Deep Neural Network-assisted improvement of quantum compressed sensing tomography

ملخص تقني: تحسين التصوير المقطعي بالاستشعار المضغوط الكمي بمساعدة الشبكات العصبية العميقة

بيان المشكلة
تواجه عملية التصوير المقطعي للحالة الكمية (QST) تحديًا جوهريًا في القابلية للتوسع بسبب النمو الأسي لأبعاد فضاء هيلبرت ($d=2^n$) مع عدد الكيوبتات ($n$). وبينما يقدم الاستشعار المضغوط الكمي (CS) حلاً للمصفوفات الكثيفة ذات الرتبة المنخفضة من خلال تقليل القياسات المطلية إلى $O[rd \log^2(d)]$ (حيث $r$ هي الرتبة)، فإن فعاليته تظل محدودة في السيناريوهات كاملة المعلومات أو الحالات التي يستوفي فيها عدد مؤثرات باولي المقاسة ($K$) حدودًا نظرية محددة. وفي السيناريوهات غير كاملة المعلومات حيث تكون $K$ غير كافية لضمان نجاح إعادة بناء الاستشعار المضغوط (CS) بنجاح، يمكن أن يكون التقدير الناتج ($\rho_{cs}$) غير دقيق. علاوة على ذلك، فإن تحسين الاستشعار المضغوط القياسي هو مسألة محدبة لا تأخذ في الاع الاعتبار بطبيعتها التوزيع الإحصائي المحدد للحالات الكمية، مما قد يؤدي إلى عمليات إعادة بناء دون المستوى الأمثل عندما تكون البيانات شحيحة.

المنهجية
يقترح المؤلفون بروتوكولًا هجينًا يدمج بين التحسين المحدب (CS) مع خطوة معالجة لاحقة تعتمد على شبكة عصبية عميقة (DNN)، متبوعة بالإسقاط على فضاء المصفوفات الكثيفة الممكنة. يتكون سير العمل من ثلاث مراحل رئيسية:

1. إعادة البناء الأولية: تقوم خوارزمية استشعار مضغوط قياسية (تقليل معيار الأثر) بتوليد تقدير أولي $\rho_{cs}$ من مجموعة فرعية من ارتباطات باولي المقاسة. تعمل هذه الحالة كمدخل "مشوش".
2. إزالة التشويش الخاضعة للإشراف العميق: تقوم شبكة عصبية عميقة (DNN)، مدربة كأداة إزالة تشويش خاضعة للإشراف، برسم خريطة من متجه الارتباط المدخل $\vec{c}_{cs}$ (المشتق من $\rho_{cs}$) إلى متجه مستهدف $\vec{c}_{org}$ (المشتق من الحالة الحقيقية $\rho_{org}$). تجمع بنية الشبكة بين الطبقات الالتفافية ومحول مشفر (encoder-transformer)، وتستخدم دالات تنشيط GELU. تتكون مجموعة بيانات التدريب من أزواج من متجهات الارتباط المشتقة من حالات نقية عشوائية (Haar-random) والحالات المقابلة لها من إعادة بناء الاستشعار المضغوط بناءً على مجموعة فرعية محدودة من القياسات.
3. الإسقاط الممكن: بما أن مخرجات الشبكة العصبية غير مقيدة وقد تنتهك شروط شبه المحدب (PSD) أو شرط الأثر الواحد (trace-1)، يتم إسقاط الحالة التي تمت إزالة التشويش منها $\rho_{den}$ مرة أخرى على المجموعة الممكنة $\Omega$ (مجموعة المصفوفات الكثيفة الصالحة المتوافقة مع البيانات المقاسة) باستخدام خطوة إسقاط إقليدي. ينتج عن ذلك التقدير الفيزيائي النهائي $\rho_{denproj}$.

كما يبحث المؤلفون في الاستدلال الحلقي (looped inference)، حيث يتم تكرار خطوات إزالة التشويش والإسقاط (نهج النقطة الثابتة) لمزيد من صقل تقدير الحالة. بالإضافة إلى ذلك، يستكشفون قدرات الخروج عن التوزيع (OOD)، باختبار ما إذا كان نموذج مدرب حصريًا على الحالات النقية ($p=0$) يمكنه إعادة بناء الحالات المختلطة المعرضة للضجيج المزيل للاستقطاب ($p > 0$) دون إعادة تدريب.

النتائج الرئيسية
أُجريت محاكاة عددية على أنظمة مكونة من 4 كيوبتات باستخدام 45 ارتباطًا مشتقة من إعدادات قياس متجانسة ($X^{\otimes4}, Y^{\otimes4}, Z^{\otimes4}$).

• أداء التوزيع الداخلي (ID): بالنسبة للحالات المستهدفة النقية، أدى البروتوكول إلى زيادة متوسط الدقة (fidelity) بنحو 4.7% ومتوسط النقاء بنحو 13% مقارنة بإعادة بناء الاستشعار المضتم (CS) الخام.
• أداء الخروج عن التوزيع (OOD): عند تطبيقه على الحالات المختلطة مع ضجيج مزيل للاستقطاب ($p \in [0, 0.2]$) باستخدام نموذج مدرب فقط على الحالات النقية، أظهر الاستدلال أحادي الخطوة مكاسب في الدقة لمستويات الضجيج المنخفضة ($p \le 0.1$)، مع تراجع الأداء مع زيادة الضجيج.
• الاستدلال الحلقي: أدى تنفيذ حلقة ثابتة (تكرار خطوات إزالة التشويش والإسقاط، مثل $n_l=3$) إلى تعزيز المتانة بشكل كبير. حقق هذا النهج زيادة في الدقة بنحو 11% للحالات النقية وحافظ على مكاسب إيجابية حتى للحالات المختلطة مع قوة إزالة استقطاب تصل إلى $p=0.2$.
• نطاق التطبيق: الطريقة فعالة عندما يكون عدد الارتباطات كافيًا لتوفير خط أساس غير بديهي للاستشعار المضتم (CS) ولكنها غير كافية لإعادة بناء مثالية (تقريبًا بين 20 و64 ارتباطًا لـ 4 كيوبتات). إذا كانت $K$ منخفضة جدًا، يكون المدخل مشوشًا للغاية بحيث لا تستطيع الشبكة تعلمه؛ وإذا كانت $K$ عالية جدًا، تكون إعادة بناء الاستشعار المضتم (CS) قريبة بالفعل من المثالية.

الأهمية والادعاءات
يزعم البحث أن هذا النهج يقدم طريقة قابلة للتطبيق لتحسين إعادة بناء الحالة الكمية في السيناريوهات التي لا يُضمن فيها نجاح بروتوكولات الاستشعار المضتم (CS) القياسية، دون الحاجة إلى بيانات تجريبية جديدة. وتشمل المساهمات الرئيسية ما يلي:

• كفاءة البيانات: تستفيد الطريقة من التوزيع الإحصائي للحالات الكمية المشفر في الشبكة العصبية العميقة (DNN) لـ "إزالة تشويش" عمليات إعادة بناء الاستشعار المضتم غير المكتملة، مما يعزز الدقة دون قياسات إضافية.
• التعميم: من خلال استخدام مبادئ الكشف عن الخروج عن التوزيع (OOD)، يوضح البروتوكول القدرة على إعادة بناء الحالات المختلطة باستخدام نموذج مدرب فقط على الحالات النقية، مما يلغي الحاجة لإعادة تدريب الشبكة لمستويات ضجيج مختلفة.
• الصقل التكراري: يسمح تقديم حلقة استدلال ثابتة (fixed-point loop) بمزيد من مكاسب الأداء، مما يوسع نطاق التطبيق المحتمل للتعلم الخاضع للإشراف في التصوير المقطعي.
• الاتساق الفيزيائي: يضمن دمج خطوة الإسقاط المحدب بقاء المخرج النهائي كمصفوفة كثيفة صالحة فيزيائيًا، مما يعالج المشكلة الشائعة للمخرجات غير الفيزيائية في مناهج الشبكات العصبية غير المقيدة.

يخلص المؤلفون إلى أنه بينما يفترض العمل الحالي تقديرًا مثاليًا للارتباطات، فإن الإطار يوفر أساسًا للتوسعات المستقبلية في سيناريوهات ضجيج أخذ العينات، ومن المحتمل أيضًا لتصوير القنوات الكمية أو تصوير الكاشف.