Quantum State Preparation via Schmidt Spectrum Optimisation

Resumo Técnico: Otimização do Espectro de Schmidt para Preparação de Estados Quânticos

Definição do Problema
A preparação de estados quânticos é um gargalo fundamental para muitos algoritmos quânticos, exigindo a transformação de um estado inicial de todos os zeros em um estado alvo específico e altamente estruturado (por exemplo, aproximações de estados fundamentais de muitos corpos). Embora as Redes de Tensores (TNs), particularmente os Estados de Produto de Matrizes (MPS), forneam uma representação clássica compacta de tais estados, traduzi-los em circuitos quânticos eficientes de profundidade rasa continua sendo um desafio.

As abordagens existentes enfrentam limitações significativas:

1. Síntese Exata: Embora a síntese exata de MPS seja possível, a decomposição de portas multiqubit em portas físicas de um e dois qubits frequentemente resulta em circuitos significativamente mais profundos do que o necessário.
2. Desentranificador de Produto de Matriz (MPD): Esta abordagem tenta aproximar o estado alvo desentranhando-o sequencialmente em direção a um estado de produto usando portas locais, e então revertendo o processo. No entanto, o algoritmo MPD sofre de "patologias": muitas vezes falha em desentranhar efetivamente estados onde a aproximação $\chi=2$ é ruim, levando a camadas ineficazes. Além disso, o desentranhamento ineficaz faz com que a dimensão de ligação dos estados intermediários cresça exponencialmente com a profundidade do circuito, tornando o método não escalável.
3. Otimização de Redes de Tensores (TNO): A otimização direta dos parâmetros do circuito para maximizar a fidelidade frequentemente sofre de platôs estéreis (barren plateaus) e mínimos locais severos, exigindo uma inicialização cuidadosa.

Metodologia: Otimização do Espectro de Schmidt (SSO)
Os autores introduzem o algoritmo de Otimização do Espectro de Schmidt (SSO), um framework de "preparação por desentranhamento", que otimiza camadas de circuitos classicamente para remover progressivamente o emaranhamento de um MPS alvo.

• Estratégia Central: Em vez de otimizar para a fidelidade direta ao alvo, o SSO otimiza uma sequência de camadas unitárias $\{U_k\}$ para transformar o MPS alvo $|\psi^{(1)}\rangle$ em um estado $|\psi^{(L)}\rangle$ que seja bem aproximado por um MPS de baixo rank ($\chi=2$).
• Ansatz: O algoritmo utiliza um ansatz de "escada" (staircase), onde cada camada $U_k$ consiste em uma única camada de portas de dois qubits $SU(4)$ parametrizadas atuando em qubits vizinhos.
• Função Objetivo (Perda da Cauda): A inovação central é a função de custo. Para cada bipartição do estado intermediário, o algoritmo minimiza o erro de truncamento da aproximação $\chi=2$. Especificamente, ele maximiza a soma dos quadrados dos dois maiores coeficientes de Schmidt ($\lambda_1^2 + \lambda_2^2$) através de todas as ligações.
  • Garantia Teórica: Os autores provam que minimizar esta perda da cauda fornece um limite superior estrito sobre a infidelidade do estado preparado final. Como qualquer MPS $\chi=2$ pode ser mapeado analiticamente para o estado de todos os zeros usando uma única camada de portas de dois qubits, a fidelidade final é garantida para ser pelo menos a fidelidade da aproximação $\chi=2$ do estado desentranhado.
• Processo de Otimização:
  1. Desentranhamento: Partindo do MPS alvo, o algoritmo otimiza iterativamente cada camada $U_k$ para minimizar a perda da cauda do estado resultante $|\psi^{(k+1)}\rangle$. Isso é feito usando gradiente descendente (L-BFGS-B) em um computador clássico, utilizando diferenciação automática através de contrações de tensores.
  2. Preparação de Estado: Uma vez que o alvo seja desentranhado para um estado $\chi=2$ $|\tilde{\psi}^{(L)}\rangle$, um circuito de preparação $U_{prep}$ é construído analiticamente para gerar este estado a partir de $|0\rangle^{\otimes n}$.
  3. Reversão: O circuito de preparação final é $U_S = U_1^\dagger U_2^\dagger \dots U_L^\dagger U_{prep}$.
• Pós-processamento (SSO+All): Para melhorar ainda mais os resultados, os autores propõem uma otimização conjunta de todas as camadas (inicializada pela saída do SSO) para maximizar diretamente a fidelidade final, embora isso seja observado como computacionalmente caro para circuitos profundos.

Resultados Principais
Os autores testaram o SSO contra o algoritmo MPD, o algoritmo de Desentranhamento Variacional Clássico (CVD) e variantes otimizadas do MPD (MPD+LW, MPD+All) em diversas tarefas:

• MPS Aleatório: Testes em MPS aleatórios com $n=10$ e $n=16$ qubits.
• Estados Fundamentais: Aproximações de estados fundamentais para Hamiltonianos locais 1D e 2D, incluindo o modelo de Ising de campo transversal ($n=48$), cadeias de spin de Localização de Muitos Corpos (MBL) ($n=16$), cadeias de Hubbard sem spin ($n=16$) e o modelo de Heisenberg 2D (grade $4\times4$).
• Desempenho:
  • Fidelidade: O SSO consistentemente alcançou maior fidelidade (menor infidelidade) do que o MPD, CVD e variantes otimizadas do MPD em profundidades de circuito fixas. Por exemplo, no benchmark do modelo de Ising de 60 qubits, o SSO alcançou uma fidelidade significativamente maior que o CVD.
  • Escalabilidade (Dimensão de Ligação): Um achado crítico é que o SSO mitiga o crescimento exponencial da dimensão de ligação ($\chi_{max}$) visto no MPD. Enquanto o MPD frequentemente via $\chi_{max}$ crescer quase exponencialmente com o número de camadas, o SSO manteve $\chi_{max} \approx O(\chi_{target})$ devido à eficácia de suas camadas de desentranhamento em reduzir o emaranhamento.
  • Comparação com CVD: O SSO superou o CVD mesmo quando o CVD utilizou o mesmo objetivo de "perda da cauda". Os autores atribuem isso ao ansatz do SSO (escada), que mapeia analiticamente o estado $\chi=2$ final para um estado de produto, fornecendo uma garantia de fidelidade que a abordagem variacional do CVD não possui.
  • SSO+All: A variante de otimização conjunta (SSO+All) produziu os melhores resultados em todos os benchmarks, reduzindo ainda mais o erro, embora os ganhos de desempenho tenham estagnado em camadas mais profundas devido a problemas de mínimos locais comuns na otimização de redes de tensores profundas.

Significância e Alegações
O artigo afirma que o SSO representa um framework escalável e eficiente para a preparação de estados quânticos, particularmente para hardware quântico de curto prazo onde circuitos de profundidade rasa são essenciais.

• Novidade: A principal contribuição é a reformulação do problema de desentranhamento como uma otimização explícita do espectro de Schmidt (perda da cauda), combinada com um ansatz específico que garante a fidelidade do estado final baseada na qualidade da aproximação $\chi=2$.
• Escalabilidade: Ao reduzir efetivamente o emaranhamento em cada etapa, o SSO evita o aumento exponencial das dimensões de ligação que assombra métodos de desentranhamento anteriores, permitendo circuitos mais profundos sem custos computacionais clássicos proibitivos.
• Praticidade: O algoritmo produz circuitos compostos inteiramente por portas locais de um e dois qubits, otimizados classicamente, tornando-o um "substituto direto" para o desentranhamento do estilo MPD na preparação de estados MPS.
• Limitações: Os autores notam modestamente que, embora o SSO+All melhore os resultados, a otimização conjunta global de circuitos profundos ainda enfrenta desafios com mínimos locais e platôs estéreis, sugerindo que a abordagem gulosa, camada por camada do SSO, é o componente escalável mais robusto.

O trabalho não propõe novo hardware experimental ou aplicações futuras específicas além do domínio geral de preparação de estados MPS para algoritmos quânticos, mas estabelece um método de otimização clássica superior para gerar os circuitos quânticos necessários.