Orthogonal Quantum Krylov Diagonalisation

Resumo Técnico: Diagonalização de Krylov Quântica Ortogonal

Definição do Problema
Métodos de diagonalização de subespaço quântico, particularmente a Diagonalização de Krylov Quântica (QKD), oferecem uma rota promissora para o cálculo de espectros de baixa energia de Hamiltonianos de muitos corpos quânticos. No entanto, as abordagens de Krylov quânticas existentes (incluindo a recente QKD baseada em Chebyshev ou CQKD) dependem de bases de Krylov não ortogonais. Essa não-ortogonalidade exige a solução de um problema de autovalor generalizado envolvendo uma matriz de sobreposição ($S$). À medida que a dimensão do subespaço aumenta, os vetores de Krylov tornam-se linearmente dependentes, fazendo com que a matriz de sobreposição se torne mal condicionada. Para mitigar a instabilidade numérica, os métodos existentes exigem procedimentos de limiarização (thresholding) e regularização. Essas etapas introduzem custos computacionais e de medição adicionais, degradam as propriedades de convergência e impedem a reprodução exata das características de estabilidade e ortogonalidade encontradas no algoritmo de Lanczos clássico. Além disso, a complexidade de medição desses métodos frequentemente herda uma dependência exponencial do tamanho do sistema devido à "catástrofe de ortogonalidade" (pequena sobreposição do estado inicial com o autoestado alvo).

Metodologia
Os autores introduzem a Diagonalização de Krylov Quântica Ortogonal (OQKD), um framework que reformula a recursão de Lanczos clássica ao nível do operador para permitir uma implementação quântica ortogonal.

• Reformulação ao Nível do Operador: Em vez de gerar vetores não ortogonais e regularizá-los, a OQKD constrói vetores de Lanczos $|\psi^\perp_n\rangle$ diretamente como transformações polinomiais normalizadas do Hamiltoniano reescalonado $\tilde{H}$ atuando sobre um estado inicial $|\Phi_0\rangle$:
  $$|\psi^\perp_n\rangle = P_n(\tilde{H})|\Phi_0\rangle$$
  onde $P_n$ satisfaz a relação de recorrência de três termos de Lanczos.
• Determinação Recursiva de Coeficientes: Os coeficientes de normalização ($\tilde{\beta}_{i+1}$) necessários para a recorrência são determinados a priori usando momentos mensuráveis ($\langle \psi^\perp_i | \tilde{H}^2 | \psi^\perp_i \rangle$) em vez de uma normalização de vetor a posteriori. Isso permite a construção dos coeficientes polinomiais sem armazenar explicitamente vetores intermediários ou realizar testes de Hadamard para elementos de sobreposição fora da diagonal.
• Implementação Quântica: Os polinômios de Lanczos são expandidos na base de Chebyshev e implementados usando Block Encoding e Processamento de Sinal Quântico Generalizado (GQSP). Esta abordagem garante que a base gerada seja ortonormal por construção, resultando em um Hamiltoniano projetado com uma estrutura tridiagonal e uma matriz de sobreposição próxima da identidade ($S \approx I$).
• Protocolo de Reinicialização (ROQKD): Para lidar com a diminuição exponencial da probabilidade de sucesso associada à implementação de polinômios de alto grau via GQSP, os autores propõem um protocolo de preparação de estado reiniciado. Em vez de aplicar um único polinômio de alto grau, o algoritmo realiza uma sequência de ciclos de OQKD com um grau máximo fixo e baixo ($n_{max}$). O estado fundamental aproximado obtido ao final de cada ciclo é convertido em um estado quântico (via GQSP) e usado como o estado inicial para o próximo ciclo. Isso acumula as transformações polinomiais enquanto mantém uma probabilidade de sucesso quase constante para a preparação do estado.

Principais Resultados

• Estabilidade Numérica e Convergência: Simulações numéricas no modelo Heisenberg $J_1-J_2$ demonstram que a OQKD reproduz o comportamento de convergência do algoritmo de Lanczos clássico até a precisão de máquina. Diferente da QKD e CQKD, que se desviam do perfil de convergência ideal assim que a regularização da matriz de sobreposição é ativada, a OQKD mantém uma base bem condicionada ao longo da iteração.
• Complexidade de Medição: O artigo estabelece analiticamente que a OQKD elimina o gargalo da regularização da matriz de sobreposição. Consequentemente, a complexidade de medição por elemento de matriz projetado torna-se independente da sobreposição do estado inicial ($\gamma_0$). Embora o custo efetivo ainda dependa da probabilidade de sucesso do GQSP, essa dependência é deslocada de uma propriedade fundamental do sistema físico (decaimento exponencial com o tamanho do sistema) para um parâmetro dependente da implementação.
• Desempenho do Protocolo de Reinicialização: O protocolo ROQKD alcança a convergência exponencial da infidelidade em direção ao estado fundamental exato. Crucialmente, a probabilidade de sucesso na preparação do estado fundamental aproximado permanece quase constante durante os ciclos de reinicialização, contrastando com o decaimento exponencial observado em implementações de CQKD reiniciado ou de polinômios diretos de alto grau.

Significância e Alegações
O artigo alega estabelecer a OQKD como um análogo quântico ortogonal direto do algoritmo de Lanczos clássico. Sua principal significância reside em:

1. Eliminar a Regularização: Remove a necessidade de regularização da matriz de sobreposição, preservando assim as propriedades de estabilidade numérica e convergência inerentes ao método de Lanczos clássico.
2. Preparação de Estado Escalável: O protocolo reiniciado (ROQKD) fornece uma estratégia promissora para preparar estados iniciais de alta fidelidade para a Estimativa de Fase Quântica (QPE) com uma probabilidade de sucesso quase constante, superando as limitações de transformações de polinômios de alto grau em passo único.
3. Unindo o Clássico ao Quântico: O trabalho conecta técnicas de diagonalização de subespaço clássicas com algoritmos quânticos modernos baseados em block encoding e GQSP, ofereando uma rota escalável para solucionadores de autovalores quânticos robustos para problemas de autovalores de grande escala e relevância industrial.

Os autores observam que o overhead exponencial na probabilidade de sucesso do GQSP para polinômios de alto grau é uma limitação prática de implementação do framework atual do GQSP, e não uma falha fundamental do algoritmo OQKD em si, sugerindo que isso pode ser mitigado por avanços futuros no processamento de sinal quântico.