Resumo Técnico: Compressão de Circuitos Habilitada por SQD para Química Quântica com Eficiência de Recursos

Declaração do Problema

Simulações de química quântica em hardware de Escala Intermediária com Ruído (NISQ) enfrentam obstáculos significativos, incluindo coerência limitada de qubits, restrições de profundidade de circuito raso e o problema do "platô estéril" (barren plateau) na otimização. Algoritmos Quânticos Variacionais (VQAs), como o VQE (Variational Quantum Eigensolver), são a abordagem padrão, mas frequentemente exigem circuitos profundos e altamente expressivos para atingir a precisão química. Esses circuitos são caros para simular classicamente e propensos a ruído no hardware.

Um gargalo crítico é o compromisso entre a expressividade do circuito e a eficiência de recursos. Embora métodos adaptativos como o ADAPT-VQE melhorem a expressividade, eles frequentemente dependem de avaliações de espaço total ou pools de operadores restritivos. Além disso, a simulação clássica desses circuitos escala exponencialmente com o número de qubits, e portas não-Clifford (essenciais para capturar correlações complexas) aumentam drasticamente os custos de simulação. O artigo identifica que as abordagens atuais tratam o circuito quântico como a única fonte de precisão, ignorando o potencial das técnicas de pós-processamento para recuperar a precisão a partir de amostras imperfeitas.

Metodologia

Os autores propõem um pipeline híbrido eficiente em recursos que desacopla o requisito de uma estimativa de energia quântica precisa do cálculo final da energia do estado fundamental. O pipeline consiste em três estáções:

1. Redução de Qubits (Subespaço Contextual)

O processo começa pela redução do tamanho do problema sem perder a física fortemente correlacionada.

• Tapering (Redução): Leis de conservação são exploradas para reduzir a contagem de qubits do Hamiltoniano molecular (representação de Jordan-Wigner).
• Projeção: O Hamiltoniano é projetado em um subespaço contextual de baixa energia definido por geradores de estabilizadores. Isso reduz o espaço de Hilbert de $2^n$ para $2^{n'}$ (onde $n' \ll n$).
• Mapeamento: Uma tabela de mapeamento pré-computada é gerada para relacionar bitstrings no subespaço reduzido de volta ao espaço orbital completo.

2. Otimização Variacional Comprimida

Em vez de otimizar um VQE padrão para alta precisão, o circuito é otimizado para produzir bitstrings com sobreposição suficiente com o subespaço do estado fundamental. Duas técnicas agressivas de compressão são aplicadas:

• Poda de Gradiente (Gradient Pruning): Uma análise de gradiente clássica (semelhante ao ADAPT-VQE) é realizada em um circuito de referência raso. Operadores de excitação com magnitudes de gradiente baixas são descartados. Apenas a fração superior ($f_g$) de operadores é retida, removendo efetivamente portas do circuito.
• Arredondamento de Clifford (Clifford Rounding): Após a convergência do VQE, os parâmetros dos operadores restantes são analisados. Parâmetros próximos de ângulos de Clifford ($k\pi/2$) são "ajustados" para esses valores exatos. Isso converte portas não-Clifford em portas Clifford, que podem ser rastreadas classicamente com custo negligenciável usando simuladores de Rede de Tensores de Estabilizador (STN). A fração de parâmetros arredondados é controlada por $f_c$.

3. Recuperação por SQD (Subspace Quantum Diagonalization)

O circuito comprimido atua puramente como um amostrador.

• Amostragem: Bitstrings são amostradas do circuito otimizado e comprimido.
• Elevação (Lifting): As amostras são elevadas do subespaço contextual de volta ao espaço Jordan-Wigner completo usando o mapeamento pré-computado.
• Diagonalização Clássica: Essas amostras são usadas para construir um subespaço de interação de configuração (CI) reduzido. Uma diagonalização clássica (usando um solver Davidson) é realizada neste subespaço para refinar a energia do estado fundamental.
• Insight Central: Como o SQD realiza sua própria solução de autovalor clássica, o circuito quântico precedente não precisa fornecer um valor de expectativa de energia preciso; ele só precisa gerar bitstrings com sobreposição suficiente com o estado fundamental. Isso permite a simplificação agressiva no Estágio 2.

Principais Contribuições

1. Identificação da Tolerância do SQD: O artigo estabelece que a tolerância do SQD à imperfeição do circuito permite a compressão agressiva do circuito (poda e arredondamento) sem degradar a precisão da energia final.
2. Estratégia de Compressão de Duas Vias: Os autores introduzem e validam a poda de operadores baseada em gradiente e o arredondamento de Clifford como técnicas complementares para reduzir a profundidade do circuito e o custo de simulação.
3. Estudo de Ablação Sistemático: Um estudo abrangente em 21 moléculas caracteriza o compromisso entre precisão e velocidade. O estudo demonstra que o erro mediano do SQD permanece dentro da precisão química (1,6 mHa) mesmo com 50% de compressão nos eixos de poda de gradiente e arredondamento de Clifford.
4. Validação de Hardware: Experimentos no hardware quântico da IBM (ibm_rensselaer) com 6 moléculas confirmam que essas compressões reduzem a profundidade do circuito transpilado em até 2,8× enquanto mantêm zero perda na precisão do SQD em comparação com o baseline não comprimido.

Resultados

• Precisão vs. Compressão: Em simulação, o erro de energia mediano permanece dentro da precisão química para frações de gradiente ($f_g$) $\ge 0,75$ e frações de Clifford ($f_c$) $\ge 0,25$.
  • Arredondamento de Clifford: Tem um impacto negligenciável na precisão para $f_c \ge 0,25$ porque a maioria dos parâmetros otimizados já está próxima de ângulos de Clifford.
  • Poda de Gradiente: É o fator dominante no aumento do erro. Reduzir $f_g$ abaixo de 0,50 causa crescimento significativo de erro, particularmente para moléculas com subespaços contextuais grandes (ex: $N_2$, $H_3O^+$).
• Ganho de Velocidade de Simulação:
  • O arredondamento de Clifford sozinho proporciona um ganho de velocidade de 1,2–2,1×.
  • A poda de gradiente sozinha proporciona até 2,8× de ganho de velocidade.
  • Combinadas, elas alcançam até 3,8× de ganho de velocidade de simulação.
  • Compressão extrema ($f_c=0,00$) gera até 33× de ganho de velocidade, mas sacrifica a precisão.
• Desempenho de Hardware:
  • No hardware da IBM, a compressão combinada (poda + arredondamento) reduziu a profundidade do circuito transpilado em 2,4–2,8× para moléculas maiores (ex: a profundidade de $H_2O$ foi reduzida de 4437 para 1690).
  • Crucialmente, o erro de energia do SQD permaneceu idêntico em todas as configurações (baseline, apenas poda, apenas arredondamento e combinada), confirmando que os circuitos comprimidos ainda forneceram sobreposição de estado fundamental suficiente para o SQD recuperar a energia correta.

Significância e Alegações

O artigo alega que a integração do SQD muda fundamentalmente os requisitos de design para circuitos de química quântica. Ao transferir o fardo da precisão do circuito quântico para uma etapa de pós-processamento clássico, os autores demonstram que:

• A Qualidade do Circuito Pode Ser Sacrificada: Circuitos podem ser deliberadamente projetados para serem rasos e "imprecisos" (em termos de energia VQE) porque o SQD recupera a precisão.
• Eficiência de Recursos: Esta abordagem permite reduções significativas no número de qubits (via subespaço contextual) e na profundidade do circuito (via poda e arredondamento), tornando simulações moleculares maiores viáveis em hardware de curto prazo.
• Complementaridade: O método é compatível com otimizadores e compiladores existentes, empilhando a compressão algorítmica sobre as otimizações de compilação padrão.

Os autores concluem que futuros pipelines baseados em SQD devem priorizar circuitos rasos e comprimidos em vez de otimizar para a precisão VQE autônoma, pois a etapa de pós-processamento SQD inerentemente recupera a precisão necessária.