clifford_qc: un toolkit Python per la simulazione quantistica

Abstract degli autori

clifford_qc è un toolkit di ricerca in Python per costruire modelli quantistici, confrontare solutori agli autovalori variazionali e basati su sottospazi e stimare le risorse di misurazione. Un’algebra di Pauli sparsa comune mette in relazione Hamiltoniane, operatori densità, gate e osservabili per la selezione dei candidati; interfacce dedicate gestiscono circuiti, esecuzione e stime statistiche. Un esempio svolto sul gradiente illustra le misurazioni condivise, mentre un workflow molecolare separa la preparazione riutilizzabile, la risoluzione e la validazione rispetto al riferimento. Insiemi di elementi di matrice supportano sottospazi virtuali, residui di Ritz esatti e radici dello spettro ripiegato. I benchmark eseguiti in processi isolati mostrano che, sugli input più grandi tra quelli testati, i coefficienti compattati e l’elaborazione in streaming riducono il picco di memoria osservato, a scapito di tempi di esecuzione più lunghi. Gli studi sulle misurazioni distinguono il numero di impostazioni, i requisiti in termini di shot e il costo sul dispositivo: la lettura con operatori tutti commutanti certifica un funzionale di Ritz del primo ordine fissato con meno shot, mentre i gruppi di operatori anticommutanti sono utili per alcune energie di riferimento fissate, ma non per altre. Il tempo dei gate entangling e la connettività possono annullare il risparmio di shot o rendere un protocollo inammissibile secondo modelli illustrativi di dispositivo. Altri studi rivelano bias dei sottospazi, confronti tra codifiche non risolutivi, screening delle restrizioni approssimate non superati e costi elevati per la misurazione dei residui con le allocazioni uniformi testate. Tabelle generate, registri di provenienza, un contratto delle evidenze con controllo di versione e verifiche del manoscritto collegano le affermazioni ai rispettivi input. Questi risultati, ottenuti su sistemi di piccole dimensioni, sostengono lo sviluppo riproducibile di metodi, ma non dimostrano né prestazioni hardware né un’accelerazione generale della simulazione.