Bias Analysis and Regularization of Sequential Minimal Optimization in Variational Quantum Eigensolvers

Resumo Técnico: Análise de Viés e Regularização da Otimização Mínima Sequencial em Solucionadores de Autovalores Quânticos Variacionais

Enunciado do Problema
O Solucionador de Autovalores Quânticos Variacionais (VQE) é um algoritmo híbrido quântico-clássico líder para aproximação de estados fundamentais de operadores Hamiltonianos. Uma rotina de otimização específica, o algoritmo Nakanishi–Fujii–Todo (NFT) (também conhecido como Rotosolve), implementa a Otimização Mínima Sequencial (SMO) explorando a dependência trigonométrica da energia em relação aos parâmetros individuais do circuito. Isso permite uma minimização analítica unidimensional utilizando apenas algumas avaliações de energia (tipicamente duas novas medições mais uma estimativa reutilizada).

No entanto, essa eficiência tem um custo: a reutilização de energias mínimas estimadas introduz um erro estatístico cumulativo. À medida que o algoritmo itera, o ruído proveniente de um número finito de disparos de medição se propaga, fazendo com que a energia estimada subestime sistematicamente a verdadeira energia do estado fundamental. Embora existam estratégias heurísticas para mitigar isso — como medir periodicamente o mínimo para "reancorar" a otimização —, esses métodos incorrem em custos adicionais significativos de medição. Além disso, a origem matemática desse viés e seu impacto específico na dinâmica de otimização careceram de uma caracterização rigorosa.

Metodologia
Os autores abordam o passo de atualização SMO-VQE através da lente da regressão linear bayesiana. Eles modelam o panorama de energia unidimensional ao longo de uma direção de parâmetro como uma função senoidal com coeficientes desconhecidos, onde as medições são tratadas como observações ruidosas com variância de disparo gaussiana.

1. Derivação do Viés: Ao analisar a distribuição posterior dos coeficientes de regressão, os autores derivam uma expressão analítica para o viés introduzido em cada passo de minimização. Eles demonstram que o processo de minimização induz um viés negativo sistemático na energia mínima estimada, proporcional ao inverso da razão sinal-ruído e à curvatura do panorama de energia.
2. Acúmulo de Viés: O estudo mostra que, como a estimativa enviesada de um passo é reutilizada como ponto de dados para o próximo, esse viés negativo acumula-se linearmente ao longo das iterações, levando a estimativas de energia não físicas muito abaixo do estado fundamental verdadeiro.
3. Insight sobre Regularização: Crucialmente, os autores observam que, embora a correção de viés melhore a consistência estatística, remover o viés completamente pode desestabilizar a otimização, particularmente em direções com pequena curvatura (panoramas de energia planos). O viés descontrolado atua como um regularizador implícito, efetivamente aumentando a razão sinal-ruído e impedindo que o algoritmo realize grandes atualizações ruidosas que poderiam escapar de mínimos bons.
4. Algoritmo Proposto: Com base nessas percepções, os autores propõem um método de dois passos:
   • Correção Analítica: Calcular o viés usando o estimador analítico derivado e subtraí-lo da estimativa de energia reutilizada para obter um valor não enviesado.
   • Regularização Controlada: Introduzir um deslocamento negativo controlado e dependente do tempo (termo de regularização $r$) à estimativa corrigida antes de realizar a próxima minimização. Este termo é projetado para ser fraco durante a exploração inicial e aumentar progressivamente durante a convergência, imitando o efeito estabilizador do viés original sem a subestimação sistemática.

Principais Contribuições

• Caracterização Matemática: O artigo fornece a primeira caracterização matemática detalhada do acúmulo de viés no SMO-VQE, derivando um estimador analítico para o viés que depende da variância de disparo e da amplitude estimada do panorama de energia senoidal.
• Estimação Não Enviesada sem Custo Adicional: Os autores demonstram que o viés pode ser estimado e corrigido analiticamente em cada iteração sem exigir medições quânticas adicionais, ao contrário de métodos anteriores de estabilização heurística.
• Estratégia de Regularização: O artigo identifica a natureza dual do viés no SMO-VQE: embora prejudicial à precisão, ele fornece regularização implícita. O algoritmo proposto aproveita isso substituindo o acúmulo de viés descontrolado por um esquema de regularização controlado e ajustável.
• Eficiência de Hiperparâmetros: O método proposto depende de um único hiperparâmetro fixo ($\tau$) e demonstra robustez em várias configurações de sistema sem a necessidade de ajuste extensivo.

Resultados Experimentais
Os autores avaliaram seu método no Modelo de Ising com Campo Transversal unidimensional (TFIM) usando um ansatz EfficientSU(2). Os experimentos variaram o número de qubits, camadas de circuito, Hamiltonianos alvo (incluindo cadeias de spin XX, XXZ e XXX) e disparos de medição.

• Remoção de Viés: A correção analítica eliminou com sucesso a subestimação sistemática de energia observada no SMO-VQE enviesado original e na estratégia de estabilização periódica, que ainda apresentava vieses periódicos residuais.
• Desempenho de Otimização: Embora simplesmente corrigir o viés (tornando o estimador não enviesado) tenha degradado o desempenho de otimização em comparação com a linha de base enviesada, o algoritmo regularizado proposto superou consistentemente todas as linhas de base. Ele alcançou menores desvios de energia ($\Delta$Energia) e maiores fidelidades ($\Delta$Fidelidade) em todas as configurações testadas.
• Robustez: O método regularizado mostrou desempenho superior mesmo ao usar menos disparos de medição por operador de Pauli em comparação com o algoritmo enviesado original usando mais disparos. Isso sugere que a regularização compensa efetivamente o ruído, particularmente em panoramas de energia planos.

Significado e Alegações
O artigo alega que o algoritmo proposto oferece uma melhoria prática para a otimização de VQE em dispositivos Quânticos de Escala Intermediária Ruidosa (NISQ). Ao derivar um estimador de viés analítico, os autores permitem a estimação de energia não enviesada sem aumentar o orçamento de medição quântica. Além disso, ao reconhecer o papel estabilizador do viés, eles introduzem um esquema de regularização que mantém os benefícios de convergência do algoritmo original enquanto garante que as estimativas de energia permaneçam fisicamente precisas. Os resultados sugerem que o viés controlado pode ser um princípio de design útil para melhorar o desempenho na otimização quântica ruidosa, fornecendo uma alternativa robusta aos métodos baseados em gradiente e às estratégias de estabilização heurística.