Quantum Filtering and Stabilization of Dissipative Quantum Systems via Augmented Neural Ordinary Differential Equations

Resumen Técnico: Filtrado Cuántico y Estabilización de Sistemas Cuánticos Disipativos mediante ODEs Neuronales Aumentadas

Planteamiento del Problema
La estimación y el control de los sistemas cuánticos abiertos presentan un desafío fundamental cuando el Hamiltoniano del sistema o el modelo de ruido no se conocen completamente. En entornos experimentales realistas, las trayectorias cuánticas solo son parcialmente accesibles a través de mediciones débiles continuas, mientras que la dinámica subyacente está influenciada por procesos disipativos ocultos, dependientes del tiempo y del entorno (efectos no markovianos). Las estrategias de control tradicionales, como el control óptimo o los métodos basados en Lyapunov, dependen en gran medida del conocimiento completo de la dinámica hamiltoniana y disipativa del sistema, lo que las hace menos adecuadas para escenarios con información incompleta. Además, los enfoques estándar de aprendizaje automático suelen carecer de interpretabilidad física y no logran recuperar explícitamente parámetros desconocidos, los cuales son cruciales para diseñar leyes de control de retroalimentación. La dificultad central radica en reconstruir el estado cuántico completo (vector de Bloch) e inferir simultáneamente las tasas disipativas ocultas a partir de datos de medición incompletos sin un modelo físico explícito.

Metodología: El Marco AQNODE
Los autores introducen el marco de la Ecuación Diferencial Ordinaria Neuronal Cuántica Aumentada (AQNODE), un enfoque basado en datos diseñado para aprender trayectorias cuánticas y parámetros de disipación directamente a partir de datos de medición continua parcial.

1. Representación del Estado Aumentado: A diferencia de las Neural ODEs estándar que aprenden solo trayectorias observables, AQNODE define un vector de estado aumentado $Y_{aug}(t) = [x(t), y(t), z(t), \Delta(t), \gamma(t)]^T$. Este incluye los componentes observables del vector de Bloch ($x, y, z$) y los parámetros disipativos ocultos y dependientes del tiempo: la tasa de difusión $\Delta(t)$ y la tasa de disipación $\gamma(t)$. Esta aumentación transforma el problema de una pura predicción de trayectoria en un problema conjunto de identificación de sistemas y filtrado.
2. Arquitectura: El marco consta de tres componentes principales:
   • Codificador (Encoder): Una red neuronal que mapea los registros de medición parcial ($dY(t)$), las entradas de control ($u(t)$) y las condiciones iniciales en una representación latente $h(t)$.
   • Neural ODE: El estado latente evoluciona continuamente en el tiempo de acuerdo con un campo vectorial aprendido $\dot{h}(t) = \text{MLP}_\theta([h(t), dY(t), u(t), t])$. Esto permite al modelo capturar la dinámica de tiempo continuo y la suavidad temporal inherentes a los sistemas físicos.
   • Decodificador (Decoder): Una red neuronal que mapea el estado latente evolucionado de vuelta al espacio observable aumentado, entregando estimaciones tanto para el estado del qubit como para los parámetros disipativos ocultos.
3. Entrenamiento y Pérdida: El modelo se entrena de manera supervisada utilizando datos simulados generados a partir de una ecuación maestra de dos niveles de tiempo-convolución nula (TCL) con un reservorio de Lorentz-Drude Óhmico. La función de pérdida total combina el error cuadrático medio (MSE) entre las trayectorias del estado predichas y las reales para el estado ($L_s$) y los parámetros ($L_p$), ponderados por hiperparámetros $\kappa$ y $\beta$. Se utiliza el método de sensibilidad adjunta para un cálculo de gradiente eficiente en memoria a través del resolvedor de la ODE.
4. Integración de Control de Retroalimentación: El estado y los parámetros inferidos se utilizan para el control de retroalimentación en tiempo real. Los autores implementan dos estrategias:
   • Control Proporcional-Derivativo (PD): Calcula campos de control basados en el error entre el estado estimado y el estado objetivo.
   • Regulador Lineal-Cuadrático Dependiente del Tiempo (LQR): Ajusta dinámicamente las ganancias de retroalimentación resolviendo una ecuación de Riccati diferencial para minimizar una función de costo que involucra la desviación del estado y la energía de control.

Contribuciones Clave

• Filtrado e Identificación Simultáneos: AQNODE permite la reconstrucción simultánea del estado del qubit y la inferencia de tasas disipativas ocultas y dependientes del tiempo a partir de datos de medición débil parcial, sin requerir un modelo físico explícito durante la inferencia.
• Consistencia Física e Interpretabilidad: Al embeber el sistema en un espacio latente evolucionado mediante Neural ODEs, el marco asegura la suavidad temporal y la consistencia física, devolviendo explícitamente parámetros interpretables ($\Delta(t), \gamma(t)$) en lugar de solo un ajuste de trayectoria de caja negra.
• Control Basado en Datos: El marco integra el filtrado cuántico aprendido con estrategias de control clásicas (PD y LQR), demostrando que la reconstrucción precisa del estado a partir de datos parciales es suficiente para dirigir sistemas cuánticos disipativos hacia estados objetivo en tiempo real.
• Robustez y Generalización: El enfoque se valida tanto en regímenes de distribución dentro de la muestra (WD) como fuera de la muestra (OOD), incluyendo escenarios con variaciones significativas en los parámetros ambientales ($\alpha, r$) y parámetros del sistema ($M, \omega_0$), así como perturbaciones en las condiciones iniciales.

Resultados
Simulaciones numéricas extensas en un qubit impulsado único interactuando con un entorno no markoviano demuestran la eficacia de AQNODE:

• Estimación de Estado y Parámetros: En el régimen WD, el modelo logra un bajo Error Cuadrático Medio (MSE) tanto para los componentes del estado ($< 10^{-4}$) como para los parámetros. En el régimen OOD, donde los parámetros se desvían significamente de las distribuciones de entrenamiento, el modelo mantiene una precisión razonable (MSE $< 10^{-3}$ para los estados), demostrando fuertes capacidades de generalización.
• Desempeño del Control: Cuando se utiliza para el control de retroalimentación para dirigir el qubit a un estado objetivo $|0\rangle$, los controladores basados en AQNODE (tanto PD como LQR) logran estabilizar el sistema con éxito.
  • Control LQR: Demostró un desempeño superior al control PD en términos de velocidad de convergencia, desviación del estado final y fidelidad ($\geq 0.93$) incluso bajo condiciones OOD. Sin embargo, este mejor desempeño de control conlleva un mayor gasto de energía; la Tabla III indica que el LQR requiere significativamente más energía de control (por ejemplo, 5624.1 frente a 2310.9 para PD en el régimen WD) en comparación con el control PD.
  • Pureza y Coherencia: El modelo predice con precisión la evolución de la pureza y coherencia cuántica, capturando las oscilaciones transitorias y los comportamientos de estado estacionario inducidos por los campos de control y la disipación ambiental.
• Robustez ante Perturbaciones: El marco exhibe robustez contra perturbaciones en el estado cuántico inicial, con el modelo corrigiendo sus predicciones con el tiempo para alinearse con la verdad fundamental, imitando el comportamiento de un filtro cuántico.

Significancia y Reivindicaciones
El artículo afirma que AQNODE establece un marco escalable, diferenciable y potencialmente compatible experimentalmente para el modelado y control en tiempo real de sistemas cuánticos disipativos. Al unir el aprendizaje automático con la mecánica cuántica, este trabajo ofrece una solución al desafío de controlar sistemas cuánticos sin un conocimiento completo de sus Hamiltonianos o modelos de ruido. Los autores postulan que este paradigma basado en datos une las técnicas de control cuántico convencional con el aprendizaje automático, proporcionando una herramienta fiable para la estimación y estabilización de estados cuánticos. Sugieren que, si bien el trabajo actual se centra en un sistema de dos niveles, el marco es extensible a sistemas cuánticos de mayor dimensión y complejidad, ayudando potencialmente en la corrección de errores cuánticos y simulaciones de la era NISQ. La significancia reside en su capacidad para funcionar como un "observador cuántico aprendido", permitiendo protocolos adaptativos en entornos donde las distribuciones exactas de los parámetros son desconocidas.