Sample-based quantum diagonalization (SQD)

החבילה הזו מממשת אלכסון קוונטי מבוסס דגימות (SQD) — טכניקה למציאת ערכים עצמיים ווקטורים עצמיים של אופרטורים קוונטיים, כמו המילטוניאן של מערכת קוונטית [1–6]. היא יכולה לטפל בהמילטוניאנים שמבוטאים כצירופים לינאריים של אופרטורי פאולי או של אופרטורים פרמיוניים בקוונטיזציה שנייה. תהליכי עבודה מבוססי SQD יכולים לרוץ על מחשבים קוונטיים נוכחיים, ונמצא שהם מתרחבים לגדלי בעיות שלא היו אפשריים בשיטות וריאציוניות — ואפילו מעבר להישג ידן של שיטות אלכסון קלאסיות מדויקות.

תהליכי עבודה מבוססי SQD כוללים קודם הכנה של מצב קוונטי אחד או יותר על התקן קוונטי ודגימה מהם. לאחר מכן משתמשים במחשוב מבוזר קלאסי כדי לעבד את הדגימות הרועשות האלה. העיבוד הזה מתרחש באופן איטרטיבי בשני שלבים: קודם, שלב שחזור קונפיגורציות מתקן דגימות רועשות באמצעות מידע על בעיית הקלט; שנית, ההמילטוניאן מוטל ומאולכסן בתת-המרחב שנפרש על ידי הדגימות האלה. השלבים האלה חוזרים על עצמם באופן עקבי-עצמית עד להתכנסות. התוצאה היא קירוב של הערך העצמי הנמוך ביותר (האנרגיה) ושל המצב העצמי בעל האנרגיה הנמוכה ביותר של המילטוניאן נתון. SQD עמיד לדגימות שנפגעו מרעש קוונטי; למעשה, כל עוד אפשר להפיק אות שימושי מהמחשב הקוונטי, התוצאה של SQD לא תושפע ממחרוזות ביטים רועשות.

את qiskit-addon-sqd אפשר להשתמש כדי לעבד קלאסית דגימות שנלקחו ממגוון מעגלים קוונטיים בפועל. לדוגמה:

1. ansatz של מעגל וריאציוני עם פרמטרים שנבחרו כך שדגימת המעגל מפיקה קונפיגורציות אלקטרוניות שלפונקציית הגל המטרה (למשל מצב היסוד) יש עליהן תמך משמעותי. זה מושך ליישומים כימיים שבהם להמילטוניאנים יכולים להיות מיליוני איברי אינטראקציה [1]. לדוגמה של הגישה הזו ביישום לכימיה בעזרת מעגל LUCJ, ראו את המדריך לקירוב אנרגיית מצב היסוד של מולקולת N2.
2. קבוצה של מצבי בסיס של קרילוב מוכנה לאורך מרווחי זמן הולכים וגדלים. בהנחה של מצב התחלתי טוב ושל דלילות של מצב היסוד, הוכח שהגישה הזו מתכנסת ביעילות. מכיוון שצריך להכין מעגלי התפתחות בזמן בקירוב טרוטר על התקן קוונטי, הגישה הזו מתאימה ביותר ליישומים על מודלי סריג [2] ולא להמילטוניאנים מורכבים של מערכות רב-גופיות כמו אלה של כימיה קוונטית. לדוגמה של הגישה הזו ביישום להמילטוניאנים של סריג פרמיוני, ראו את המדריך לקירוב אנרגיית מצב היסוד של מודל אנדרסון עם מוסיג יחיד פשוט.
3. קבוצה של מצבי בסיס של קרילוב שממומשת בעזרת קומפילציה אקראית qDRIFT של אופרטור ההתפתחות בזמן. הגישה הזו מניבה מעגלים רדודים יותר בהשוואה לפירוקים מבוססי טרוטר של ההתפתחות בזמן, ולכן אפשר להשתמש בה להמילטוניאנים של כימיה קוונטית. הטכניקה הזו יושמה על אנרגיית מצב היסוד של פחמימנים ארומטיים פוליציקליים [6].

תחילת העבודה

מדריך פשוט שיעזור לכם להתחיל במהירות עם החבילה הזו זמין במדריך ההתחלה המהירה.

דוגמאות לשימוש

אפשר להשתמש בטכניקת האלכסון הקוונטי מבוסס הדגימות כדי לממש מגוון רחב של תהליכי עבודה. כמה דוגמאות לשימושים בה:

• חישובי מבנה אלקטרוני של אנרגיות מצב היסוד של צברי ברזל-גופרית

• הערכת אנרגיות מצב היסוד כדי לחזות פערי פסים של דיאלקטריקים

• הערכת מצבים מעוררים מולקולריים נמוכים

• סימולציה של אינטראקציות בין מולקולות

• חקר אינטראקציות מומס-מסיס בסימולציות של מבנה אלקטרוני

• ניתוח open-shell של דיסוציאציה מולקולרית

• מידול מסלולי תגובה עבור בעיות פוטוכימיה

• שילוב עם entanglement forging כדי לחקור מסלולי תגובה של פירוק חומרים באמצעות שליפת מימן

• בניית תת-מרחבים ממצבי בסיס קוונטיים של Krylov כדי לבצע סימולציות של מצב היסוד של מודלי זיהומים עבור מערכות פרמיוניות

• שימוש בקומפילציה אקראית qDRIFT כדי להפחית את התקורה של מימוש מצבי בסיס של Krylov עבור המילטוניאנים כימיים ובשימוש על מולקולה בעלת טופולוגיה אלקטרונית של חצי-מביוס

• שימוש ב-SQD כפותר בהקשר של שיטות embedding ו-fragmentation למערכות מולקולריות, למשל לחישוב אנרגיות של טבעות מימן וציקלוהקסאן ושל קומפלקסים דו-מתכתיים ותלת-מתכתיים, לחקר תגובת חיזור חמצן, להערכת אנרגיות של חלבונים ושל קומפלקסים של חלבון-ליגנד, ולחיזוי ספציאציה של טריטיום.

דיון טכני

גדלי מערכות ודרישות חישוב

עלות החישוב של SQD נשלטת על ידי הקריאות לפותר מצבים עצמיים. בכל צעד של איטרציית שחזור התצורות העקבית-עצמית מתבצעות n_batches קריאות לפותר מצבים עצמיים. הקריאות השונות מקבילות באופן טריוויאלי. במדריך הזה, הקריאות האלה נמצאות בתוך לולאת for. מומלץ מאוד להריץ את הקריאות האלה במקביל.

הפונקציה qiskit_addon_sqd.fermion.solve_fermion() היא רב-תהליכונית (multithreaded) ומסוגלת לטפל במערכות עם ~25 אורביטלים מרחביים ו-~10 אלקטרונים, עם ממדי תת-מרחב של ~$10^7$, באמצעות ~10-30 ליבות.

בחירת ממדי תת-מרחב

בחירת ממד תת-המרחב משפיעה על הדיוק ועל זמן הריצה של פותר המצבים העצמיים. ככל שתת-המרחב גדול יותר, החישוב מדויק יותר, במחיר של זמן ריצה ודרישות זיכרון גדולים יותר. הגודל האופטימלי של תת-מרחב עבור מערכת נתונה אינו ידוע, ולכן אפשר לבצע מחקר התכנסות לפי ממד תת-המרחב, כפי שמתואר במדריך הזה.

הגבלת ממד תת-המרחב

הארגומנט samples_per_batch של qiskit_addon_sqd.fermion.diagonalize_fermionic_hamiltonian() קובע את מספר מחרוזות הביטים בכל batch, ובכך שולט בעקיפין בממד תת-המרחב: ביישומי כימיה קוונטית, ערכו קובע חסם עליון לממד תת-המרחב. הממד שמתקבל בפועל תלוי בכמה ממחרוזות הביטים שנדגמו שונות זו מזו, והוא גדל במהלך איטרציות שחזור התצורות העקבי-עצמי, ולכן אי אפשר לדעת אותו מראש. ראו את הדוגמה הזאת לפרטים נוספים.

הארגומנט max_dim של אותה פונקציה מגביל את הממד ישירות, על ידי הגבלת מספר מחרוזות ה-CI שנשמרות בכל סקטור ספין. מכיוון שתת-המרחב נפרש על ידי המכפלה הקרטזית של שני סקטורי הספין, max_dim=d מגביל את ממד תת-המרחב ל-d**2, ואילו tuple מהצורה max_dim=(d_a, d_b) מגביל בנפרד את סקטור ספין-alpha ואת סקטור ספין-beta, ומגביל את ממד תת-המרחב ל-d_a * d_b (עם symmetrize_spin=True, שני הגבולות חייבים להיות שווים). כש-batch מניב יותר מחרוזות CI ממה שהגבול מאפשר, המחרוזות שהתבקשו דרך include_configurations ואלה שהועברו מהאיטרציה הקודמת נשמרות בעדיפות, והמקומות הנותרים מתמלאים במחרוזות שנדגמו הכי הרבה פעמים. מכיוון שהוא מגביל את גודל הלכסון הגדול ביותר שפותר המצבים העצמיים יתבקש לבצע, max_dim הוא דרך נוחה להשאיר את הפותר בתוך תקציב של זמן ריצה וזיכרון. ראו את המדריך הזה לפרטים נוספים.

פותרים

שלבי ההיטל והלכסון מבוצעים על ידי פותר קלאסי. אנחנו מספקים כאן שני פותרים כלליים, אחד למערכות פרמיוניות ואחד למערכות של qubits. המשתמשים יכולים לחבר פותרים אחרים שעשויים להיות יעילים יותר למערכות ספציפיות.

Trim SQD

SQD רגיל מלכסן כל batch שנדגם בנפרד ושומר את התוצאה הטובה ביותר, ולכן מספר התצורות שהוא יכול לשקול מוגבל למה שתת-מרחב אחד סביר יכול להכיל. Trim SQD במקום זאת מחלק את מחרוזות הביטים ל-batches, מבצע לכסון ביניים של כל batch, ואז מבצע לכסון גדול יותר באמצעות הדטרמיננטות בעלות המשקל הגבוה ביותר מכל חלוקה. השיטה מבוססת על מחקר משותף של Cleveland Clinic Foundation, RIKEN ו-IBM [7], ואפשר להפעיל אותה על ידי העברת אובייקט TrimPolicy לפונקציה diagonalize_fermionic_hamiltonian().

תרומה לפרויקט

קוד המקור זמין ב-GitHub.

מדריך המפתחים נמצא ב-CONTRIBUTING.md בשורש המאגר של הפרויקט הזה. בהשתתפותכם אתם מצופים לכבד את קוד ההתנהגות של Qiskit.

אנחנו משתמשים ב-GitHub issues למעקב אחר בקשות ובאגים.

ציטוט החבילה הזאת

אם אתם משתמשים בחבילה הזאת במחקר שלכם, השתמשו בקובץ CITATION.bib במאגר של הפרויקט כדי לצטט את ההפניות המתאימות.

הכרת תודה

החבילה הזאת כוללת אסטרטגיית דגימה אופציונלית בתוך לולאת שחזור התצורות העקבית-עצמית, שגוזמת דטרמיננטות על סמך תוצאות לכסון ביניים. המימוש מבוסס על מחקר משותף של Cleveland Clinic Foundation, RIKEN ו-IBM. אם אתם משתמשים בתכונה הזאת במחקר שלכם, השתמשו גם בציטוט של המאמר, שנמצא בקובץ CITATION.bib עם מפתח הציטוט merz2026crossing. מימוש של כל ה-workflow מאותו מאמר צפוי להיות זמין ב-GitHub בקרוב.

רישיון

Apache License 2.0

מדיניות הוצאה משימוש

אנחנו עוקבים אחר semantic versioning. לפעמים אנחנו עשויים לבצע שינויים שוברים כדי לשפר את חוויית המשתמש. כשאפשר, נשמור על ממשקים ישנים ונסמן אותם כמוצאים משימוש, כל עוד הם יכולים להתקיים לצד החדשים. כל שיפור משמעותי, שינוי שובר או הוצאה משימוש יתועדו בהערות הגרסה.

הפניות

1. Javier Robledo-Moreno, et al., Chemistry Beyond Exact Solutions on a Quantum-Centric Supercomputer, arXiv:2405.05068 [quant-ph].

2. Jeffery Yu, et al., Quantum-Centric Algorithm for Sample-Based Krylov Diagonalization, arXiv:2501.09702 [quant-ph].

3. Keita Kanno, et al., Quantum-Selected Configuration Interaction: classical diagonalization of Hamiltonians in subspaces selected by quantum computers, arXiv:2302.11320 [quant-ph].

4. Kenji Sugisaki, et al., Hamiltonian simulation-based quantum-selected configuration interaction for large-scale electronic structure calculations with a quantum computer, arXiv:2412.07218 [quant-ph].

5. Mathias Mikkelsen, Yuya O. Nakagawa, Quantum-selected configuration interaction with time-evolved state, arXiv:2412.13839 [quant-ph].

6. Samuele Piccinelli, et al., Quantum chemistry with provable convergence via randomized sample-based Krylov quantum diagonalization, arXiv:2508.02578 [quant-ph].

7. Kenneth M. Merz Jr., et al., Crossing the 12,000-atom barrier with heterogeneous quantum-classical supercomputing: quantum chemistry of protein-ligand complexes, arXiv:2605.01138 [quant-ph].