Scalable Preparation of Matrix Product States with Sequential and Brick Wall Quantum Circuits

Resumo Técnico: Preparação Escalável de Estados Produto de Matriz (MPS) com Circuitos Quânticos Sequenciais e em Parede de Tijolos

1. O Problema

A preparação de estados quânticos arbitrários em computadores quânticos é um desafio fundamental, pois requer recursos que escalam exponencialmente com o número de qubits ($N$). Para aplicações práticas em química quântica, otimização e aprendizado de máquina, é necessário preparar estados específicos com alta fidelidade.

• Estados Produto de Matriz (MPS): Oferecem uma representação eficiente para estados físicos com entrelaçamento limitado (lei de área), como estados fundamentais de Hamiltonianos locais unidimensionais.
• Limitações das Abordagens Atuais:
  • Métodos Heurísticos (ex.: MPD): São determinísticos e simuláveis classicamente, mas a fidelidade satura rapidamente após poucas camadas de portas, exigindo muitas camadas para alta precisão.
  • Otimização Variacional: Podem atingir altas fidelidades, mas sofrem com "platôs áridos" (barren plateaus) e escalabilidade pobre quando iniciados com parâmetros aleatórios, além de custos computacionais clássicos elevados para circuitos profundos.

O objetivo deste trabalho é preencher essas lacunas criando um pipeline integrado que combine as vantagens de ambos os métodos.

2. Metodologia: O Pipeline de Preparação de Estado Quântico (QSP)

Os autores propõem um pipeline end-to-end (Figura 1 do artigo) composto por quatro etapas principais:

1. Compressão em MPS:

   • Os dados de entrada (amplitudes de probabilidade de um estado físico ou conjunto de dados clássico) são comprimidos em um MPS.
   • Utiliza-se Decomposição em Valores Singulares (SVD) truncada ou Interpolação Cruzada de Tensores (TCI). A TCI é particularmente eficiente, permitindo a construção do MPS com apenas $O(N\chi^2)$ consultas a amplitudes, evitando a leitura de todos os $2^N$ elementos.

2. Reordenação de Qubits (Otimização de Entrelaçamento):

   • Para minimizar a complexidade do circuito, qubits fortemente correlacionados devem estar fisicamente próximos na cadeia do MPS.
   • O problema é formulado como um Problema de Atribuição Quadrática (QAP). Calcula-se a Informação Mútua Quântica (QMI) entre todos os pares de qubits e utiliza-se algoritmos de otimização (como simulated annealing ou 2-opt) para encontrar a permutação que minimiza a distância entre qubits altamente entrelaçados.

3. Inicialização Heurística (Circuitos Disentangler):

   • O MPS é convertido em circuitos quânticos aproximados usando dois métodos de "desentrelaçamento":
     • SMPD (Sequential Matrix Product Disentangler): Arquitetura em "escada" (sequencial).
     • BMPD (Brick Wall Matrix Product Disentangler): Arquitetura em "parede de tijolos" (brick wall).
   • Melhorias Implementadas:
     • Uso de decomposições de isometrias que reduzem o número de portas CNOT de 3 para 2.
     • Remoção de portas que não afetam a fidelidade (redução de profundidade).
     • Uso de gauge misto (mixed-canonical) para reduzir a profundidade do circuito em até 50%.

4. Otimização Variacional (Refinamento):

   • Os circuitos heurísticos servem como "warm-start" (inicialização quente) para otimização variacional, mitigando platôs áridos.
   • Dois algoritmos são comparados:
     • Evenbly-Vidal (EV): Otimização por varredura (sweeping) gate a gate. Mantém o estado no formato MPS durante o cálculo, permitindo simulação clássica de circuitos mais profundos.
     • Otimização Riemanniana (R): Otimização global de todos os parâmetros simultaneamente usando geometria de variedades (ex: Adam Riemanniano). Mais precisa para circuitos rasos, mas limitada por memória em circuitos profundos devido ao crescimento exponencial dos tensores intermediários.

3. Contribuições Principais

• Pipeline Integrado: Primeira implementação completa que combina heurísticas SMPD/BMPD com otimizadores EV e Riemannianos em um fluxo unificado.
• Reordenação via QAP: Mapeamento formal do problema de reordenação de qubits para o QAP, utilizando algoritmos existentes para otimizar a estrutura de entrelaçamento antes da geração do circuito.
• Refutação de Escalabilidade Exponencial: Demonstração empírica de que a construção de circuitos SMPD profundos não requer uma dimensão de ligação intermediária exponencial ($\tilde{\chi} \sim O(2^L)$), como sugerido anteriormente, mas sim linear em relação à dimensão do alvo ($\tilde{\chi} \sim O(\chi)$), tornando a simulação clássica viável para muitas camadas.
• Otimizações de Hardware: Aplicação sistemática de técnicas para reduzir contagem de portas CNOT (em 33%) e profundidade de circuito (em até 50%).

4. Resultados e Avaliação

O pipeline foi testado em sistemas de 19 a 50 qubits usando quatro conjuntos de dados clássicos com diferentes complexidades de entrelaçamento:

1. Distribuição Gaussiana: Estado de baixa complexidade.
2. Distribuição de Lévy: Cauda pesada, desafio de representação.
3. Atrator de Lorenz: Série temporal caótica.
4. Preços da Ações S&P 500: Dados financeiros reais.

Principais Descobertas:

• Desempenho dos Algoritmos:
  • SMPD + EV: Geralmente oferece o melhor equilíbrio, atingindo as menores contagens de portas CNOT para uma dada fidelidade. É altamente escalável (suporta até 200 camadas otimizadas).
  • BMPD + EV: Produz os circuitos com a menor profundidade (CNOT depth), sendo ideal para hardware com limitações de coerência temporal, embora possa exigir mais portas.
  • Otimização Riemanniana: Superada pelo método EV em fidelidade final para circuitos profundos devido a limitações de memória clássica, mas é eficaz para circuitos rasos.
• Impacto da Reordenação: A reordenação de qubits reduziu a entropia de entrelaçamento em até 20% no conjunto de dados S&P 500 (onde a estrutura de correlação era "picada"). No entanto, para estados com entrelaçamento uniforme (como o Atrator de Lorenz) ou já otimizados (Gaussiana), o ganho foi mínimo.
• Fidelidade: O método conseguiu preparar estados com fidelidades variando de $10^{-7}$ a $10^{-2}$ de infidelidade, superando significativamente os métodos heurísticos puros.
• Simulabilidade: Confirmou-se que circuitos SMPD profundos podem ser simulados classicamente com dimensões de ligação intermediárias modestas, validando a viabilidade do método para dispositivos NISQ (Noisy Intermediate-Scale Quantum).

5. Significado e Conclusão

Este trabalho fornece protocolos princípios e escaláveis para a preparação de estados MPS em dispositivos quânticos de escala utilitária (próximos).

• Para o Usuário: Oferece uma escolha clara baseada no recurso limitado do hardware: se o limite for o número de portas (gate count), o SMPD-EV é preferível; se o limite for a profundidade do circuito (tempo de coerência), o BMPD-EV é a escolha ideal.
• Impacto Científico: Demonstra que a combinação de inicialização heurística inteligente com otimização variacional é a chave para superar os desafios de escalabilidade e treinabilidade na preparação de estados quânticos complexos.
• Aplicabilidade Futura: O pipeline é compatível com a pré-treinagem de circuitos quânticos variacionais (VQCs) e pode ser estendido para incluir ruído do hardware diretamente na função de custo, preparando o terreno para aplicações em química quântica e finanças no hardware real.