Benchmarking Quantum Simulations of the Lipkin-Meshkov-Glick Model Using Large Tensor Networks

Resumo Técnico: Benchmarking de Simulações Quânticas do Modelo de Lipkin-Meshkov-Glick Usando Grandes Redes de Tensores

Definição do Problema
À medida que a computação quântica amadurece, há uma necessidade crítica de avaliar o desempenho de resolução de problemas do mundo real dos dispositivos NISQ (Noisy Intermediate-Scale Quantum) em comparação com métodos clássicos competitivos. Embora as caracterizações de hardware (ex: fidelidade de porta, tempo de coerência) sejam padrão, elas não capturam totalmente o desempenho em aplicações de interesse. O modelo de Lipkin-Meshkov-Glick (LMG) serve como um banco de testes ideal para essa comparação: ele descreve um sistema de muitos corpos com fenômenos físicos ricos, como transições de fase quânticas, mas permanece classicamente tratável o suficiente para gerar dados de referência de alta precisão em escalas além do alcance da diagonalização exata. Simulações quânticas anteriores do modelo LMG foram limitadas a tamanhos de sistema modestos devido a restrições de hardware. Este trabalho visa estabelecer um benchmark clássico de larga escala para avaliar a precisão e a escalabilidade de algoritmos quânticos populares, especificamente o VQE (Variational Quantum Eigensolver) e o SQD (Sample-Based Quantum Diagonalization).

Metodologia
O estudo emprega uma abordagem híbrida utilizando computação clássica de alto desempenho e hardware NISQ:

1. Benchmark Clássico (DMRG): Os autores utilizaram o algoritmo de Grupo de Renormalização de Matriz de Densidade (DMRG), um método de rede de tensores, para computar as energias do estado fundamental do Hamiltoniano LMG. As simulações foram executadas no supercomputador Perlmutter, no NERSC. O Hamiltoniano LMG foi definido com parâmetros $\epsilon=1$, $W=0$ e forças de interação variando $V$. Os tamanhos de sistema variaram de $N=2$ a $N=1400$ partículas, com execuções de perfil estendendo-se até $N=1550$. Adicionalmente, um diagrama de fase foi gerado para $N \in [2, 100]$ e $V \in [0, 1]$ em incrementos de 0,1.
2. Algoritmos Quânticos:
   • VQE: O Variational Quantum Eigensolver foi implementado em um processador quântico IBM Eagle. Para lidar com o crescimento exponencial do espaço de Hilbert, um esquema de compressão de Hamiltoniano foi empregado, explorando as simetrias do modelo (especificamente $W=0$) para mapear o sistema em uma base de spin coletivo. Isso reduziu o tamanho efetivo do sistema, permitindo o uso de ansatzes menores compostos por portas $R_y$ e CNOT.
   • SQD: O algoritmo de Diagonalização Quântica Baseada em Amostragem (SQD) também foi executado no processador IBM. Esta abordagem híbrida utilizou um ensemble de circuitos de estados de Dicke para amostrar bitstrings que refletem a simetria do sistema (peso de Hamming fixo). Essas amostras foram usadas para projetar o Hamiltoniano completo em um subespaço reduzido, que foi então diagonalizado classicamente. A mitigação de erro foi aplicada via pós-seleção baseada em simetria e correção de bit-flip para garantir que o subespaço amostrado representasse fielmente o espaço restrito pela simetria.

Principais Contribuições
O artigo traz duas contribuições primárias para o campo do benchmarking quântico:

1. Conjunto de Dados DMRG de Grande Escala: Os autores geraram um dos maiores conjuntos de dados de energias de estado fundamental de LMG na literatura, fornecendo valores de referência precisos para sistemas de até 1400 partículas. Isso inclui um diagrama de fase detalhado através de intensidades de interação.
2. Benchmarking Comparativo: O estudo fornece uma comparação rigorosa de VQE e SQD contra o baseline de DMRG em um processador quântico IBM, estabelecendo bases de desempenho e identificando as limitações de escalabilidade específicas de cada método na era NISQ.

Resultados

• Desempenho do DMRG: Os resultados do DMRG demonstraram alta confiabilidade, alcançando mais de 99,99% de precisão em comparação com soluções numéricas exatas para sistemas pequenos ($N \le 19$). As curvas de energia para grandes $N$ mostraram um escalonamento suave e monotônico, confirmando a convergência da representação de rede de tensores. O gargalo computacional foi identificado como a construção do Hamiltoniano $O(N^2)$ devido às interações todos-para-todos, em vez da contração de tensores.
• Desempenho do VQE: O VQE alcançou resultados dentro de 1% de erro para sistemas pequenos ($N=6$). No entanto, a precisão degradou rapidamente conforme o tamanho do sistema aumentava. Além de $N \approx 15$, os erros excederam o limiar de 1%, atingindo aproximadamente 17% em $N=23$. Os erros cresceram constantemente, refletindo a dificuldade da otimização clássica no espaço de Hilbert comprimido.
• Desempenho do SQD: O SQD demonstrou precisão superior ao VQE dentro de seu regime acessível. Para $N \le 18$, o SQD alcançou erros relativos abaixo de 1% (e até abaixo de $10^{-12}\%$ para $N \in [3, 15]$), igualando-se efetivamente à solução exata. Contudo, o desempenho foi estritamente limitado pelo orçamento de shots (106 shots). Uma vez que o número de estados de base no setor de simetria ($2^{N-1}$) excedeu o limite de shots (por volta de $N \approx 20$), o erro subiu bruscamente, atingindo ~95% em $N=50$.

Significância e Alegações
O artigo alega que estes resultados destacam os distintos compromissos entre precisão, profundidade de circuito e resiliência ao ruído na era NISQ.

• Abordagens Baseadas em Subespaço: Os autores sugerem que abordagens baseadas em subespaço como o SQD podem oferecer o melhor equilíbrio entre precisão e restrições de recursos, desde que o setor de simetria possa ser totalmente coberto pelo orçamento de shots disponível.
• Necessidade de Benchmarking: O trabalho afirma que, para que os computadores quânticos demonstrem uma vantagem genuína, eles devem superar as capacidades dos métodos de redes de tensores clássicos (como o DMRG) nos mesmos Hamiltonianos de problema. Os conjuntos de dados gerados servem como uma referência de alta precisão para este propósito.
• Limitações: O estudo conclui modestamente que, embora o SQD mostre promessa, sua escalabilidade é atualmente limitada pelos orçamentos de shots e profundidade de circuito. Da mesma forma, o VQE tem dificuldade em escalar além de tamanhos de sistema modestos sem melhorias significativas no design do ansatz ou nas estratégias de inicialização. Os autores não reivindicam vantagem quântica para as implementações atuais, mas sim utilizam os dados para definir os limites da utilidade atual da era NISQ.