Arbitrary state preparation in quantum harmonic oscillators using neural networks

Resumen Técnico: Preparación de Estados Arbitrarios en Osciladores Armónicos Cuánticos Mediante Redes Neuronales

Planteamiento del Problema
La preparación de estados específicos es un requisito previo fundamental para los algoritmos cuánticos, el aprendizaje automático y las simulaciones. Aunque existen varios métodos para determinar las interacciones físicas requeridas para transicionar un sistema de un estado inicial a un estado objetivo (por ejemplo, los métodos de Krotov, el control cuántico o el aprendizaje por refuerzo), estos típicamente requieren resolver un problema de optimización separado para cada estado objetivo individual. Esta optimización por instancia se vuelve computacionalmente prohibitiva para aplicaciones que requieren la preparación rápida o repetida de estados para muchos objetivos diferentes, como en el aprendizaje automático cuántico. Además, las técnicas analíticas suelen generar ecuaciones distintas para cada objetivo, lo que limita su practicidad. El desafío específico abordado en este trabajo es la preparación de estados arbitrarios en sistemas de $n$ dimensiones (qudits) realizados mediante un oscilador armónico (HO) truncado, un sistema que no es totalmente controlable bajo un conjunto finito de pasos sin una interacción auxiliar.

Metodología
Los autores proponen una metodología general que utiliza una red neuronal de alimentación hacia adelante (feed-forward) para predecir los parámetros de control para un HO acoplado a un qubit auxiliar. El sistema se modela como una interacción de tipo Jaynes–Cummings, donde tanto el HO como el qubit son impulsados por láseres con modulación de fase dependiente del tiempo.

• Modelo Físico: El sistema evoluciona bajo un Hamiltoniano donde el qubit y el HO interactúan con una constante de acoplamiento $g$. El control consiste en una secuencia de $N$ pulsos con fases de constante a trozos (piecewise-constant phases) ($\phi_i$ para el HO, $\varphi_i$ para el qubit) y tiempos de conmutación ($t_i$). Se asume que las amplitudes son constantes e iguales. El objetivo es evolucionar el estado inicial $|0, 0\rangle$ a un estado separable donde el HO se encuentre en un estado objetivo deseado $|\psi_{target}\rangle$ dentro de un espacio de niveles truncado de $n$ dimensiones.
• Arquitectura de la Red Neuronal: La red toma el estado objetivo como entrada y genera como salida los parámetros de control $\Theta = \{\phi_i, \varphi_i, t_i\}$.
  • Representación de la Entrada: El estado objetivo se codifica como los valores de expectativa de los $d = n^2 - 1$ generadores de la base $SU(n)$.
  • Salida: La red predice las fases y los tiempos de conmutación para una secuencia de $N$ pulsos.
• Flujo de Entrenamiento: La red se entrena utilizando el descenso de gradiente estocástico para minimizar la infidelidad promedio ($1 - F$) sobre un conjunto de datos de estados objetivo aleatorios muestreados de la medida de Haar. La infidelidad se define como el solapamiento entre el estado objetivo y el estado obtenido tras trazar los grados de libertad del qubit del estado final evolucionado.
• Distinción Clave: A diferencia de los métodos convencionales de control óptimo que iteran para encontrar parámetros para un objetivo específico, este marco desplaza la carga computacional a una fase de entrenamiento offline de una sola vez. Una vez entrenada, la red realiza una única pasada hacia adelante (forward pass) para generar los parámetros de control para cualquier nuevo estado objetivo dentro de la dimensión entrenada.

Contribuciones Clave y Resultados
El artículo presenta resultados numéricos para la preparación de estados arbitrarios en qubits ($n=2$), qutrits ($n=3$) y qudits ($n=4$) utilizando el enfoque de red neuronal propuesto.

• Métricas de Rendimiento: El método logra fidelidades promedio altas a través de 1000 estados objetivo aleatorios distribuidos según la medida de Haar:
  • Qubits ($n=2$): Fidelidad del 99.99% (0.01% de infidelidad) usando $N=9$ pulsos.
  • Qutrits ($n=3$): Fidelidad del 99.5% (0.5% de infidelidad) usando $N=11$ pulsos.
  • Qudits ($n=4$): Fidelidad del 98.9% (1.1% de infidelidad) usando $N=13$ pulsos.
• Análisis de la Secuencia de Pulsos: El estudio confirma que aumentar el número de pulsos generalmente reduce la infidelidad, aunque existe un punto óptimo más allá del cual los pulsos adicionales ofrecen rendimientos decrecientes. Los patrones de conmutación de fase aprendidos son no triviales y no siguen reglas analíticas simples, lo que indica que la red aprende estrategias de control complejas para compensar los errores acumulados.
• Visualización: Para los qubits, la trayectoria en la esfera de Bloch muestra que los pulsos tempranos pueden alejar el sistema del objetivo hacia estados intermedios antes de que los pulsos finales alineen la trayectoria. Para qutrits y qudits, el análisis de la función de Wigner demuestra que la red reproduce con éxito el soporte dominante en el espacio de fase y las estructuras no clásicas (por ejemplo, patrones de interferencia y regiones negativas) de los estados objetivo, incluyendo los estados Bell codificados en el subespacio del oscilador.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona una solución práctica para la preparación de estados "bajo demanda". La ventaja principal es la eliminación de la optimización por instancia, reduciendo el tiempo de inferencia online a aproximadamente 100 ms en una CPU estándar. Esto contrasta fuertemente con los métodos de control óptimo iterativos (como Krotov o GRAPE), que pueden tomar minutos u horas por cada estado objetivo.

El artículo enfatiza que el método es particularmente adecuado para escenarios que requieren la codificación rápida de información en estados cuánticos, como los flujos de trabajo de aprendizaje automático cuántico donde el estado objetivo cambia con cada entrada. El enfoque se fundamenta en la controlabilidad teórica de la dinámica de Jaynes–Cummings dentro de un espacio truncado (Pinna y Panati), asegurando que los protocolos predichos correspondan a estados físicamente preparables dentro de las restricciones del modelo.

Limitaciones y Direcciones Futuras
Los autores señalan modestamente que el aumento observado de la infidelidad con la dimensión $n$ refleja la creciente complejidad del mapeo, lo cual puede mitigarse teóricamente aumentando el tamaño de la red y el número de pulsos. Sin embargo, una restricción más fundamental es el costo de generar datos de entrenamiento mediante simulación clásica, que escala pobremente con la dimensión del espacio de Hilbert. El artículo reconoce que para dimensiones mayores (por ejemplo, códigos bosónicos que requieren decenas o cientos de niveles), la simulación directa puede convertirse en un cuello de botella, lo que requiere estrategias futuras como redes de tensores o entrenamiento de hardware-in-the-loop. Además, los resultados actuales asumen condiciones ideales; el trabajo futuro debe abordar la dinámica de sistemas abiertos, la decoherencia y las no idealidades específicas del hardware (por ejemplo, ancho de banda finito, fluctuación de fase) para determinar la robustez del método en entornos experimentales.