Simulation of Lindbladian dynamics via adaptive variational quantum trajectory compression

Resumo Técnico: Simulação de Dinâmica Lindbladiana via Compressão de Trajetória Quântica Variacional Adaptativa

Definição do Problema
A simulação quântica de sistemas quânticos abertos em dispositivos de Escala Intermediária com Ruído Quântico (NISQ) enfrenta dois obstáculos primários: a natureza não unitária da dinâmica dissipativa e as severas limitações dos recursos quânticos disponíveis, particularmente a profundidade do circuito e a contagem de qubits. Métodos existentes para simular a dinâmica de Lindblad frequentemente dependem da imersão da evolução não unitária em espaços de Hilbert ampliados (exigindo qubits auxiliares) ou da decomposição da dinâmica em conjuntos de trajetórias que ainda necessitam de circuitos profundos ou processamento pós-computacional complexo. Embora os Algoritmos Quânticos Variacionais (VQAs) tenham mostrado promessa para dinâmicas de sistemas fechados, sua aplicação a sistemas abertos é dificultada pela necessidade de qubits auxiliares, pelo crescimento da profundidade dos circuitos e pelo acúmulo de erros durante o processamento clássico pós-computacional.

Metodologia
Os autores propõem um algoritmo eficiente em termos de recursos, livre de ancilas, que combina uma representação de canal adjunto compacta com uma estrutura de compressão de trajetória quântica variacional adaptativa.

1. Construção de Canal Adjunto Compacto:
   Para sistemas abertos com dissipações de Pauli ($P_k \in \{I, X, Y, Z\}^{\otimes n}$), os autores derivam um canal adjunto de unitário misto que aproxima a dinâmica dissipativa alvo com um erro de escala $O(\delta t^2)$. Diferente de formulações anteriores que exigiam processamento pós-computacional clássico para corrigir desvios, este novo canal é construído de tal forma que a evolução alvo é diretamente aproximada por uma mistura probabilística de operadores unitários:
   $$\mathcal{A}(\rho) = \sum_{k=0}^{D} p_k U_k \rho U_k^\dagger$$
   Aqui, $U_0$ representa uma evolução Hamiltoniana reescalonada ($e^{-iH\Delta t}$) e $U_{k>0}$ são os operadores de dissipação de Pauli. As probabilidades $p_k$ são derivadas para garantir a normalização. Esta estrutura permite que a dinâmica seja simulada via amostragem de Monte Carlo de trajetórias quânticas sem o uso de qubits auxiliares.

2. Compressão de Trajetória Quântica Variacional Adaptativa:
   Para abordar o gargalo de profundidade de circuito causado pelas aplicações repetidas do operador de "não-salto" (no-jump) $U_0$ em simulações de longo tempo, os autores introduzem uma estratégia de compressão.

• Treinamento: Uma série de Circuitos Quânticos Parametrizados (PQCs) de profundidade adaptativa, denotados como $U(\theta_s)$, são treinados para aproximar a evolução Hamiltoniana de $s$-passos $(U_0)^s$.
• Estratégias de Treinamento: Duas estratégias são exploradas:
  • Treinamento Direto: O PQC é treinado diretamente contra o $(U_0)^s$ exato.
  • Treinamento Iterativo: O PQC para o passo $s$ é treinado contra o produto do circuito previamente treinado e um único passo $U_0$ (ou seja, $U(\theta_{s-1})U_0$), reduzindo a profundidade do circuito alvo durante o treinamento.
• Função de Perda: Para evitar a necessidade de qubits auxiliares exigidos por testes de Hilbert-Schmidt, os autores utilizam uma função de perda amostrada por base. Esta avalia o acordo entre o PQC e a unitária alvo em um conjunto finito de estados de base, tornando-a amigável ao hardware.
• Compressão: Nas trajetórias amostradas, sequências consecutivas de blocos $U_0$ são identificadas e substituídas pelo respectivo PQC treinado $U(\theta_s)$, reduzindo significamente a profundidade do circuito enquanto preserva a estrutura da trajetória.

3. Protocolo de Simulação:
   O algoritmo procede amostrando trajetórias de acordo com a distribuição de probabilidade do canal adjunto. Cada trajetória é então comprimida substituindo segmentos de $U_0$ pelos PQCs treinados. Finalmente, os valores de expectativa de observáveis são estimados através da média dos resultados das medições sobre o conjunto de trajetórias comprimidas.

Principais Contribuições

• Canal Adjunto Livre de Ancila: A derivação de um canal adjunto de unitário misto, compacto e estável que elimina a necessidade da etapa de processamento pós-computacional clássico encontrada em trabalhos anteriores, reduzindo assim a amplificação de erro.
• Compressão Adaptativa de Profundidade: A introdução de um framework que utiliza compilação quântica variacional para comprimir blocos de evolução Hamiltoniana repetidos dentro de trajetórias amostradas, abordando diretamente as limitações de profundidade de circuito de dispositivos NISQ.
• Treinamento Eficiente para Hardware: A proposta de uma função de perda amostrada por base e estratégias de treinamento iterativo que permitem que o treinamento de compressão seja realizado sem qubits auxiliares e com a redução da profundidade do circuito alvo.
• Integração de Estruturas: O trabalho demonstra como explorar conjuntamente a estrutura específica das dissipações de Pauli (levando a segmentos frequentes de "não-salto") e técnicas de compressão variacional para reduzir a lacuna entre algoritmos de sistemas abertos e a implementação em hardware de curto prazo.

Resultados
Os autores validaram o método usando simulações numéricas do modelo $XY$ quântico dissipativo, especificamente modelando o derretimento de um estado de parede de domínio sob dephasing local.

• Precisão: A amostragem estocástica do canal adjunto derivado reproduziu com sucesso a dinâmica de Lindblad exata e os resultados do canal de Kraus determinístico. O erro de amostragem escalou como $O(1/\sqrt{M})$ com o número de trajetórias $M$.
• Eficiência de Compressão: A compressão variacional reduziu significamente a profundidade do circuito. Para um tempo de simulação $T=10$ com $M=128$ trajetórias, a estratégia de substituição "direta" reduziu a contagem média de portas de um qubit e de dois qubits em aproximadamente 43%.
• Compromissos (Trade-offs): A estratégia de treinamento iterativo mostrou que, embora reduza a profundidade do alvo de treinamento, ela introduz erros de aproximação acumulados conforme a extensão da compressão ($s_{max}$) aumenta. No entanto, mesmo com esses erros, as trajetórias comprimidas mantiveram alta fidelidade à dinâmica física, com a estratégia direta oferecendo o melhor equilíbrio entre precisão e redução de recursos nos cenários testados.

Significância e Alegações
O artigo afirma fornecer uma rota prática para a simulação de sistemas quânticos abertos com redução de profundidade e livre de ancilas em hardware quântico de curto prazo. Os autores enfatizam que sua abordagem é particularmente adequada para a era NISQ porque:

1. Evita os problemas de escalabilidade dos métodos de dilação ao eliminar qubits auxiliares.
2. Mitiga o impacto do ruído do hardware ao reduzir a profundidade do circuito necessária para a implementação da trajetória.
3. Oferece um framework flexível onde o compromisso entre a precisão algorítmica (erro de discretização) e o ruído do hardware pode ser gerenciado escolhendo comprimentos de compressão e estratégias de treinamento apropriados.

Os autores observam modestamente que existem construções de canais de ordem superior, mas que estas frequentemente levam a estruturas de trajetória mais complexas que são menos adequadas para esta técnica de compressão específica. Portanto, para dispositivos atuais, um algoritmo de ordem inferior, porém compacto, livre de ancilas e de profundidade reduzida, é apresentado como uma solução mais prática do que construções formalmente de ordem superior com maiores sobrecargas de recursos. O trabalho sugere que combinar representações de canal adjunto fisicamente estruturadas com compressão de trajetória variacional é um caminho viável para simular sistemas quânticos de muitos corpos realistas e abertos.