Bessere Optimierung von Variational Quantum Eigensolvers durch die Kombination des unitären Block-Optimierungsansatzes mit klassischer Nachbearbeitung

Variational Quantum Eigensolvers (VQE) sind ein vielversprechender Ansatz zur Auffindung des klassisch unlösbaren Grundzustands eines Hamiltonians. Das Unitary Block Optimization Scheme (UBOS) ist eine hochmoderne VQE-Methode, die funktioniert, indem sie über Gatter sweepen und optimale Parameter für jedes Gate im Umfeld anderer Gatter findet. UBOS verbessert die Konvergenzzeit zum Grundzustand um den Faktor zehn im Vergleich zur stochastischen Gradientenabstiegsmethode (SGD). Dennoch leidet es sowohl in der Konvergenzgeschwindigkeit als auch in den letzten konvergierten Energien aufgrund stark rauschender Erwartungswerte, die aus Schussrauschen stammen. Hier entwickeln wir zwei klassische Nachbearbeitungstechniken, die UBOS insbesondere verbessern, wenn die Messungen starkem Rauschen ausgesetzt sind. Mithilfe der Gaussian Process Regression (GPR) erzeugen wir künstliche erweiterte Daten unter Verwendung von Originaldaten des Quantencomputers, um den Gesamtefehler bei der Lösung für die verbesserten Parameter zu reduzieren. Mit Double Robust Optimization plus Rejection (DROPR) verhindern wir, dass auffällige Daten, die atypisch rauschend sind, zu einem besonders fehlerhaften einzelnen Optimierungsschritt führen, wodurch die Robustheit gegenüber rauschenden Messungen erhöht wird. Die Kombination dieser Techniken reduziert den endgültigen relativen Fehler, den UBOS erreicht, um den Faktor drei, ohne zusätzlichen quantenmechanischen Mess- oder Sampling-Overhead hinzuzufügen. Diese Arbeit zeigt weiter, dass die Entwicklung von Techniken, die klassische Ressourcen zur Nachbearbeitung von Quantenmessungsergebnissen nutzen, VQE-Algorithmen erheblich verbessern kann.