Pre-optimization of quantum circuits, barren plateaus and classical simulability: tensor networks to unlock the variational quantum eigensolver

Resumo Técnico: Pré-otimização de Circuitos Quânticos, Platôs Áridos e Simulabilidade Clássica

Enunciado do Problema
Algoritmos Quânticos Variacionais (VQAs), como o Variational Quantum Eigensolver (VQE), são abordagens promissoras para a preparação de estados fundamentais de sistemas de muitos corpos interagentes. No entanto, sua utilidade prática é dificultada pelo problema dos "platôs áridos" (barren plateaus - BP), onde o relevo de energia torna-se plano exponencialmente com o tamanho do sistema, tornando os gradientes infinitesimalmente pequenos e a otimização inviável. Embora trabalhos recentes sugiram a existência de "vales férteis" — regiões no espaço de parâmetros com gradientes não nulos que decrescem apenas polinomialmente — essas regiões são frequentemente restritas a subespaços efetivos que são classicamente simuláveis. O desafio central abordado é duplo: (1) Podem os métodos clássicos inicializar efetivamente circuitos quânticos dentro dessas regiões treináveis para evitar BPs? e (2) Uma vez inicializado, um processador quântico oferece uma vantagem computacional sobre simulações clássicas para a otimização subsequente, ou o problema ainda é classicamente simulável?

Metodologia
Os autores propõem uma estratégia híbrida clássico-quântica utilizando redes de tensores (TNs) bidimensionais, especificamente Projected Entangled Pair States (PEPS), para pré-otimizar circuitos quânticos parametrizados (PQCs).

• Pré-otimização Clássica: Os autores empregam PEPS combinados com o algoritmo "Simple Update" (SU) e diferenciação automática para otimizar PQCs projetados para preparar o estado fundamental do Modelo de Ising de Campo Transverso (TFIM). Isso permite a determinação de parâmetros ótimos ($\theta_{opt}$) para circuitos rasos.
• Inicialização de Partida Quente (Warm-Start Initialization): Esses parâmetros otimizados são usados para inicializar circuitos quânticos mais profundos. Os parâmetros restantes nas camadas mais profundas são definidos como zero (inicialização de identidade), efetivamente incorporando o estado otim mesmo pela TN em um ansatz mais profundo.
• Diagnóstico de Relevo: Para verificar a mitigação de platôs áridos, os autores sondam o relevo de energia ao redor do ponto de partida quente. Eles amostram parâmetros dentro de um hipercubo de raio $r$ ao redor de $\theta_{opt}$ e medem a variância da energia, $\text{Var}(E)$, como um proxy para a magnitude do gradiente.
• Comparação de Complexidade: O artigo compara o escalonamento dos custos de simulação de TN clássica contra os custos de amostragem quântica. O escalonamento do erro clássico é ajustado para $\epsilon_{TN} \propto t^{-\beta}$, onde $t$ é o tempo de simulação. Isso é comparado ao escalonamento do erro de amostragem quântica, $\epsilon_{QC} \propto t^{-1/2}$. Uma vantagem quântica é reivindicada se o expoente de escalonamento clássico $\beta < 0,5$.

Resultos Principais

• Mitigação de Platôs Áridos: O estudo demonstra que a pré-otimização por PEPS identifica com sucesso "vales férteis". Tanto para a topologia heavyhex (usada em protótipos de qubits supercondutores) quanto para a rede quadrada 2D, a região de gradientes substanciais ($r_{max}$) ao redor do ponto de partida quente não encolhe exponencialmente com o tamanho do sistema ou profundidade do circuito. Em vez disso, $r_{max}$ escala linearmente com o tamanho do sistema e proporcionalmente a $1/\sqrt{D}$.
• Desempenho em Diferentes Topologias:
  • Rede Heavyhex: A otimização por PEPS é altamente eficaz. Para sistemas de até 127 qubits, a simulação de TN clássica exibe um expoente de escalonamento $\beta \approx 1,24 - 1,56$. Como $\beta > 0,5$, o método clássico é mais eficiente que a amostragem quântica neste regime, sugerindo que não há vantagem quântica imediata para estas topologias e profundidades específicas.
  • Rede Quadrada: Devido à maior conectividade e correlações de laços, a contração de TN é mais custosa. Usando um esquema de contração de fronteira MPS, os autores encontraram um expoente de escalonamento $\beta \approx 0,15 - 0,17$. Como $\beta < 0,5$, isso indica uma vantagem quântica polinomial sobre as simulações de TN clássicas para estas topologias específicas e altamente conectadas, mesmo evitando platôs áridos.
• Profundidade e Inicialização: Aumentar a profundidade pré-otimizada ($D^*$) de 2 para 6 camadas reduziu ligeiramente a eficiência de escalonamento clássico (aumento de $\beta$), mas não eliminou a região treinável. A estratégia permite a preparação de estados com alta precisão de energia mesmo para sistemas grandes além de 1D.

Significância e Alegações
O artigo afirma fornecer um caminho viável para contornar os platôs áridos em VQAs, aproveitando redes de tensores clássicas para inicialização de "partida quente". Os autores enfatizam que, embora esta estratégia coloque a otimização em regiões treináveis, a questão da vantagem quântica é matizada e dependente da topologia.

• Alegações Modestas sobre Vantagem: Os autores afirmam explicitamente que os "vales férteis" identificados são classicamente simuláveis. Uma vantagem quântica não é garantida para todos os casos; ela é observada apenas para topologias específicas (como a rede quadrada) onde o custo de contração clássica torna-se proibitivamente alto em comparação com a amostragem quântica.
• Escopo: O trabalho é enquadrado no contexto da preparação de estados fundamentais variacionais. Os autores observam que outros algoritmos clássicos (ex: DMRG) não foram o ponto de comparação primário, mas sim o próprio trade-off entre simulações de TN e o hardware quântico para a mesma tarefa variacional.
• Perspectivas Futuras: Os autores sugerem que avançar para problemas mais desafiadores — como interações de longo alcance, estados fundamentais mais emaranhados e redes mais conectadas — poderia gerar vantagens quânticas mais fortes do que as observadas no presente estudo. Eles também destacam que uma comparação justa deve eventualmente considerar o custo da avaliação de gradiente no hardware quântico, que escala com o número de parâmetros.