Qubit-efficient variational algorithm for nuclear structure

Este artigo compara três estratégias de mapeamento de qubits no âmbito do Variational Quantum Eigensolver (VQE) para estudar os estados fundamentais dos núcleos de $^{10}$B e $^{12}$C, demonstrando que o mapeamento por determinante de Slater (SD) produz a maior precisão em hardware quântico, enquanto o mapeamento adaptado à simetria de carga (cSD) oferece eficiência superior de qubits para a escalabilidade a núcleos complexos.

O essencial

Imagine que você está tentando resolver um quebra-cabeça massivo e incrivelmente complexo. Este quebra-cabeça representa o "estado fundamental" (a configuração mais estável, de menor energia) de um núcleo atômico, especificamente para elementos como Boro-10 e Carbono-12. No mundo da física, descobrir como essas partículas minúsculas se organizam é como tentar encontrar a única imagem perfeita entre bilhões de possibilidades erradas.

Tradicionalmente, os cientistas usam computadores clássicos poderosos para resolver isso, mas, à medida que o quebra-cabeça fica maior (mais partículas), o número de arranjos possíveis explode tão rapidamente que até os melhores supercomputadores ficam presos. É aqui que entra a Computação Quântica. É como ter um novo tipo mágico de solucionador de quebra-cabeças que pode observar muitas possibilidades de uma só vez.

Este artigo trata de testar três diferentes "estratégias" ou "mapas" para traduzir este quebra-cabeça nuclear para uma linguagem que um computador quântico possa entender. Os pesquisadores usaram um método chamado VQE (Solver Variacional de Autovalores Quânticos), que é essencialmente um processo de tentativa e erro onde o computador ajusta suas configurações até encontrar a melhor solução.

Aqui está uma análise das três estratégias que eles testaram, usando analogias simples:

As Três Estratégias (Mapeamentos)

Pense nos "qubits" do computador quântico (suas unidades básicas de informação) como assentos em um ônibus. O objetivo é colocar todas as peças do quebra-cabeça (os estados nucleares) no ônibus de forma eficiente.

1. A Estratégia "Um Assento por Peça" (Mapeamento SD)

• Como funciona: Imagine que você tem 26 peças de quebra-cabeça. Nesta estratégia, você atribui um assento específico no ônibus para cada peça individual. Se você tem 26 peças, precisa de 26 assentos.
• As Vantagens: É muito direto. As "regras" de como as peças interagem são simples, então o computador não precisa fazer muito trabalho pesado para calcular a resposta. É como ter um manual de instruções muito claro e simples.
• As Desvantagens: Usa muitos assentos (qubits). Se seu quebra-cabeça ficar maior, você pode ficar sem assentos no ônibus.
• O Resultado: Quando testado em hardware quântico real, este método foi o mais preciso, errando a resposta perfeita em apenas 0,21%. Foi o corredor mais confiável.

2. A Estratégia "Equipe Dividida" (Mapeamento pnSD)

• Como funciona: Esta estratégia tenta economizar espaço dividindo o quebra-cabeça em duas equipes: "Prótons" e "Nêutrons". Em vez de dar a cada peça individual seu próprio assento, ela as agrupa. Para o quebra-cabeça do Boro, isso reduziu a necessidade de 26 assentos para 20.
• As Vantagens: Economiza espaço no ônibus (menos qubits).
• As Desvantagens: As instruções de como essas equipes interagem tornam-se incrivelmente complicadas e confusas. O computador precisa realizar um enorme número de etapas complexas (portas) para descobrir a resposta. É como tentar coordenar uma dança entre duas equipes onde todos precisam seguir um roteiro muito longo e confuso.
• O Resultado: Como as instruções eram tão complexas e o hardware está atualmente um pouco "ruidoso" (como uma sala com muito ruído de fundo), este método teve mais dificuldades, com erros em torno de 8,88%.

3. A Estratégia "Compressão Mágica" (Mapeamento cSD)

• Como funciona: Esta é a abordagem mais inovadora. Em vez de dar a cada peça um assento, os pesquisadores usaram um truque inteligente para "comprimir" todo o quebra-cabeça. Eles pegaram as 26 peças e as espremeram em um formato que precisava de apenas 5 assentos (qubits).
• As Vantagens: É incrivelmente eficiente em termos de espaço. Permitiu-lhes estudar um quebra-cabeça maior e mais complexo (Carbono-12) que teria sido impossível caber no ônibus com as outras duas metodologias.
• As Desvantagens: Como espremeram o quebra-cabeça tão apertado, o "manual de instruções" tornou-se muito longo e complexo. O computador precisa ajustar muitos mais botões (parâmetros) para encontrar a resposta certa.
• O Resultado: Desempenhou-se razoavelmente bem (cerca de 3,37% de erro para o Boro e 6,82% para o Carbono). Embora não fosse tão preciso quanto o primeiro método, provou que é possível resolver problemas muito maiores com muito poucos recursos.

O Experimento e os Resultados

Os pesquisadores executaram essas estratégias em dois tipos de "pistas de teste":

1. Um Simulador Perfeito: Uma simulação de computador sem ruído onde tudo funciona perfeitamente.
2. Hardware Quântico Real: Eles usaram um computador quântico real (ibm_fez da IBM) e um simulador ruidoso que imita imperfeições do mundo real.

Principais Descobertas:

• O Ruído é o Inimigo: Computadores quânticos reais estão atualmente "ruidosos", o que significa que cometem pequenos erros. Quanto mais complexas as instruções (como na estratégia pnSD), mais esses erros se acumulam.
• Correção de Erros: Eles usaram uma técnica chamada "Extrapolação de Ruído Zero" (ZNE). Imagine tirar uma foto borrada, tirá-la novamente com a câmera um pouco mais borrada e, em seguida, usar matemática para adivinar como a foto nítida teria parecido. Isso ajudou a limpar os resultados.
• O Vencedor: Para o quebra-cabeça menor (Boro-10), a estratégia "Um Assento por Peça" (SD) foi a campeã, obtendo a resposta quase perfeitamente mesmo no hardware real.
• A Esperança Futura: A estratégia "Compressão Mágica" (cSD) mostrou grande promessa. Embora não fosse a mais precisa para o quebra-cabeça pequeno, provou que podemos enfrentar núcleos muito maiores e mais complexos (como o Carbono-12) sem precisar de um ônibus com centenas de assentos.

A Conclusão

Este artigo é um "teste de estresse" para diferentes maneiras de falar com computadores quânticos sobre núcleos atômicos.

• Se você deseja máxima precisão agora em problemas pequenos, use o mapeamento SD direto.
• Se você deseja resolver problemas maiores e mais difíceis com recursos quânticos limitados, o mapeamento cSD é a ferramenta mais eficiente, mesmo que exija um ajuste mais complexo.

Os autores concluem que, embora nenhum método único seja perfeito ainda, a abordagem "Compressão Mágica" (cSD) é um caminho promissor para resolver problemas complexos de física nuclear nos computadores quânticos que temos hoje.

Resumo técnico

Resumo Técnico: Algoritmo variacional eficiente em qubits para estrutura nuclear

Enunciação do Problema
O estudo de núcleos atômicos usando o modelo de camadas nucleares enfrenta um gargalo computacional significativo: o tamanho do espaço de Hilbert cresce combinatorialmente com o número de núcleons, tornando muitos sistemas intratáveis para computadores clássicos. Embora a computação quântica ofereça um caminho para simular esses estados fortemente emaranhados de forma eficiente, os dispositivos atuais de Escala Intermediária Ruidosa (NISQ) são limitados pela contagem de qubits e pela profundidade do circuito. Trabalhos anteriores dos autores demonstraram que mapear configurações de muitos corpos diretamente para qubits poderia produzir circuitos de baixa profundidade, mas ao custo de exigir um grande número de qubits, limitando a escalabilidade. Este trabalho aborda o compromisso entre eficiência de qubits e profundidade do circuito comparando três estratégias distintas de mapeamento para calcular estados fundamentais nucleares usando o Solver Variacional de Autovalores Quânticos (VQE).

Metodologia
Os autores investigam os estados fundamentais de dois núcleos do meio da camada p, $^{10}\text{B}$ ($3^+$) e $^{12}\text{C}$ ($0^+$), usando a interação efetiva CKpot. Eles comparam três estratégias para mapear a base de muitas partículas (Determinantes de Slater, DS) para o espaço de Hilbert de qubits:

1. Mapeamento de Determinante de Slater (DS): Cada um dos $N_{DS}$ estados de muitas partículas é mapeado para um único qubit. Para $^{10}\text{B}$, isso resulta em um sistema de 26 qubits. O Hamiltoniano é convertido em strings de Pauli onde cada qubit representa um DS completo, contabilizando naturalmente a antissimetria. Esta abordagem produz uma função de onda tentativa simples e de baixa profundidade, mas requer o número máximo de qubits.
2. Mapeamento de Determinante de Slater Próton-Nêutron (pnDS): Os DSs são decompostos em componentes de prótons e nêutrons. DSs únicos de prótons e DSs únicos de nêutrons são atribuídos a qubits separados. Para $^{10}\text{B}$, isso reduz o sistema para 20 qubits (10 prótons + 10 nêutrons). O Hamiltoniano é mapeado usando a transformação de Jordan-Wigner. Isso reduz a contagem de qubits, mas aumenta a profundidade do circuito devido à necessidade de portas de excitação controladas e um maior número de grupos de Pauli comutativos.
3. Mapeamento de Determinante de Slater Compacto (cDS): Esta estratégia visa a máxima eficiência de qubits. A dimensão da matriz Hamiltoniana é preenchida até a potência de dois mais próxima (por exemplo, 26 $\to$ 32 para $^{10}\text{B}$, 51 $\to$ 64 para $^{12}\text{C}$) e convertida em um Hamiltoniano de string de Pauli usando o Qiskit. Isso resulta em um sistema de 5 qubits para $^{10}\text{B}$ e um sistema de 6 qubits para $^{12}\text{C}$. A função de onda tentativa usa um ansatz eficiente em hardware (camadas alternadas de portas $RY$ e CNOT) em vez de operadores de excitação inspirados na física. Isso minimiza qubits e contagem de portas, mas requer um número significativamente maior de parâmetros variacionais.

A otimização do VQE foi realizada usando o otimizador SLSQP em um simulador de vetor de estado sem ruído para determinar parâmetros ótimos. Esses circuitos com parâmetros fixos foram então executados em um simulador ruidoso (backend FakeFez da IBM) e em hardware quântico real (ibm_fez). A Extrapolação de Ruído Zero (ZNE) foi aplicada para mitigar erros escalando o nível de ruído das portas de dois qubits.

Principais Resultados

• Contagens de Recursos: O mapeamento DS exigiu 26 qubits para $^{10}\text{B}$, mas apenas 4 grupos de Pauli comutativos para medição de energia. O mapeamento pnDS exigiu 20 qubits, mas 530 grupos comutativos. O mapeamento cDS exigiu apenas 5 qubits para $^{10}\text{B}$ e 6 para $^{12}\text{C}$, com 122 e 365 grupos comutativos, respectivamente.
• Precisão no Hardware:
  • Para $^{10}\text{B}$, o mapeamento DS produziu o resultado mais preciso após mitigação de erros no hardware, com um erro percentual de 0,21% em relação ao resultado exato do modelo de camadas.
  • O mapeamento cDS para $^{10}\text{B}$ resultou em um erro de 3,37%.
  • O mapeamento pnDS para $^{10}\text{B}$ mostrou um erro de 8,88%.
  • Para $^{12}\text{C}$, que foi computacionalmente proibitivo para mapeamentos DS e pnDS em simuladores clássicos, o mapeamento cDS alcançou um erro de 6,82% no hardware.
• Fidelidade da Função de Onda: Para o mapeamento cDS, a fidelidade da função de onda do VQE amostrada no hardware (sem mitigação de erros) foi de 0,942 para $^{10}\text{B}$ e 0,915 para $^{12}\text{C}$ em comparação com as funções de onda exatas do modelo de camadas.

Significado e Alegações
O artigo afirma que, embora o mapeamento DS ofereça superior precisão no hardware atual devido à menor profundidade do circuito e a menos grupos comutativos, o mapeamento cDS é a estratégia mais promissora para escalar para núcleos complexos. A abordagem cDS demonstra a capacidade de definir o estado fundamental de $^{12}\text{C}$ usando apenas 6 qubits, uma tarefa que exigiria 51 qubits para o mapeamento DS e 30 para pnDS, colocando este último além do alcance dos simuladores clássicos de vetor de estado padrão.

Os autores concluem que o mapeamento cDS, apesar de exigir mais parâmetros variacionais, mantém a promessa de descrever sistemas nucleares complexos em diferentes regiões de massa no hardware NISQ devido à sua eficiência de qubits. Eles também observam que os mapeamentos DS e pnDS permanecem valiosos para futuros dispositivos quânticos e para preparação de estado inicial em outros algoritmos quânticos onde determinantes de Slater individuais podem ser controlados por parâmetros únicos. O trabalho estabelece um quadro comparativo para selecionar estratégias de mapeamento com base nas restrições específicas de disponibilidade de qubits, profundidade do circuito e custo computacional da simulação clássica.