Meilleure optimisation des solveurs d'équations propres quantiques variationnels en combinant le schéma d'optimisation par blocs unitaires avec un post-traitement classique

Les solveurs d'équations propres quantiques variationnels (VQE) sont une approche prometteuse pour trouver l'état fondamental d'un hamiltonien qui n'est pas tractable classiquement. Le schéma d'optimisation par blocs unitaires (UBOS) est une méthode VQE à la pointe qui fonctionne en balayant les portes et en trouvant les paramètres optimaux pour chaque porte dans l'environnement des autres portes. L'UBOS améliore le temps de convergence vers l'état fondamental d'un ordre de grandeur par rapport à la descente de gradient stochastique (SGD). Néanmoins, il souffre à la fois en termes de taux de convergence et d'énergies convergées finales face à des valeurs d'attente très bruitées provenant du bruit de tir. Ici, nous développons deux techniques de post-traitement classiques qui améliorent l'UBOS, en particulier lorsque les mesures présentent un bruit important. En utilisant la régression de processus gaussien (GPR), nous générons des données augmentées artificielles à partir des données originales du calculateur quantique pour réduire l'erreur globale lors de la recherche des paramètres améliorés. En utilisant l'optimisation double robuste plus rejet (DROPR), nous empêchons les données aberrantes qui sont atypiquement bruyantes de conduire à une étape d'optimisation unique particulièrement erronée, augmentant ainsi la robustesse contre les mesures bruyantes. La combinaison de ces techniques réduit encore l'erreur relative finale atteinte par l'UBOS d'un facteur de trois sans ajouter de coûts additionnels de mesure ou d'échantillonnage quantiques. Ce travail démontre en outre que le développement de techniques utilisant des ressources classiques pour post-traiter les résultats de mesure quantiques peut améliorer significativement les algorithmes VQE.