Reducing quantum measurements in qubit-based overlapping grouping methods for quantum energy estimation through better initializations

Resumo Técnico: Redução de Medições Quânticas em Métodos de Agrupamento Sobrepostos Baseados em Qubits através de Melhores Inicializações

Declaração do Problema
Estimar os valores de esperança de Hamiltonianos é um gargalo central em algoritmos quânticos variacionais (VQAs) para estrutura eletrônica e aprendizado de máquina quântico. O número de palavras de Pauli em Hamiltonianos moleculares escala como $O(N_q^4)$, tornando a medição direta de cada termo impraticável. Embora as estratégias de agrupamento (particionando palavras de Pauli em conjuntos compatíveis) reduzam esse custo, métodos sobrepostos de última geração, como o Iterative Coefficient Splitting (ICS) e o Shared Pauli Products (SPP), dependem de um conjunto inicial de fragmentos não sobrepostos de "semente" (seed). Essas sementes são tipicamente geradas pelo algoritmo Sorted Insertion (SI), que ordena os termos pela magnitude do coeficiente. Descobertas recentes sugerem que a qualidade desse agrupamento inicial não sobreposto impacta significativamente o custo de medição final de métodos sobrepostos, embora a otimização dessas inicializações permaneça uma área pouco explorada.

Metodologia
Os autores introduzem o Variance-Aware Sorted Insertion (VarSI), uma família de algoritmos heurísticos informados por covariância projetados para gerar agrupamentos de Pauli não sobrepostos superiores. Diferente do SI padrão, que ordena por magnitude de coeficiente ($|c_i|$), o VarSI utiliza um dicionário de covariâncias de Pauli (já exigido por métodos sobrepostos como o ICS) para pontuar inserções candidatas com base em seu impacto na variância total da medição.

O artigo define três variantes principais:

1. VarSI-O (Ordenado): Um análogo ao SI que ordena os termos por sua contribuição de variância de termo único ($v_i = c_i^2 C_{ii}$) e os insere no grupo compatível que minimiza o objetivo de medição total $\epsilon^2_M$.
2. VarSI-G (Global Greedy): Uma abordagem computacionalmente mais cara que seleciona dinamicamente o próximo termo e seu destino de grupo para minimizar a variância imediata, em vez de seguir uma ordem de ordenação fixa.
3. VarSI-R (Refinamento): Um passo de refinamento local aplicado a agrupamentos gerados por SI ou VarSI-O. Ele realiza uma varredura de relocações de termo único entre grupos compatíveis, aceitando movimentos apenas se estes reduzirem estritamente o objetivo de medição.

O objetivo de medição é definido como $\epsilon^2_M(G) = (\sum_{\alpha} \sqrt{\text{Var}_\psi(H_\alpha)})^2$. Os algoritmos utilizam a regra de atualização de covariância (Eq. 9 no texto) para calcular eficientemente a mudança de variância quando um termo é adicionado ou removido de um grupo. O custo computacional do VarSI-O é comparável ao SI ($O(N^2 n_q)$), enquanto o VarSI-G escala cubicamente ($O(N^3)$).

Principais Contribuições

• Derivação de Atualizações de Covariância: Os autores derivam uma regra específica de atualização de covariância que permite a pontuação eficiente de inserções candidatas sem recalcular as variâncias totais dos grupos do zero.
• Estrutura Algorítmica: A proposta do VarSI-O, VarSI-G e suas variantes de refinamento (VarSI-R, VarSI-OR) como uma forma sistemática de melhorar agrupamentos não sobrepostos usando dados de covariância.
• Integração com Métodos Sobrepostos: Demonstração de que esses agrupamentos não sobrepostos melhorados servem como inicializações eficazes para o algoritmo ICS, criando um pipeline onde melhores sementes levam a melhores estimadores.

Resultados
Os métodos foram testados em 130 Hamiltonianos moleculares (incluindo LiH, BeH$_2$, H$_2$O, NH$_3$ e cadeias de hidrogênio H$_4$–H$_8$) usando mapeamentos Jordan-Wigner (JW), Bravyi-Kitaev (BK) e Paridade. Dicionários de covariância foram construídos usando ou funções de onda exatas de estado fundamental ou funções de onda aproximadas de Coupled Cluster with Single and Double excitations (CISD).

• Desempenho Não Sobreposto: As variantes de refinamento (VarSI-R e VarSI-OR) reduziram consistentemente os requisitos de medição em comparação ao SI padrão em 35–39% em todo o conjunto de dados, independentemente da fonte de covariância ou mapeamento de qubit. O VarSI-G geralmente falhou em superar o SI em configurações não sobrepostas.
• Desempenho Sobreposto (ICS): Quando usados para inicializar o ICS, os agrupamentos baseados em VarSI alcançaram reduções significativas de medição em relação ao SI-ICS:
  • Com covariâncias de estado fundamental exato: Reduções médias de 9,2–10,1% (JW) e 7,1–13,1% (BK), com reduções máximas de até 70%.
  • Com covariâncias CISD: Reduções médias de 11,1–15,3%, com reduções máximas de até 70,7%.
• Sistemas Fortemente Correlacionados: Em tarefas envolvendo a Superfície de Energia Potencial (PES) de N$_2$ e cadeias de hidrogênio, a inicialização VarSI-OR-ICS reduziu o número total de medições necessárias para atingir 1 mEh de precisão em milhões comparado ao SI-ICS. Para a curva de dissociação de N$_2$, isso se traduziu em aproximadamente 1 hora a menos de tempo de execução de QPU para o método VarSI-OR-ICS.
• Robustez: Em 418 instâncias de teste, a inicialização SI padrão foi estritamente melhor que as propostas inicializações VarSI em apenas 5 casos (todos usando variâncias aproximadas de CISD), demonstrando a consistência da melhoria.

Significância
O artigo estabelece que o agrupamento inicial não sobreposto permanece um "passo de design consequente" mesmo quando o estimador final utiliza fragmentos sobrepostos. Ao aproveitar os dicionários de covariância já necessários para métodos sobrepostos, o VarSI fornece um caminho de baixo custo para reduzir os custos de medição. Os autores afirmam que essas inicializações melhoradas permitem que o método computacionalmente mais barato, ICS, compita com estruturas mais caras como o SPP. Além disso, os resultados sugerem que economias de recursos de até 1 hora de tempo de QPU são alcançáveis em aplicações comuns de química quântica, destacando o valor prático de otimizar a "semente" do processo de alocação de medição. O trabalho também observa que o custo computacional clássico de gerar dicionários de covariância pode ser mitigado usando técnicas de aprendizado de máquina ou funções de onda pré-treinadas, embora essa extensão esteja além do escopo atual.