Tensor Train Quantum State Tomography using Compressed Sensing

Resumen Técnico: Tomografía de Estados Cuánticos mediante Tensor Train usando Compressive Sensing

Planteamiento del Problema
La Tomografía de Estados Cuánticos (QST, por sus siglas en inglés) es esencial para la evaluación y verificación de dispositivos cuánticos mediante la estimación de la matriz de densidad de un sistema cuántico a partir de datos de medición. Sin embargo, los métodos de estimación estándar enfrentan la "maldición de la dimensionalidad": a medida que aumenta el número de cúbits ($N$), el número de parámetros en la matriz de densidad crece exponencialmente ($D = 2^N$, requiriendo $O(D^2)$ parámetros). Si bien muchos estados cuánticos de interés (por ejemplo, estados fundamentales de Hamiltonianos locales, estados casi puros) poseen estructuras de bajo rango que permiten una recuperación eficiente con menos mediciones, los métodos escalables existentes presentan limitaciones. Los enfoques de optimización convexa que utilizan la penalización de la norma nuclear se vuelven computacionalmente prohibitivos para sistemas grandes. Los métodos de factorización (por ejemplo, Burer-Monteiro) mejoran la eficiencia, pero a menudo tienen dificultades para imponer las restricciones físicas necesarias (Hermiticidad, semidefinitud positiva y traza unitaria) sin proyecciones complejas. Además, aunque las representaciones de redes de tensores como los Estados de Producto de Matrices (MPS) son eficientes para estados puros, extenderlas a estados mixtos manteniendo estas restricciones sigue siendo un desafío.

Metodología
Los autores proponen un nuevo marco de QST que parametriza la matriz de densidad $\rho$ utilizando una descomposición de Bloque de Tensor Train (Block-TT). Este enfoque combina los principios de compressed sensing con el álgebra de redes de tensores.

1. Parametrización: En lugar de optimizar sobre la matriz de densidad completa, el método representa $\rho$ como la contracción de una red Block-TT $A$ con su transpuesta Hermítica $A^H$ (es decir, $\hat{\rho}_{TT} = A \bullet_n A^H$).

   • La red $A$ es un tensor de orden $(N+1)$ donde la mayoría de los núcleos son de tercer orden, excepto un núcleo de cuarto orden en una posición específica $n$ que porta un índice auxiliar $K$.
   • Esta construcción garantiza intrínsecamente que la matriz de densidad resultante sea semidefinida positiva (PSD) y Hermítica, de forma análoga a una descomposición de Cholesky para matrices, sin requerir restricciones explícitas durante la optimización.
   • La restricción de traza unitaria se gestiona mediante una restricción de norma de Frobenius sobre el factor $A$ ($\|A\|_F \leq 1$).

2. Optimización: El problema de QST se reformula como un problema de optimización no convexa que minimiza el error de mínimos cuadrados entre los resultados de las mediciones observadas y las predicciones del modelo.

   • Objetivo: $\min_A \frac{1}{2} \|y - \mathcal{M}(\hat{\rho}_{TT})\|_2^2$ sujeto a $\|A\|_F \leq 1$.
   • Algoritmo: Se emplea un algoritmo simple de Descenso de Gradiente (GD). En cada iteración, el gradiente se calcula mediante contracciones de redes de tensores, y el factor actualizado se proyecta de nuevo al formato Block-TT utilizando una SVD truncada (TT-SVD) para mantener la ortogonalidad y controlar los rangos. Se utiliza un factor de momentum para mejorar la convergencia.

3. Eficiencia: El método aprovecha el álgebra de TT para calcular los valores esperados ($\text{Tr}(\rho E_m)$) de manera eficiente. La complejidad computacional para evaluar las mediciones escala como $O((4R^2 + 2R^3)(\log_2 D + K))$, donde $R$ es el rango TT. Esto es significativamente más eficiente que la complejidad $O(D^2)$ de los cálculos estándar de traza de matrices para valores de $N$ grandes, siempre que el estado posea un bajo rango TT.

Contribuciones Clave

• Parametrización Block-TT: Introducción de una representación Block-TT para matrices de densidad que preserva intrínsecamente la semidefinitud positiva, eliminando la necesidad de los pasos de proyección complejos requeridos por otros métodos de factorización.
• Escalabilidad: Demostración de que el enfoque mitiga la maldición de la dimensionalidad para una amplia clase de estados cuánticos (puros, casi puros y estados fundamentales) al reducir el conteo de parámetros de un escalamiento exponencial a uno logarítmico respecto al tamaño del sistema.
• Marco Algorítmico: Desarrollo de un algoritmo basado en gradiente adaptado para redes Block-TT, utilizando TT-SVD para el truncamiento de rango y la normalización.
• Análisis Comparativo: Una comparación exhaustiva con métodos de vanguardia, incluyendo Optimización Convexa (CVX), Estimación de Máxima Verosimilitud (MLE) y métodos de Gradiente Proyectado de Bajo Rango (LR).

Resultados
Se realizaron experimentos numéricos en sistemas que van desde 3 hasta 12 cúbits con mediciones de Pauli aleatorias y ruido Gaussiano (SNR = 60 dB).

• Precisión: El método Block-TT propuesto logró una precisión competitiva en la recuperación de estados mixtos. En términos de Fidelidad y Distancia de Traza, superó a MLE y mostró un desempeño general similar al método de Gradiente Proyectado de Bajo Rango (LR).
• Eficiencia de Muestreo: En ratios de muestreo bajos ($M/D^2 < 0.3$), el método de optimización convexa (CVX) funcionó mejor, pero el método Block-TT se mantuvo competitivo.
• Eficiencia Computacional: El hallazgo más significativo fue el tiempo de cómputo. Mientras que la evaluación de mediciones basada en matrices escala exponencialmente con el número de cúbits, el enfoque Block-TT escala de forma casi lineal. Esto permite al método manejar sistemas de gran escala (por ejemplo, 12 cúbits) donde los métodos basados en matrices se vuelven computacionalmente intratables.

Significancia y Reivindicaciones
El artículo afirma que el enfoque de QST mediante Block-TT ofrece una solución práctica para la estimación de estados cuánticos a gran escala al equilibrar la eficiencia de memoria, la velocidad computacional y la validez física.

• Reivindicaciones Modestas: Los autores declaran explícitamente que su método es eficiente específicamente para estados cuánticos que pueden aproximarse bien mediante redes de tensores de bajo rango. Reconocen que su algoritmo actual es un descenso de gradiente simple y que optimizaciones más avanzadas sobre variedades (manifolds) de TT podrían mejorar aún más el rendimiento.
• Direcciones Futuras: El artículo sugiere que trabajos futuros podrían incluir un análisis teórico riguroso de las garantías de recuperación y el desarrollo de enfoques de completitud de tensores estructurados para la recuperación determinista.
• Conclusión: El trabajo demuestra que parametrizar las matrices de densidad mediante redes Block-TT es una alternativa viable, eficiente en memoria y computacionalmente rápida para la tomografía tradicional, capaz de recuperar estados mixtos precisos sin imponer restricciones adicionales más allá de la estructura inherente de la descomposición.