Onderzoekers hebben een nieuwe benadering geïntroduceerd genaamd GENIE, een zogenaamde 'impurity solver' voor de density matrix embedding theory (DMET). De methode maakt gebruik van een generatieve transformer om sampling-circuits te leren, wat een alternatief biedt voor traditionele vaste circuits in quantumdiagonalisatie.
De werking van GENIE
Binnen de density matrix embedding theory wordt vaak gebruikgemaakt van sample-based quantum diagonalisatie (SQD). Tot nu toe gebeurde dit echter meestal met circuits van een vaste vorm. In de nieuwe publicatie van Awadhoot Vijay Loharkar en Arcesio Castañeda Medina wordt GENIE gepresenteerd als een systeem waarbij een generatieve transformer het sampling-circuit leert door training op de energie van quantum-geselecteerde configuratie-interactie.
Volgens de publicatie op arxiv.org is het doel van GENIE om de selectie van determinanten te optimaliseren. Bij het testen op stikstof (N2) met een budget van 200 determinanten bleek GENIE tot 1000 keer nauwkeuriger dan de determinanten die door een standaard vast circuit worden gesampled. De resultaten lagen in dit specifieke geval binnen een factor 1,7 van de prestaties van CIPSI, een klassieke selectiemethode.
Vergelijking met klassieke methoden
Om de effectiviteit van GENIE te bepalen, hebben de auteurs de methode vergeleken met diverse klassieke selecties, waaronder ASCI, heat-bath CI en CIPSI, evenals de standaard SQD-benadering. De tests werden uitgevoerd op verschillende systemen, waaronder water, waterstofketens, een waterstofring en stikstof.
Uit de resultaten blijkt dat GENIE de beste klassieke selectiemethoden niet verslaat. De onderzoekers stellen dat standaard SQD goede energiewaarden bereikt, maar dat dit voornamelijk gebeurt door het simpelweg vullen van de beschikbare subruimte. Een belangrijk technisch voorbehoud is dat de circuits van GENIE fouttolerante hardware vereisen om optimaal te kunnen functioneren, wat de huidige implementatie complex maakt.
Compactheid als doorslaggevende factor
Een van de belangrijkste conclusies van het onderzoek is dat het succes van GENIE niet afhangt van de sterkte van de correlatie, maar van de zogenaamde 'compactheid' van de golffunctie ten opzichte van het beschikbare budget. De onderzoekers hebben een methode ontwikkeld om deze compactheid goedkoop te schatten aan de hand van coupled-cluster amplitudes.
Op basis van deze schatting is een 'router' gebouwd die kan voorspellen wanneer GENIE effectief zal zijn. Volgens de auteurs van het adviseerde deze router GENIE nooit in situaties waarin de methode vervolgens faalde, op enkele variaties tussen verschillende 'seeds' na. Deze voorspellende waarde bleek bovendien consistent tijdens een blinde test op nieuwe systemen.
Waarschuwing voor benchmarking
Naast de introductie van GENIE wijzen de onderzoekers op potentiële valkuilen bij het benchmarken van quantumalgoritmen. In de publicatie op worden twee specifieke fouten geïdentificeerd die in andere studies kunnen leiden tot een schijnbaar quantumvoordeel. Deze fouten kunnen de resultaten doen lijken alsof ze één tot twee grootteordes beter zijn dan ze in werkelijkheid zijn.
De volledige details van het onderzoek, inclusief 11 figuren en 18 pagina's aan analyse, zijn beschikbaar via de . Daarnaast is de gebruikte code beschikbaar via Zenodo onder de DOI 10.5281/zenodo.23736693 en de bijbehorende data via 10.5281/zenodo.23737678.