Simulating Supersymmetric Quantum Mechanics Using Variational Quantum Algorithms

Este trabalho apresenta uma análise do uso do algoritmo VQE para estudar a quebra espontânea de supersimetria na mecânica quântica, introduzindo um método adaptativo de construção de ansatz que reduz os recursos necessários e validando os resultados em dispositivos quânticos reais da IBM com e sem mitigação de erros.

O essencial

Imagine que você está tentando entender como o universo funciona nas menores escalas possíveis, onde partículas e forças seguem regras muito estranhas. Os físicos têm uma teoria chamada Supersimetria, que é como se fosse um "espelho mágico" no universo: para cada partícula de matéria (como um elétron), existe uma parceira de energia (um "superparceiro"), e vice-versa.

O problema é que, quando tentamos simular isso em computadores comuns, encontramos um obstáculo gigantesco chamado "problema do sinal". É como tentar ouvir uma música em um quarto cheio de gente gritando ao mesmo tempo; o sinal fica tão distorcido que você não consegue entender nada.

Neste artigo, os pesquisadores John Kerfoot, David Schaich e Emanuele Mendicelli propõem uma solução usando Computadores Quânticos. Eles não estão apenas tentando ouvir a música; eles estão construindo um novo tipo de estúdio de som para capturar a melodia perfeita.

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O Grande Desafio: Encontrar o "Silêncio"

O objetivo principal deles é descobrir se a Supersimetria se "quebra" espontaneamente. Pense na Supersimetria como um equilíbrio perfeito entre duas forças opostas.

• Se o equilíbrio se mantém, a energia do sistema é zero (o "silêncio" perfeito).
• Se o equilíbrio quebra, a energia sobe (o "barulho" começa).

Em computadores normais, calcular essa energia é impossível devido ao "ruído" matemático (o problema do sinal). Computadores quânticos, no entanto, são feitos para lidar com essa complexidade, como se fossem instrumentos musicais sintonizados na mesma frequência do universo.

2. A Ferramenta: O "Sintonizador" Variacional (VQE)

Para encontrar essa energia, eles usam um algoritmo chamado VQE (Variational Quantum Eigensolver).

• A Analogia: Imagine que você está tentando afinar um violão muito complexo com 100 cordas, mas você não tem um afinador eletrônico. Você tem que girar as tarraxas (parâmetros) manualmente, tocar uma nota, ouvir se está desafinado, e girar de novo.
• O VQE faz isso, mas usa um computador quântico para "tocar" a nota e um computador clássico para decidir para onde girar as tarraxas a seguir. O objetivo é chegar na nota perfeita (o estado de menor energia).

3. A Inovação: O "Montador de Quebra-Cabeça" Inteligente (AVQE)

O grande problema do VQE é que, se você tentar montar o quebra-cabeça (o circuito quântico) com todas as peças possíveis de uma vez, ele fica gigante, lento e cheio de erros. É como tentar montar um quebra-cabeça de 10.000 peças olhando para todas elas ao mesmo tempo; você vai ficar cansado e cometer erros.

Os autores criaram um método novo chamado AVQE (Adaptive-VQE).

• A Analogia: Em vez de tentar montar tudo de uma vez, o AVQE é como um construtor inteligente que adiciona uma peça de cada vez.
  1. Ele olha para o quebra-cabeça atual.
  2. Pergunta: "Qual é a única peça que vai melhorar mais a imagem agora?"
  3. Adiciona essa peça.
  4. Repete o processo.

Isso cria circuitos muito menores e mais eficientes. Eles descobriram um padrão: para os sistemas mais simples, apenas as primeiras poucas peças (portas lógicas) são realmente importantes. As peças subsequentes têm um efeito cada vez menor, como tentar ajustar um relógio de pulso com um martelo gigante.

4. O Teste Real: Tocar no Mundo Real

Eles não ficaram apenas na teoria. Eles rodaram esses experimentos em computadores quânticos reais da IBM (como o ibm_torino e o ibm_kingston).

• O Problema: Computadores quânticos atuais são "barulhentos" (NISQ). Eles têm erros, como se o estúdio tivesse um vento forte que desafina o violão enquanto você toca.
• A Solução: Eles usaram técnicas de "mitigação de erro" (como óculos especiais para limpar a visão).
• O Resultado: Eles conseguiram resultados, mas o custo foi alto. Usar essas técnicas de correção exigiu muito mais tempo de máquina. Foi como tentar tirar uma foto nítida em um dia de tempestade: você consegue a foto, mas precisa de equipamentos caros e muito tempo de exposição.

5. O Que Eles Descobriram?

• Para sistemas simples: O método funcionou muito bem. Eles conseguiram construir circuitos curtos que encontraram a energia correta.
• Para sistemas complexos: O computador clássico teve dificuldade em encontrar o melhor caminho entre tantas opções, e o computador quântico real introduziu erros que dificultaram a precisão.
• A Lição Principal: Às vezes, menos é mais. Um circuito quântico menor e mais simples, mesmo que não seja teoricamente perfeito, muitas vezes funciona melhor em máquinas reais porque sofre menos com o "barulho" e os erros.

6. O Futuro: O Próximo Nível

Os autores estão agora olhando para modelos ainda mais complexos (o modelo Wess-Zumino), que exigem muito mais "cordas" (qubits). Eles perceberam que o método atual pode ficar pesado demais.

• O Plano: Eles estão testando uma nova técnica chamada SKQD, que é como mudar de "tocar o violão" para "ouvir a música e deduzir a melodia". Isso exige menos tempo no computador quântico e mais processamento no computador clássico, tornando o processo mais robusto contra os erros atuais.

Resumo em uma frase

Os autores criaram um método inteligente para "montar" circuitos quânticos peça por peça, mostrando que, mesmo com computadores quânticos imperfeitos e barulhentos de hoje, é possível simular leis fundamentais da física, desde que saibamos simplificar o problema e focar no que realmente importa.

Resumo técnico

Título: Simulação de Mecânica Quântica Supersimétrica Usando Algoritmos Quânticos Variacionais

1. O Problema

O estudo da Quebra Espontânea de Supersimetria (SSB) em teorias de campo na rede é historicamente obstruído por um severo problema de sinal quando abordado através de métodos de Monte Carlo no formalismo de integrais de caminho euclidianas.

• Causa: A quebra de supersimetria implica um índice de Witten nulo, correspondendo a uma função de partição euclidiana que se anula. Isso torna o amostragem por importância inviável devido a flutuações de sinal complexas.
• Alternativa: O formalismo hamiltoniano evita o problema de sinal, mas a dimensão exponencial do espaço de Hilbert torna o cálculo clássico inviável para sistemas grandes.
• Contexto NISQ: Na era dos Computadores Quânticos de Escala Intermediária Ruidosa (NISQ), o ruído do hardware e a profundidade dos circuitos são limitações críticas. Algoritmos variacionais, como o Variational Quantum Eigensolver (VQE), são promissores, mas dependem criticamente da escolha do ansatz (circuito parametrizado). Ansätze muito complexos sofrem com ruído e otimização clássica difícil, enquanto ansätze simples podem não capturar a física correta.

2. Metodologia

Os autores investigam a Mecânica Quântica Supersimétrica (SQM) em 0+1 dimensões utilizando uma abordagem híbrida quântico-clássica:

• Modelo Físico: Consideram três superpotenciais ($W(\hat{q})$):

  1. Oscilador Harmônico (HO): Preserva supersimetria.
  2. Oscilador Anarmônico (AHO): Preserva supersimetria.
  3. Poço Duplo (DW): Espera-se que leve à Quebra Espontânea de Supersimetria (SSB).
  • A presença ou ausência de SSB é determinada pela energia do estado fundamental ($E_0 = 0$ para SUSY preservada, $E_0 > 0$ para SSB).

• Regularização e Digitalização:

  • O espaço de Hilbert bosônico infinito é regularizado com um corte $\Lambda$ (número de modos bosônicos).
  • Os modos bosônicos são codificados em $N_b$ qubits usando a base de Fock ($\Lambda = 2^{N_b}$).
  • O férmion é mapeado para um qubit usando a transformação de Jordan-Wigner.

• Algoritmo Proposto: Adaptive-VQE (AVQE):

  • Inspirado no ADAPT-VQE, mas com uma construção de pool de operadores diferente.
  • Pool de Operadores: Utiliza rotações de um qubit ($R_Y, R_Z$) e rotações controladas de dois qubits ($CR_Y$).
  • Processo Iterativo:
    1. Inicializa o estado em uma base específica (ex: $|10...0\rangle$ para HO/AHO, $|00...0\rangle$ para DW) baseada na sobreposição conhecida com o estado fundamental.
    2. Calcula o gradiente da energia para cada operador no pool.
    3. Adiciona ao circuito o operador com o maior gradiente (maior impacto na energia).
    4. Otimiza os parâmetros do circuito atual.
    5. Repete até que a mudança de energia seja insignificante.
  • Truncamento: Reconhecendo as limitações de ruído, os autores propõem truncar os ansätze construídos, mantendo apenas os primeiros gates (que têm o maior impacto), para equilibrar expressividade e ruído.

3. Contribuições Principais

• Desenvolvimento do AVQE: Apresentação de um algoritmo adaptativo que constrói ansätze específicos para o problema, reduzindo o número de parâmetros variacionais em comparação com ansätze genéricos de hardware.
• Padrões Sistemáticos: Identificação de padrões na construção dos circuitos à medida que o corte $\Lambda$ aumenta. Os primeiros gates adicionados são consistentes e dominantes, permitindo a extrapolação para sistemas maiores.
• Estratégia de Truncamento: Demonstração de que truncar o ansatz (ex: manter apenas os primeiros 4 gates) é uma solução prática para dispositivos NISQ, mitigando o ruído sem sacrificar drasticamente a precisão da energia.
• Validação em Hardware Real: Execução de testes preliminares em dispositivos quânticos reais da IBM (ibm_torino e ibm_kingston), analisando custos de recursos e eficácia de mitigação de erros.

4. Resultados

• Simulações Clássicas (Statevector):

  • O AVQE conseguiu reconstruir ansätze que atingiram energias muito próximas do valor exato (diagonalização exata) para diversos valores de $\Lambda$ (até 64).
  • Observou-se que, para $\Lambda$ maiores, o otimizador clássico começa a ter dificuldade em convergir com o aumento do número de parâmetros, sugerindo que ansätze menores (truncados) podem ser mais eficazes.
  • Para o caso de Poço Duplo (DW), o algoritmo corretamente identificou uma energia de estado fundamental positiva ($E_0 \approx 0.89$), confirmando a SSB.

• Resultados em Hardware IBM (NISQ):

  • Precisão: Mesmo para sistemas pequenos ($\Lambda \le 8$), a precisão foi limitada a $\sim 10^{-3}$ devido ao ruído de portas e leitura, inferior à precisão de máquina das simulações clássicas.
  • Custo de Recursos: O uso de QPU (Unidade de Processamento Quântico) escala rapidamente com o número de parâmetros variacionais ($N_\theta$) e o número de termos de Pauli ($N_P$) no Hamiltoniano. O aumento de $N_\theta$ impacta mais o tempo de uso do que o aumento de $N_P$.
  • Mitigação de Erros:
    • A aplicação de níveis de resiliência (TREX e extrapolação de ruído zero) melhorou significativamente a precisão (ex: melhoria de 90x no caso AHO $\Lambda=8$ com RL=2).
    • Custo: A mitigação de erros aumentou o uso de QPU em 2.5x a 4x por trabalho, tornando a execução de sistemas maiores proibitivamente cara com os orçamentos atuais.
  • Conclusão dos testes: Embora a mitigação de erros ajude, o custo computacional e o ruído residual ainda impedem a análise precisa de sistemas com cortes grandes ($\Lambda$) nos dispositivos atuais.

5. Significado e Perspectivas Futuras

• Viabilidade do VQE para SQM: O trabalho demonstra que o VQE, combinado com ansätze adaptativos e truncados, é uma via viável para estudar a quebra de supersimetria, contornando o problema de sinal da Monte Carlo.
• Limitações Atuais: A escalabilidade para sistemas maiores (como o modelo Wess-Zumino em 1+1D) é atualmente inviável devido ao custo de QPU e à degradação da precisão com o aumento do tamanho do sistema e do ruído.
• Direções Futuras: Os autores estão explorando abordagens mais resilientes ao ruído, especificamente o algoritmo SKQD (Sample-based Krylov Quantum Diagonalization).
  • O SKQD realiza o pré e pós-processamento classicamente, usando o QPU apenas para amostragem de estados base.
  • A ideia é usar o AVQE (mesmo com ansätze truncados) para gerar um estado inicial com boa sobreposição com o estado fundamental, que então será refinado pelo SKQD, potencialmente superando as limitações de resolução de energia do VQE puro em hardware ruidoso.

Em resumo, o artigo estabelece um marco importante na aplicação de algoritmos variacionais adaptativos para física de altas energias em hardware quântico real, identificando claramente o trade-off entre expressividade do circuito, ruído e custo computacional, e propondo caminhos para superar essas barreiras.