Hybrid VQE-CVQE algorithm using diabatic state preparation

O artigo propõe um algoritmo híbrido VQE-CVQE que utiliza preparação de estado diabático para operadores unitários parametrizados, demonstrando sua eficácia em alcançar precisão química tanto em computadores quânticos de escala intermediária quanto em futuros computadores com correção de erros por meio de simulações no processador IBM Brisbane.

O essencial

A Visão Geral: Um Esforço de Equipe Híbrido

Imagine que você está tentando encontrar o ponto mais baixo de uma vasta e enevoada cordilheira (isso representa encontrar o estado de energia mais estável de uma molécula complexa). Você tem duas ferramentas:

1. Uma Bússola Quântica: Um dispositivo poderoso, mas atualmente "ruidoso", que pode apontar para uma direção geral, mas não é perfeito.
2. Um Mapa Clássico: Um computador muito inteligente, excelente em processar números, mas que não consegue ver a montanha inteira de uma só vez.

Este artigo propõe uma nova maneira de unir essas duas ferramentas. Em vez de pedir à Bússola Quântica para fazer todo o trabalho sozinha (o que é difícil porque ela é ruidosa) ou pedir ao Mapa Clássico para adivinhar a montanha inteira (o que é grande demais para calcular), eles trabalham juntos em uma corrida de revezamento específica.

O Processo de Três Etapas

Etapa 1: O Salto "Diabático" (A Parte Quântica)
Normalmente, para encontrar o fundo da montanha, você tentaria descer lentamente e com cuidado (isso é chamado de preparação "adiabática"). Mas nos computadores quânticos ruidosos de hoje, caminhar lentamente leva muito tempo, e o ruído atrapalha você antes de chegar lá.

Os autores sugerem uma abordagem diferente: O "Salto Diabático".
Pense nisso como dar um salto rápido e bruto montanha abaixo, em vez de uma caminhada lenta e cuidadosa. Você não pousa perfeitamente no fundo, mas pousa em um "bom bairro" perto do fundo.

• A Alegação do Artigo: Mesmo que este salto seja bruto e rápido (usando pouquíssimos passos), ele ainda o leva a uma região onde o estado fundamental (a energia mais baixa) provavelmente está escondido. Isso é crucial porque significa que você não precisa de um computador quântico perfeito e livre de erros para obter um ponto de partida útil.

Etapa 2: Lançar uma Rede (A Medição)
Depois que o computador quântico faz esse salto bruto, ele não fornece apenas uma resposta. Em vez disso, ele tira uma "fotografia" de onde pousou. Como o mundo quântico é probabilístico, ele pode pousar em pontos ligeiramente diferentes a cada vez.

• A Analogia: Imagine lançar uma rede sobre a área onde você pousou. A rede captura uma coleção de "estados" (ou posições) específicos.
• A Alegação do Artigo: O algoritmo pega essas posições capturadas e usa as regras da física (o Hamiltoniano) para encontrar todos os pontos vizinhos conectados a elas. Isso cria um "subespaço" pequeno e gerenciável ou um mini-mapa da área mais promissora.

Etapa 3: A Linha de Chegada Clássica (A Otimização)
Agora, o trabalho é entregue ao Computador Clássico.

• A Analogia: O Computador Clássico olha para o pequeno "mini-mapa" criado pela rede. Ele não precisa resolver a montanha inteira; ele só precisa encontrar o ponto mais baixo dentro daquela pequena rede.
• A Alegação do Artigo: O computador clássico resolve esse pequeno quebra-cabeça perfeitamente. O resultado é um cálculo de energia altamente preciso, embora o computador quântico tenha feito apenas um trabalho bruto.

Por Que Isso Importa: Três Diferentes "Regimes"

O artigo explica que este método funciona de forma diferente dependendo de quão bom é o seu computador quântico. Eles identificam três "regimes" (cenários):

1. O Regime "Ruidoso" (Computadores de Hoje):

   • Situação: O computador quântico é muito ruidoso. Se você tentar fazer muitos passos, o ruído estraga a resposta.
   • Solução: O artigo descobriu que, para as máquinas de hoje (como o IBM Brisbane que testaram), a melhor estratégia é dar apenas um salto gigante (1 passo). Surpreendentemente, fazer mais passos na verdade piorava a resposta porque o ruído se acumulava.
   • Resultado: Eles obtiveram resultados precisos o suficiente para a química (dentro da "precisão química") usando apenas um passo e um ajuste clássico.

2. O Regime "Médio" (Futuro Próximo):

   • Situação: O computador é melhor, mas não é perfeito.
   • Solução: Você pode dar alguns passos. O computador quântico o leva para perto, e o computador clássico faz o refinamento. Você não precisa ajustar constantemente as configurações; o método é robusto.

3. O Regime "Perfeito" (Futuro Distante):

   • Situação: Temos computadores quânticos perfeitos, com correção de erros.
   • Solução: Você pode fazer a caminhada lenta e cuidadosa (preparação adiabática) até o fundo. O computador quântico faz quase todo o trabalho, e o computador clássico apenas confirma.

A Conclusão Principal

O artigo demonstra que você não precisa de um computador quântico perfeito para resolver problemas de química complexos. Ao usar um "salto bruto" (preparação de estado diabático) para obter um bom palpite inicial, e depois deixar um computador clássico fazer o ajuste fino em uma fatia pequena e gerenciável do problema, você pode obter resultados altamente precisos mesmo em máquinas imperfeitas como as de hoje.

Eles testaram isso em um sistema simulado de 8 orbitais e em um computador quântico real com 50 níveis de energia, provando que esta abordagem "híbrida" funciona bem através de diferentes estágios de desenvolvimento tecnológico.

Resumo técnico

Resumo Técnico: Algoritmo Híbrido VQE-CVQE Usando Preparação de Estado Diabático

Definição do Problema
Os algoritmos atuais de computação quântica enfrentam uma dicotomia entre aqueles projetados para dispositivos de Escala Intermediária com Ruído (NISQ) e aqueles que requerem computadores Quânticos Tolerantes a Falhas (FTQ). Algoritmos como a Estimativa de Fase Quântica e a Preparação de Estado Adiabática exigem circuitos de profundidade longa e precisos, viáveis apenas em hardware FTQ, que ainda não está disponível. Por outro lado, algoritmos próximos, como o Eigensolver Variacional Quântico (VQE) e o Eigensolver Variacional Quântico em Cascata (CVQE), operam em dispositivos NISQ, mas frequentemente têm dificuldade em escalar com o aumento do tamanho dos problemas devido às limitações de seus ansatzes variacionais. Os autores visam preencher essa lacuna propondo um algoritmo híbrido que funcione efetivamente através de diferentes estágios de desenvolvimento de hardware quântico, desde os dispositivos ruidosos atuais até sistemas futuros com correção de erros.

Metodologia
O método proposto é um algoritmo híbrido VQE-CVQE que utiliza a preparação de estado diabático para gerar um "estado guia". O processo, representado na Figura 1 e detalhado na Tabela I, procede da seguinte forma:

1. Inicialização: O registrador quântico é inicializado no estado fundamental $|\Phi_0\rangle$ de um modelo de Hamiltoniano simples e conhecido $\hat{H}_0$.
2. Evolução Diabática: Um operador unitário parametrizado $\hat{U}(N_\tau, \Delta\tau)$ é aplicado ao registrador. Este operador evolui o sistema de $\hat{H}_0$ para o Hamiltoniano alvo $\hat{H}$ ao longo de $N_\tau$ passos de tempo de duração $\Delta\tau$. A evolução é governada por um Hamiltoniano dependente do tempo $\hat{H}(\tau) = (1 - \frac{\tau}{T})\hat{H}_0 + \frac{\tau}{T}\hat{H}$, onde $T = N_\tau \Delta\tau$. Diferente da preparação adiabática, que requer $N_\tau \to \infty$, este método emprega uma evolução altamente discretizada (pequeno $N_\tau$, grande $\Delta\tau$) para produzir um estado guia $|\Psi_0\rangle$ que aproxima o subespaço correto.
3. Medição e Construção de Subespaço: O estado guia é medido na base computacional para gerar um conjunto de estados de base $B_0$. Para garantir que o subespaço capture a física necessária, o Hamiltoniano alvo $\hat{H}$ é aplicado a $B_0$ para gerar um conjunto acoplado $B_1$. O conjunto de base final é $B = B_0 \cup B_1$.
4. Otimização Clássica: O Hamiltoniano do sistema é projetado no subespaço $V = \text{span}(B)$ para formar um Hamiltoniano efetivo $\hat{H}_B$. A energia do estado fundamental $E_B$ é obtida através da diagonalização de $\hat{H}_B$ em um computador clássico.
5. Loop Variacional: Os parâmetros $N_\tau$ e $\Delta\tau$ servem como parâmetros variacionais. O algoritmo varre esses parâmetros para minimizar $E_B$.

Principais Contribuições

• Arquitetura Híbrida: O artigo introduz um método que combina a natureza variacional do VQE (otimização de parâmetros de circuito) com a expansão de subespaço do CVQE (diagonalização clássica de um Hamiltoniano projetado).
• Estado Guia Diabático: Em vez de ansatzes complexos e profundos (como o Unitary Coupled Cluster), o algoritmo utiliza uma evolução diabática simples e altamente discretizada para gerar um estado guia. Esta abordagem aproxima explicitamente a preparação de estado adiabática, mas permanece tratável para circuitos de profundidade curta.
• Agnosticismo de Hardware: O algoritmo é projetado para ser geral, funcionando em dispositivos NISQ atuais, computadores de escala intermediária com alta coerência mas sem correção de erro, e futuros computadores FTQ.
• Eficiência de Medição: Os autores comparam dois métodos para coletar disparos de medição: um envolvendo rotações para cada string de Pauli (VQE padrão) e outro medindo diretamente na base computacional seguida da aplicação do Hamiltoniano. Eles demonstram que o método de medição direta (usado em suas simulações) é significativamente mais eficiente para Hamiltonianos $k$-locais, exigindo menos circuitos, apesar de potencialmente precisar de mais disparos para compensar limiares de corte.

Resultados
Os autores validaram o algoritmo através de simulações clássicas e execução em hardware quântico:

• Sistema de 8 Orbitais (Simulação Clássica): Para um sistema com $Q=8$ orbitais e $N_e=4$ elétrons, o algoritmo alcançou energias dentro da precisão química. Os resultados identificaram três regimes distintos baseados no número de passos de tempo ($N_\tau$):
  • Regime Pequeno: O estado guia é ruim, mas a extração de subespaço produz uma boa aproximação para parâmetros variacionais específicos.
  • Regime Médio: O estado guia permanece uma aproximação ruim do estado fundamental exato, contudo, a energia do subespaço $E_B$ é quase independente de parâmetros, permitindo que o CVQE encontre uma boa solução sem otimização extensiva.
  • Regime Grande: A preparação adiabática é efetivamente alcançada, produzindo um estado guia de alta qualidade.
• Sistema de 50 Níveis de Energia (IBM Brisbane): O algoritmo foi executado no computador quântico IBM Brisbane para um sistema com $Q=50$ e $N_e=25$. A dimensão total do espaço de Fock é $\approx 1.3 \times 10^{14}$, muito além das capacidades de diagonalização clássica. O algoritmo utilizou um subespaço de apenas 2.000–2.500 estados.
  • Os resultados mostraram pequenos erros de energia ($\Delta E$) através de vários espaçamentos de energia $\Delta\mu$, mesmo com uma taxa de erro de porta de 1,9%.
  • Ao contrário das simulações sem ruído, que sugerem que o erro aumenta conforme $\Delta\tau \to 0$, os resultados do hardware ruidoso mostraram que $N_\tau = 1$ (um único passo de tempo) forneceu os melhores resultados. Os autores atribuem isso ao fato de o ruído do hardware aplicar efetivamente pequenas rotações não nulas, tornando circuitos mais profundos (maior $N_\tau$) prejudiciais devido ao acúmulo de erros de porta.

Significância e Alegações
O artigo afirma que este algoritmo híbrido VQE-CVQE oferece um caminho robusto para simulação quântica através da evolução do hardware quântico:

• Para Dispositivos NISQ Atuais: Minimizar a profundidade do circuito é crítico. O algoritmo performa melhor com $N_\tau = 1$, onde nenhuma atualização de parâmetro variacional é necessária, pois o nível de ruído impede os benefícios de circuitos mais profundos.
• Para o Médio Prazo: À medida que a coerência melhora, permitir que os parâmetros variacionais ($N_\tau, \Delta\tau$) sejam atualizados poderia otimizar ainda mais a energia.
• Para Dispositivos FTQ Futuros: O método transiciona naturalmente para a preparação direta de estado adiabático sem a necessidade de etapas de otimização adicionais.

Os autores enfatizam que a capacidade do algoritmo de produzir resultados precisos com uma dimensão de subespaço pequena (em relação ao espaço de Hilbert completo) e sua resiliência a flutuações na distribuição de probabilidade o torna um candidato prático para aplicação imediata nos hardwares disponíveis, mantendo-se escalável para sistemas futuros tolerantes a falhas.