Learning mixed quantum states in large-scale experiments

Die Autoren stellen ein effizientes Protokoll vor, das auf klassischen Schatten und sequentieller Tensor-Optimierung basiert, um experimentell hergestellte Quantenzustände als Matrixproduktoperatoren zu lernen, und demonstrieren dies erfolgreich am Beispiel von bis zu 96 Qubits in einem supraleitenden Quantenprozessor.

Das Wesentliche

Das große Puzzle: Wie man das unsichtbare Quantum-Universum kartiert

Stellen Sie sich vor, Sie haben einen riesigen, komplexen Mechanismus – sagen wir, ein Quantencomputer mit 96 kleinen Rädchen (Qubits). Dieser Mechanismus führt eine Aufgabe aus und erzeugt dabei einen Zustand. Aber dieser Zustand ist nicht einfach nur „an" oder „aus". Er ist ein chaotisches, verwobenes Gemisch aus Wahrscheinlichkeiten, das man als „gemischter Quantenzustand" bezeichnet.

Das Problem: Um zu verstehen, was dieser Mechanismus eigentlich tut, müssten Sie ihn komplett zerlegen und jedes einzelne Rädchen einzeln vermessen. Bei 96 Rädern wäre das wie der Versuch, jedes einzelne Atom in einem ganzen Wald zu zählen. Das ist unmöglich, denn der Wald ist zu groß, und das Messen stört den Wald sofort.

Die Forscher haben jetzt einen genialen Trick entwickelt, um diesen Wald trotzdem zu kartieren.

1. Der Schattenwurf (Die „Klassischen Schatten")

Statt den ganzen Wald zu vermessen, werfen die Forscher nur Schatten darauf.
Stellen Sie sich vor, Sie haben einen riesigen, komplexen Skulpturenpark (den Quantenzustand). Anstatt jeden Winkel zu vermessen, gehen Sie mit einer Taschenlampe umher und beleuchten die Skulpturen aus zufälligen Winkeln. Sie fotografieren nur die Schatten, die auf den Boden fallen.

• Der Clou: Aus diesen zufälligen Schattenbildern (den „klassischen Schatten") können die Forscher mit Hilfe von Mathematik und Statistik den ursprünglichen Zustand rekonstruieren. Es ist, als könnten Sie aus ein paar zufälligen Fotos eines Gesichts im Halbschatten das ganze Gesicht im 3D-Modell wiederherstellen.

2. Das Legosteck-Prinzip (Die MPOs)

Jetzt haben sie tausende von Schattenbildern. Wie bauen sie daraus das 3D-Modell?
Statt ein riesiges, unhandliches Modell aus einem Stück zu bauen (was unmöglich wäre), bauen sie es aus Legosteinen.

In der Physik nennt man diese Bausteine Matrix-Produkt-Operatoren (MPO).

• Die Analogie: Stellen Sie sich eine lange Kette von Legosteinen vor. Jeder Stein hängt nur mit seinen direkten Nachbarn zusammen. Um die ganze Kette zu verstehen, müssen Sie nicht die Verbindung zwischen Stein 1 und Stein 96 kennen. Es reicht zu wissen, wie Stein 1 mit Stein 2 verbunden ist, Stein 2 mit Stein 3, und so weiter.
• Das ist der Schlüssel: Die Forscher lernen die Kette Schritt für Schritt. Sie optimieren einen Stein, dann den nächsten, dann den übernächsten. Sie arbeiten sich wie eine Schlange durch die Kette vor und zurück.

3. Der Lernprozess (Wie ein Lehrer korrigiert)

Der Algorithmus funktioniert wie ein strenger, aber fairer Lehrer:

1. Versuch: Der Computer baut eine erste Legokette (ein Modell des Quantenzustands).
2. Vergleich: Er wirft wieder Schatten auf sein eigenes Modell und vergleicht sie mit den echten Schatten vom Experiment.
3. Korrektur: Wo die Schatten nicht übereinstimmen, passt der Lehrer den nächsten Legostein an.
4. Wiederholung: Das passiert so oft, bis das Modell perfekt ist.

Das Besondere: Dieser Prozess ist so effizient, dass er selbst auf einem normalen Computer läuft, obwohl er einen Quantencomputer mit 96 Qubits beschreibt. Normalerweise bräuchte man dafür einen Computer, der größer ist als das Universum.

4. Das große Ergebnis: 96 Qubits!

Bisher konnten Wissenschaftler nur kleine Experimente mit etwa 13 Qubits vermessen. Das war wie das Betrachten eines einzelnen Baumes im Wald.
Mit diesem neuen Verfahren haben die Forscher nun 96 Qubits erfolgreich vermessen. Das ist, als hätten sie plötzlich den ganzen Wald kartiert.

Sie haben nicht nur gesehen, wie die Qubits verbunden sind, sondern auch genau gemessen, wie viel „Lärm" (Fehler) durch die Umgebung in das System gekommen ist.

5. Der Bonus: Fehlerbereinigung (Die „Fehler-Entfernung")

Das Coolste an dieser Methode ist, dass sie nicht nur das Problem sieht, sondern es auch löst.
Da die Forscher nun das exakte „Legomodell" des verrauschten Zustands haben, können sie einen Trick anwenden: Sie suchen im Modell nach dem „reinsten" Teil.

• Die Analogie: Stellen Sie sich vor, Sie haben ein Glas mit schmutzigem Wasser (dem verrauschten Quantenzustand). Das Modell hilft Ihnen, genau zu sehen, wo die Schmutzpartikel sind. Dann können Sie im Computer das Wasser so filtern, dass Sie nur noch das klare Wasser übrig haben.
• Das Ergebnis: Sie können aus einem fehlerhaften Experiment einen Zustand rekonstruieren, der zu 90 % perfekt ist, obwohl das Original stark gestört war.

Fazit

Die Forscher haben einen neuen Weg gefunden, um die Geheimnisse großer Quantencomputer zu lüften. Sie nutzen einen cleveren Mix aus zufälligen Schattenwürfen und einem schrittweisen Legobau-Verfahren, um riesige Quantensysteme zu verstehen und ihre Fehler zu korrigieren.

Es ist, als hätten sie eine Landkarte für ein Land gezeichnet, das bisher als zu groß und zu chaotisch galt, um es zu vermessen. Damit öffnen sie die Tür zu viel größeren und besseren Quantenexperimenten in der Zukunft.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Learning mixed quantum states in large-scale experiments" auf Deutsch:

Titel: Lernen gemischter Quantenzustände in großskaligen Experimenten

Autoren: Matteo Votto et al. (u.a. von der Universität Grenoble Alpes, TUM, ISTA, Max-Planck-Institut für Quantenoptik).

---

1. Problemstellung

Die Charakterisierung (Tomographie) des Quantenzustands eines Systems mit $N$ Qubits ist ein entscheidender, aber nicht-trivialer Schritt für Quantensimulation und Quantencomputing.

• Herausforderung: Herkömmliche Methoden zur Zustandstomographie skalieren exponentiell mit der Systemgröße ($O(2^N)$), was sie für große Systeme unpraktisch macht.
• Klassische Schatten (Classical Shadows): Dies ist ein etabliertes Werkzeug, das effizient physikalische Eigenschaften (wie Verschränkung oder Fidelitäten) aus lokalisierten, randomisierten Messungen schätzt. Es ist hardwarefreundlich und robust gegen Messfehler.
• Lücke: Während klassische Schatten gut für die Schätzung spezifischer Observablen geeignet sind, fehlt es an effizienten Protokollen, um den vollständigen gemischten Quantenzustand (repräsentiert als Dichtematrix) in großen Systemen ($N \gg 10$) aus diesen Daten zu rekonstruieren.
• Ziel: Entwicklung eines Protokolls, das die Vorteile von klassischen Schatten mit der effizienten Darstellung von Zuständen durch Matrix-Product-Operatoren (MPOs) kombiniert, um den Zustand selbst zu lernen und nicht nur einzelne Eigenschaften zu schätzen.

---

2. Methodik

Das vorgestellte Protokoll lernt die MPO-Darstellung $\sigma$ eines experimentell vorbereiteten Zustands $\rho$.

A. Grundlegende Darstellung (MPO)

Der Zustand wird als Matrix-Product-Operator dargestellt:
$$\sigma = \sum_{\{s_j\},\{s'_j\}} M^{(1)}_{s_1,s'_1} M^{(2)}_{s_2,s'_2} \dots M^{(N)}_{s_N,s'_N} |\{s_j\}\rangle\langle\{s'_j\}|$$
wobei $M^{(j)}$ Tensoren der Dimension $\chi_j \times \chi_{j+1}$ sind. Die Bindungsdimension $\chi$ steuert die Ausdrucksstärke des Ansatzes. Für kurzreichweitig korrelierte Zustände (typisch für verrauschte Experimente) genügt oft ein konstantes $\chi = O(1)$.

B. Der Lernalgorithmus

Der Algorithmus nutzt zwei Datensätze aus randomisierten Messungen: einen Lern-Datensatz und einen Test-Datensatz.

1. Sequentielle Optimierung: Ähnlich dem Density Matrix Renormalization Group (DMRG) Algorithmus werden die Tensoren $M^{(j)}$ nacheinander optimiert.
2. Zielfunktion: Anstelle der Maximierung der direkten Überlappung wird die geometrische Mittel-Fidelität ($F_{GM}$) maximiert, da diese differenzierbar ist und robust gegenüber bestimmten Dekohärenztypen ist.
3. Lokale Approximation: Unter der Annahme, dass der Zielzustand $\rho$ eine MPO-Struktur mit endlicher Korrelationslänge $\xi$ besitzt, kann die globale Optimierung auf eine lokale Optimierung reduziert werden.
   • Die Optimierung des Tensors $M^{(j)}$ erfolgt durch Lösen eines linearen Gleichungssystems, das nur Daten aus einem lokalen Fenster $I_j = [j-\ell, j+\ell]$ benötigt.
   • Die Bedingung lautet: $\text{tr}_{I_j\setminus j}[\sigma_{I_j} \partial_{M^{(j)}} \sigma_{I_j}] \approx \text{tr}_{I_j\setminus j}[\rho_{I_j} \partial_{M^{(j)}} \sigma_{I_j}]$.
   • Dies ermöglicht eine effiziente Schätzung mittels klassischer Schatten, da nur reduzierte Dichtematrizen kleiner Subsysteme benötigt werden.

C. Schätzung der Fidelität und Reinheit (AFC)

Um die Qualität des gelernten Zustands $\sigma$ zu bewerten, wird die maximale Fidelität $F_{max}(\rho, \sigma)$ geschätzt.

• Problem: Eine direkte Schätzung erfordert exponentiell viele Messungen.
• Lösung: Nutzung der Approximate Factorization Conditions (AFC). Für Zustände mit endlicher Korrelationslänge kann die globale Reinheit und der Überlapp als Produkt lokaler Überlappungen angenähert werden.
• Ergebnis: Die Fidelität kann mit einer polynomiellen Anzahl an Messungen ($O(\text{poly}(N))$) effizient geschätzt werden, wobei der systematische Fehler exponentiell mit der Fenstergröße $k$ abfällt.

---

3. Wichtige Beiträge

1. Protokoll für MPO-Lernen aus Schatten: Einführung eines effizienten Algorithmus, der klassische Schatten-Daten in eine vollständige MPO-Repräsentation eines gemischten Zustands umwandelt.
2. Theoretische Effizienzgarantie: Beweis, dass unter technischen Bedingungen (endliche Korrelationslänge, kurze Reichweite der Wechselwirkung) die Anzahl der benötigten Messungen polynomiell in $N$ ist und unabhängig von der Gesamtzahl der Qubits für die lokale Tensor-Optimierung skaliert.
3. Skalierbare Validierung: Entwicklung einer Methode zur effizienten Schätzung der Fidelität und der Reinheit für große Systeme mittels AFC, ohne den gesamten Datensatz neu verarbeiten zu müssen.
4. Anwendung auf Fehlermitigation (QPCA): Demonstration, wie die gelernte MPO-Struktur genutzt werden kann, um durch Quantum Principal Component Analysis (QPCA) den dominanten reinen Zustand (den Hauptanteil des Spektrums) zu extrahieren und so experimentelle Rauscheffekte zu mitigieren.

---

4. Experimentelle Ergebnisse

Das Team demonstrierte das Protokoll auf einem IBM Brisbane Superconducting Quantum Processor mit bis zu $N = 96$ Qubits.

• Experimenteller Aufbau: Es wurden verschränkte Zustände durch Ausführung des „Kicked Ising"-Modells mit geringer Tiefe ($D=1, 2$) erzeugt. Der reale Zustand $\rho$ ist aufgrund von Rauschen ein gemischter Zustand.
• Messungen: Es wurden $N_u \times N_M = 2048 \times 1024$ Messungen durchgeführt (Lern- und Testsets).
• Leistung:
  • Der Algorithmus lernte erfolgreich MPOs für $N=96$ Qubits.
  • Die erreichte Fidelität zwischen dem gelernten MPO $\sigma$ und dem experimentellen Zustand $\rho$ betrug ca. 75 % ($D=1$) und 50 % ($D=2$).
  • Die gelernten Zustände korrelieren hervorragend mit den experimentellen Daten (z.B. Magnetisierung und Zwei-Körper-Korrelationsfunktionen), während sie die idealen Zielzustände (ohne Rauschen) nicht genau abbilden – was beweist, dass das Protokoll das Rauschen korrekt erfasst.
  • Die geschätzte Rényi-Entropie $S_2$ folgt einem schwachen Volumen-Gesetz ($S_2 \propto \alpha N$), was typisch für thermische oder verrauschte Zustände ist.
• Fehlermitigation: Durch Anwendung von DMRG auf die gelernte MPO (QPCA) wurde der dominante reine Anteil extrahiert. Die Fidelität dieses „bereinigten" Zustands zum idealen Zielzustand lag bei über 90 % für $D=1$, was eine drastische Verbesserung gegenüber dem rohen experimentellen Zustand darstellt.

---

5. Bedeutung und Ausblick

• Skalierung: Dies ist ein Durchbruch in der Quantentomographie, da es die Grenze von bisher ca. $N=13$ (für randomisierte Messungen) oder $N=20$ (für MPS-Tomographie) auf $N=96$ hebt.
• Quanten-zu-Klassisch-Konverter: Das Protokoll komprimiert riesige Mengen an Messdaten in eine einzige klassische Struktur (den MPO), die als „digiteller Zwilling" des Experiments dient.
• Vielseitigkeit:
  • Ermöglicht die effiziente Berechnung beliebiger physikalischer Eigenschaften ohne erneute Datenerfassung.
  • Dient als Basis für Fehlermitigation und Fehlerkorrektur in NISQ-Geräten.
  • Eröffnet neue Wege für modulare Experimente: Ein Zustand kann als MPO gespeichert, auf einem fehlerkorrigierten Quantencomputer als MPS präpariert und für weitere Algorithmen genutzt werden (Quantum Circuit Cutting).
• Zukunft: Die Methode verbindet Quantenexperimente direkt mit klassischen Tensor-Netzwerk-Methoden und ebnet den Weg für die Analyse und Nutzung komplexer, großskaliger Quantenzustände jenseits der aktuellen Grenzen.

Zusammenfassend stellt dieses Werk einen wesentlichen Schritt dar, um Quantenexperimente nicht nur zu messen, sondern sie vollständig zu verstehen, zu modellieren und durch klassische Nachverarbeitung zu verbessern.