Double-bracket quantum algorithms for thermal state preparation

Resumo Técnico: Algoritmos quânticos de duplo colchete para preparação de estados térmicos

Definição do Problema
A preparação de estados térmicos (Gibbs), $\rho(\beta) = e^{-\beta H_s}/Z(\beta)$, é uma tarefa fundamental na física quântica com aplicações em física de muitos corpos, física de altas energias, otimização e aprendizado de máquina. No entanto, preparar esses estados para Hamiltonianos de muitos corpos gerais é computacionalmente desafiador. O problema é QMA-difícil para abordagens quânticas no limite de baixa temperatura e NP-difícil para vidros de spins clássicos. Os algoritmos quânticos existentes enfrentam compromissos significativos:

• Métodos tolerantes a falhas (ex: simulações Lindbladianas, evolução no tempo imaginário via block-encoding) oferecem garantias de complexidade rigorosas, mas exigem primitivas sofisticadas como block-encoding e combinações lineares de unitários, tornando-os impraticáveis para o hardware atual.
• Métodos variacionais de curto prazo (ex: Evolução Quântica de Tempo Imaginário Variacional, VarQITE) são viáveis para sistemas pequenos, mas sofrem de problemas fundamentais como platôs estéreis (barren plateaus), mínimos locais e o problema da medição quântica, levando a uma utilidade prática incerta em dispositivos quânticos de escala intermediária com ruído (NISQ).

Há uma necessidade de métodos não variacionais que operem efetivamente em um regime intermediário, preenchendo a lacuna entre as restrições de curto prazo e os requisitos de tolerância a falhas.

Metodologia: Double-Bracket Thermofield Double (DB-TFD)
Os autores propõem o DB-TFD, um algoritmo quântico que prepara estados térmicos simulando estados de thermofield double (TFD). O estado TFD, $|TFD(\beta)\rangle$, é uma purificação do estado térmico definido em um espaço de Hilbert duplo ($H_{sys} \otimes H_{aux}$), de tal forma que traçar o subsistema auxiliar resulta no estado de Gibbs alvo. A preparação de $|TFD(\beta)\rangle$ é alcançada aplicando a evolução no tempo imaginário ao estado maximamente emaranhado $|TFD(0)\rangle$.

A inovação central é o uso de algoritmos quânticos de duplo colchete para implementar essa evolução no tempo imaginário sem qubits auxiliares (ancilla) ou pós-seleção. O framework baseia-se no fluxo de duplo colchete, uma equação diferencial em matrizes simétricas, para sintetizar circuitos quânticos. O artigo introduz duas variantes:

1. Vanilla DB-TFD: Implementa diretamente a evolução no tempo imaginário usando o framework de Double-Bracket Quantum Imaginary-Time Evolution (DB-QITE). Esta abordagem discretiza o fluxo de duplo colchete usando uma aproximação de primeira ordem (comutadores de grupo). Não requer medições intermediárias de propriedades do estado (energia/variância) uma vez que o tempo total de evolução e o número de passos sejam fixados.
2. Poly DB-TFD: Emprega Double-Bracket Quantum Signal Processing (DB-QSP) para aproximar o operador de evolução no tempo imaginário $e^{-\beta H/2}$ via uma transformação polinomial. Este método utiliza aproximações polinomiais de baixo grau da função exponencial. Diferente da variante vanilla, requer a estimativa da energia e da variância do Hamiltoniano em cada iteração para determinar as raízes do polinômio e os tamanhos dos passos.

Contribuições Principais e Análise Teórica
O artigo fornece uma análise rigorosa de escalonamento da complexidade de consulta (número de chamadas de oráculo para evoluções de Hamiltoniano e operadores de reflexão) para ambas as variantes, assumindo uma precisão alvo $\epsilon$. O erro total é decomposto em erro algorítmico intrínseco, erro de aproximação de fórmula de produto e ruído estatístico de disparos (shot noise).

• Escalonamento Vanilla DB-TFD: O número de passos recursivos $k$ necessários escala exponencialmente com o inverso da temperatura $\beta$ (especificamente $O(e^{\beta}/\epsilon)$). Isso indica que, embora o método seja conceitualmente simples, é ineficiente para baixas temperaturas devido ao acúmulo de erro de discretização de primeira ordem.
• Escalonamento Poly DB-TFD: Ao utilizar aproximações polinomiais ótimas da função exponencial, o grau polinomial $k$ necessário escala como $O(\sqrt{\beta} \log(1/\epsilon))$.
• Coeficiente de Contração: Um componente crítico da análise é o coefiente de contração $A(k)$, que governa o acúmulo de erros de fórmula de produto. Os autores definem um "regime prático" onde $A(k)$ escala sub-polinomialmente (ex: $A(k) \in O(k^c)$). Neste regime, a complexidade de consulta total para Poly DB-TFD escala como $N_{tot} \in \exp(\tilde{O}(\beta, \log(1/\epsilon)))$. Este escalonamento é comparável aos melhores métodos conhecidos de tolerância a falhas (ex: baseados em block-encoding), mas evita seus pesados custos de recursos (qubits ancilla, operadores de salto complexos).
• Ruído Estatístico: Embora o Poly DB-TFD exija a estimativa de energia e variância, os autores mostram que os recursos necessários para suprimir o ruído estatístico são subdominantes ao custo da aproximação da fórmula de produto. Simulações numéricas sugerem que o acúmulo de erro não cresce exponencialmente com o número de passos na prática, contrariando os limites analíticos de pior caso.

Resultados e Validação Numérica
Os autores validam seus limites teóricos através de simulações numéricas em modelos quânticos unidimensionais: o modelo XXZ, o Modelo de Ising em Campo Transverso (TFIM) e o modelo de Heisenberg.

• Verificação de Escalonamento: Simulações para sistemas de até $n=10$ qubits (dobrados para 20 qubits) confirmam que a complexidade de consulta escala exponencialmente com $\beta$ (especificamente $\sim e^{O(\beta)}$), consistente com as previsões teóricas para o regime prático.
• Aplicação em Modelagem Generativa: O artigo demonstra a utilidade do DB-TFD no treinamento de Máquinas de Boltzmann Quânticas (QBMs) para modelagem generativa. O objetivo é minimizar a entropia relativa quântica entre uma distribuição alvo e um estado de Gibbs do modelo.
  • Desempenho vs. VarQITE: Em configurações sem ruído, o Poly DB-TFD com uma pequena profundidade de recursão ($k=5$) supera ou iguala o desempenho do VarQITE em várias tarefas (XXZ, Bernoulli, Bar-and-Stripes).
  • Robustez ao Ruído de Disparos (Shot Noise): Na presença de ruído de disparos, o Poly DB-TFD supera significativamente o VarQITE. O desempenho do VarQITE degrada substancialmente com um número limitado de disparos de medição, enquanto o DB-TFD mantém um desempenho estável, sugerindo ser mais eficiente em termos de medição.
  • Ruído de Depolarização: O VarQITE mostra maior robustez ao ruído de depolarização (erros de porta) do que o DB-TFD, provavelmente devido à profundidade de circuito fixa de ansatzes variacionais versus o crescimento de profundidade teoricamente exponencial do DB-TFD. No entanto, os autores observam que, na prática, apenas valores muito pequenos de $k$ são suficientes para o DB-TFD, mitigando esse overhead.

Significância e Alegações
O artigo afirma que o DB-TFD estabelece uma rota promissora para a preparação de estados térmicos nos regimes de final de curto prazo e início de tolerância a falhas.

• Eficiência de Recursos: Ao evitar qubits ancilla e primitivas complexas como block-encoding, o DB-TFD é melhor adequado para dispositivos com conectividade e orçamentos de portas limitados.
• Vantagem Não-Variacional: Como um algoritmo não variacional, ele evita os problemas de treinabilidade (platôs estéreis) inerentes às abordagens variacionais.
• Viabilidade Prática: A combinação de escalonamento de complexidade de consulta exponencial (correspondendo aos métodos de ponta de tolerância a falhas) e robustez ao ruído de disparos sugere que o Poly DB-TFD pode alcançar a preparação de estados térmicos de alta qualidade com circuitos relativamente rasos e poucas iterações, tornando-o viável para o hardware atual e futuro próximo.

Os autores concluem que, embora o escalonamento de pior caso teórico possa ser duplamente exponencial se o coeficiente de contração crescer exponencialmente, evidências numéricas para Hamiltonianos fisicamente motivados apoiam a existência de um regime prático onde o algoritmo é eficiente. Trabalhos futuros são necessários para provar rigorosamente essas propriedades de escalonamento para classes mais amplas de Hamiltonianos e para comparar as complexidades de consulta entre diferentes conjuntos de portas elementares.