Technisches Resümee: Kollisionsbewusste Bayessche Minderung von Photonenverlusten in linearen optischen Quantenschaltkreisen

1. Problemstellung

Photonenverlust ist die dominante Rauschquelle in linearen optischen Quantenschaltkreisen (LOQC), insbesondere bei Boson-Sampling-Experimenten. Im Gegensatz zu Dephasierung führt Verlust dazu, dass Photonen vollständig verschwinden, was ideale $n$-Photonen-Ausgangsmuster in Ergebnisse mit weniger Photonen transformiert. Diese Verzerrung macht die ideale verlustfreie Verteilung mit wachsender Photonenanzahl exponentiell selten, was eine Standard-Postselektion (Verwerfen von verlustbehafteten Ereignissen) bei realistischen Verlustraten ineffizient macht.

Bestehende klassische Minderungsstrategien, speziell das von Mills und Mezher vorgeschlagene „Recycling“-Framework (implementiert in Quandelas photon_recycling), versuchen, verlustfreie Wahrscheinlichkeiten durch Umgewichtung von Verlustproben wiederherzustellen. Dieser Ansatz leidet jedoch unter zwei kritischen Einschränkungen:

1. Statistischer Bias: Die Recycling-Schätzer sind aufgrund von Approximationen in ihrer Rekonstruktion (z. B. Ersetzung von Interferenztermen durch Erwartungswerte und heuristische exponentielle Extrapolation) inhärent verzerrt. Dieser Bias verschwindet selbst wenn die Stichprobengröße $N \to \infty$ geht, nicht.
2. Strukturelle Beschränkung: Der Recycling-Kernel setzt den „No-Collision“-Sektor (NC) voraus, in dem jeder Ausgangsmodus höchstens ein Photon enthält. Reale Boson-Sampling-Ausgaben weisen häufig „Kollisionszustände“ (mehrere Photonen in einem einzelnen Modus) aufgrund von Hong-Ou-Mandel-Bunching auf. Recycling kann diese Proben nicht verarbeiten; das Verwerfen dieser Proben opfert signifikante Daten und Informationen, insbesondere in Regimen, in denen Kollisionsmuster einen großen Teil der verlustfreien Ausgabemasse ausmachen (z. B. 71 % bei $n=4, m=10$).

2. Methodik

Die Autoren schlagen ein kollisionsbewusstes Bayessches Framework vor, das die rohen verlustbehafteten Detektorzählungen als Multinomial-Beobachtungen unter einem pro-Photon Bernoulli-Verlustmodell behandelt.

Forward-Modell

Die Methode modelliert den Photonenverlust als unabhängigen pro-Photon Bernoulli-Kanal mit einer Überlebenswahrscheinlichkeit von $1-\eta$.

• No-Collision-Regime: Das Modell stellt den Recycling-Kernel als Grenzfall wieder her, in dem Eingangs- und Ausgangsvektoren binär sind ($s, y \in \{0, 1\}^m$).
• Collision-Aware-Regime: Das Framework erweitert dies auf den vollen Raum der schwachen Zusammensetzungen ($s \in \mathbb{Z}_{\ge 0}^m$ mit $\sum s_i = n$). Es beinhaltet einen pro-Modus Binomial-Verlustfaktor $\binom{s_i}{y_i}$, der die Austauschbarkeit von Photonen innerhalb eines Modus berücksichtigt. Die Likelihood für die Beobachtung des Ergebnisses $y$ gegeben die ideale Verteilung $p$ und die Verlustrate $\eta$ ist:
  $$\pi_y(p, \eta) = \eta^k (1-\eta)^{n-k} \sum_{s \in G_{\text{coll}}(y)} \left[ \prod_{i=1}^m \binom{s_i}{y_i} \right] p(s)$$
  wobei $k$ die Anzahl der verlorenen Photonen ist und $G_{\text{coll}}(y)$ die Menge der gültigen verlustfreien Zustände darstellt, die $y$ erzeugen könnten.

Inferenz

Anstatt Punkt-Schätzer über Umgewichtung abzuleiten, inferieren die Autoren die gemeinsame Posterior-Verteilung der idealen Verteilung $p$ und der Verlustrate $\eta$ mittels des Bayes-Theorems:
$$\Pr(p, \eta \mid c) \propto \prod_{y \in Y} \pi_y(p, \eta)^{c(y)} \cdot \Pr(p) \cdot \Pr(\eta)$$

• Priors: Symmetrischer Dirichlet-Prior für $p$ ($\alpha=1$) und Beta-Prior für $\eta$ ($\beta=1$).
• Sampling: Die Posterior-Verteilung wird mittels des No-U-Turn Samplers (NUTS) auf einer dünnbesetzten Inzidenzrepräsentation des Kernels gesampelt. Diese Repräsentation reduziert die Rechenkosten der inneren Schleife von $O(K \cdot |Y|)$ auf $O(E + K)$, was die Inferenz für Musterbereiche bis zu $K \approx 8855$ handhabbar macht.

3. Wesentliche Beiträge

Das Paper leistet drei primäre Beiträge:

1. Reduktion des Rekonstruktionsfehlers: Durch das direkte Anpassen des Forward-Modells via Multinomial-Likelihood vermeidet der Bayessche Ansatz die spezifischen Umgewichtungsapproximationen und die Substitution von Interferenztermen, die den Recycling-Schätzern eigen sind. Dies führt zu einer geringeren Kullback-Leibler-Divergenz (KL) und einem geringeren mittleren quadratischen Fehler (MSE) im Vergleich zu sowohl Recycling als auch Postselektion.
2. Unterstützung des Kollisionsregimes: Das Framework verarbeitet nativ Kollisionszustände, welche Recycling-Methoden nicht verarbeiten können. In kollisionsreichen Regimen stellt die Bayessche Posterior die Verlustraten und Kollisionsmuster-Wahrscheinlichkeiten wieder her, die Recycling nicht schätzen kann, während gleichzeitig ein geringerer Rekonstruktionsfehler beibehalten wird.
3. Handlungsorientierte Unsicherheitsquantifizierung: Im Gegensatz zu Punkt-Schätzer-Baselines liefert die gemeinsame Posterior-Verteilung Glaubwürdigkeitsintervalle sowohl für die rekonstruierte Verteilung $p$ als auch für die Verlustrate $\eta$. Dies ermöglicht eine retrospektive Coverage-Analyse und zeigt auf, wie gut die Intervalle die wahre Verteilung unter verschiedenen Rauschbedingungen erfassen.

4. Experimentelle Ergebnisse

Die Experimente wurden unter Verwendung der unabhängigen Perceval-Simulator-Daten (SLOS Engine) in Skalen durchgeführt, die der vorangegangenen Arbeit entsprechen: $n=4$ Photonen in $m=20$ Modi (No-Collision Headline) und $n=4$ in $m=10$ Modi (Collision-Aware).

• No-Collision Benchmark ($n=4, m=20$):

  • Die Bayessche Posterior erreichte bei jeder getesteten Verlustrate ($\eta \in \{0.3, 0.7, 0.9\}$) und Ununterscheidbarkeitsebene ($V \in \{1.0, 0.8\}$) die niedrigste KL-Divergenz.
  • Die Recycling-Schätzer zeigten ein „Rekonstruktionsfehler-Plateau“ (z. B. KL $\approx 0.31-0.33$ nats bei $\eta=0.3$), das mit steigender Stichprobenzahl $N$ nicht sank, was ihren inhärenten Bias bestätigt.
  • Der Bayessche Fehler sank kontinuierlich mit steigendem $N$ (z. B. von 0.348 bei $N=10^4$ auf 0.068 bei $N=2\times 10^5$), wodurch sich die Lücke zum Recycling vergrößerte.
  • Die Postselektion performte aufgrund des Kollapses der effektiven Stichprobengröße bei hohem Verlust schlecht.

• Collision-Aware Benchmark ($n=4, m=10$):

  • Recycling-Methoden waren strukturell nicht anwendbar (sie erforderten das Verwerfen von 71 % der verlustfreien Ausgabemasse).
  • Die Bayessche Posterior konnte die Verlustrate exakt wiederherstellen ($\hat{\eta} = \eta$) und erreichte eine signifikant geringere KL-Divergenz als die Postselektion bei hohem Verlust.
  • Bei geringem Verlust war die Bayessche Methode vergleichbar mit der Postselektion, mit leichten Variationen je nach Ununterscheidbarkeit.

• Unsicherheitsquantifizierung:

  • Die 95 %-Glaubwürdigkeitsintervalle zeigten eine empirische Abdeckung von 0,88–0,96 auf der No-Collision Headline.
  • In Regimen mit partieller Photonen-Ununterscheidbarkeit ($V < 1$) deckten die Intervalle die teilweise unterscheidbare Verteilung $p_V$ (die tatsächliche datengenerierende Verteilung) korrekt ab, zeigten jedoch eine Unterdeckung der idealen verlustfreien Verteilung $p^*$, was den Shift des Ziels widerspiegelt und kein Versagen des Schätzers ist.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass dieses Bayessche Framework einen Finite-Sample-Vorteil gegenüber bestehenden klassischen Minderungsverfahren für lineare optische Quantenschaltkreise bietet.

• Überlegenheit gegenüber Recycling: Es eliminiert den strukturellen Bias durch Interferenzterm-Approximationen und den Datenverlust durch das Verwerfen von Kollisionsereignissen.
• Skalierbarkeit: Während exaktes NUTS-Sampling bei sehr großem $N$ oder $K$ an Rechengrenzen stößt (was zukünftige approximative Inferenzmethoden wie die Variationelle Inferenz erfordert), ist die aktuelle Implementierung für die Skalen aktueller experimenteller Demonstrationen ($n=4$) handhabbar.
• Robustheit: Die Methode degradiert unter Multiphotonen-Emission kontrolliert und identifiziert korrekt den Shift der Zielverteilung unter partieller Ununterscheidbarkeit.
• Limitierungen: Die Autoren geben explizit an, dass die Ergebnisse Verbesserungen im Bereich endlicher Stichproben demonstrieren, nicht jedoch asymptotische Unverzerrtheit (welche eine Populationslimit-Analyse erfordern würde). Die Methode nimmt derzeit einen uniformen pro-Photon-Verlust an und modelliert keinen modenabhängigen Verlust oder die partielle Ununterscheidbarkeit innerhalb der Likelihood selbst (obwohl sie die resultierenden Daten-Shifts handhabt).

Die Arbeit etabliert eine neue Baseline für die Photonenverlust-Minderung, die im Kollisionsregime gültig ist und eine rigorose Unsicherheitsquantifizierung bietet, wodurch zentrale Lücken der aktuellen State-of-the-Art-Recycling-Methoden geschlossen werden.