivamente, provavelmente devido à complexidade do cenário paramétrico (potenciais Planaltos Estéreis/Barren Plateaus).
• Ruído de Hardware: Em dispositivos reais, o erro não é fixo, mas varia significativamente dependendo do estado alvo específico, indicando sensibilidade ao ruído e à complexidade do estado.
• Trabalhos Futuros: Os autores sugerem que pesquisas futuras comparem este framework com algoritmos de QSP estabelecidos e técnicas de codificação (como Codificação de Amplitude), otimizem ainda mais as portas de rotação e analisem o cenário de otimização para mitigar problemas de convergência em sistemas maiores.

O trabalho não afirma resolver o problema da QSP para sistemas de grande escala de forma imediata, mas demonstra uma abordagem viável e eficiente em recursos para contagens de qubits de pequeno a moderado, que faz a ponte entre a teoria de álgebra de Lie e circuitos quânticos variacionais práticos.