Sampling Noise and Optimized Measurement Distribution in Imaginary-Time Quantum Dynamics Simulations

Resumo Técnico: Ruído de Amostragem e Distribuição Otimizada de Medições em Simulações de Dinâmica Quântica em Tempo Imaginário

Declaração do Problema
As Simulações de Dinâmica Quântica Variacional (VQDS), particularmente aquelas que utilizam evolução em tempo imaginário (VQITE) para preparação do estado fundamental, oferecem um caminho promissor para simular sistemas quânticos de muitos corpos em dispositivos de Escala Intermediária Ruidosa (NISQ) usando circuitos de profundidade fixa. No entanto, sua utilidade prática é severamente restringida pelo ruído de amostragem decorrente de um número finito de medições de circuito (tiros). Esse ruído introduz incerteza no cálculo do Tensor Geométrico Quântico (QGT), denotado como matriz $M$, e do vetor $V$ nas equações de movimento clássicas ($M\dot{\theta} = V$). Como $M$ é frequentemente mal-condicionado, a inversão direta para resolver as atualizações de parâmetros $\dot{\theta}$ amplifica os erros de amostragem, levando a baixa fidelidade do estado e dinâmicas instáveis. Além disso, as estratégias existentes para distribuir um orçamento fixo de medições entre os vários circuitos necessários para estimar $M$ e $V$ frequentemente dependem de distribuições uniformes, que podem não ser ótimas para minimizar o erro na solução das equações de movimento.

Metodologia
Os autores investigam essas questões utilizando o Modelo de Ising com Campo Transverso unidimensional (TFIM) em seu ponto crítico como referência. Eles empregam um ansatz variacional em camadas com conectividade entre vizinhos mais próximos e simulam a dinâmica usando simulações de circuitos ruidosos em vez de simulações ideais de vetores de estado.

O estudo foca em dois componentes metodológicos primários:

1. Estratégias de Regularização: Para abordar o mal-condicionamento da matriz $M$ na presença de ruído, os autores comparam duas técnicas de regularização: regularização de Tikhonov (adicionando um termo diagonal $\epsilon I$ a $M$) e truncamento de autovalores (ignorando autovalores abaixo de um limiar $\epsilon$).
2. Distribuição Otimizada de Medições: Os autores implementam uma estratégia de alocação de tiros baseada na minimização de uma função de custo definida como a variância total da solução das equações de movimento ($\sigma^2_{\dot{\theta}}$). Isso envolve calcular a sensibilidade das atualizações de parâmetros $\dot{\theta}$ aos resultados brutos das medições. Diferentemente de abordagens anteriores, eles introduzem uma restrição crítica: um número mínimo de tiros ($M_{min}$) deve ser alocado a cada circuito de medição para impedir que o algoritmo atribua tiros próximos de zero a termos sensíveis. Isso é implementado via um algoritmo recursivo que garante $M_{min} = r \cdot M_{ave}$, onde $r$ é uma fração dos tiros médios por medição.

Principais Resultados

• Desempenho da Regularização: Através de simulações sem ruído e ruidosas, os autores demonstram que a regularização de Tikhonov fornece robustez superior em comparação ao truncamento de autovalores. Especificamente, a regularização de Tikhonov com $\epsilon = 10^{-2}$ mantém alta fidelidade e trajetórias estáveis mesmo com ruído significativo de tiros, enquanto o truncamento de autovalores requer limiares muito menores ($\epsilon \le 10^{-4}$) para convergir, tornando-o mais suscetível a ser sobrecarregado pelo ruído.
• Eficácia da Alocação de Tiros: A estratégia de alocação de tiros otimizada supera significativamente a distribuição uniforme de tiros. Ao impor uma restrição de tiro mínimo (especificamente encontrando um $r \approx 0,4$ ótimo), o método alcança fidelidades de estado comparáveis às distribuições uniformes que usam mais que o dobro do número total de tiros. Isso representa uma redução no custo total de medição por um fator superior a dois.
• Definições de Função de Custo: Os autores testaram funções de custo alternativas, incluindo a variância da função de onda do próximo passo ($\sigma^2_{|\Psi\rangle}$) e a variância da distância de McLachlan ($\sigma^2_{L^2}$). Eles descobriram que minimizar a variância da solução das equações de movimento ($\sigma^2_{\dot{\theta}}$) e a variância da função de onda ($\sigma^2_{|\Psi\rangle}$) produzem resultados similares e ótimos em tempos posteriores de simulação. Em contraste, minimizar a variância de $L^2$ provou ser ineficaz para a evolução dinâmica, provavelmente porque a evolução não depende explicitamente do valor otimizado de $L^2$ da mesma maneira.
• Escala do Tamanho do Sistema: Os benefícios da estratégia de alocação otimizada foram observados tanto em sistemas de spins $N=6$ quanto $N=8$, com a fração mínima de tiros ótima ($r \approx 0,4$) permanecendo consistente.

Significado e Alegações
O artigo alega que a combinação de regularização robusta de matrizes (especificamente Tikhonov) e uma estratégia de distribuição de medições otimizada e restrita fornece diretrizes práticas para implementar VQDS eficiente em medições em hardware de curto prazo. Os autores afirmam que suas descobertas destacam a necessidade de "design consciente do ruído" tanto para solvers numéricos quanto para estratégias de medição. Ao garantir que uma fração finita de tiros seja distribuída uniformemente (via a restrição $M_{min}$) enquanto o restante é otimizado com base na sensibilidade, os pesquisadores podem melhorar significativamente a fidelidade do estado e reduzir a sobrecarga total de medições necessária para atingir uma dada precisão. Os autores observam que este framework é geral e aplicável a outros algoritmos variacionais, incluindo VQDS em tempo real, esquemas adaptativos e otimização de gradiente natural quântico, permitindo assim simulações quânticas mais escaláveis no hardware atual.