Higher moment theory and learnability of bosonic states

Planteamiento del problema

La tomografía de estados cuánticos generalmente sufre una complejidad intrínseca exponencial en muestras y tiempo a medida que el tamaño del sistema escala. Aunque existen algoritmos de aprendizaje eficientes para clases específicas de estados (por ejemplo, estados estabilizadores, circuitos de baja profundidad o estados gaussianos), una pregunta abierta significativa persistía respecto a los estados de Fock actuados por unitarias gaussianas arbitrarias. Esta clase de estados es central para los experimentos de BosonSampling, los cuales están diseñados para demostrar la ventaja cuántica.

Resultados previos mostraron que los estados de Fock fermiónicos actuados por unitarias gaussianas son estados gaussianos y, por lo tanto, están completamente especificados por sus segundos momentos, lo que permite un aprendizaje eficiente. Sin embargo, los estados de Fock bosónicos actuados por unitarias gaussianas no son estados gaussianos. En consecuencia, los algoritmos de aprendizaje eficientes existentes que dependen de segundos momentos (matrices de covarianza) o de la simulabilidad clásica no son aplicables. El artículo aborda la pregunta: ¿Existe un algoritmo eficiente en muestras y tiempo para aprender cualquier estado de Fock bosónico actuado por una unitaria gaussiana arbitraria?

**Metodología y marco teórico

1. Teoría de momentos superiores y estados $G_t$
Los autores introducen una jerarquía de clases de estados definidas por sus momentos. Definen un estado $G_t$ como un estado mixto bosónico que es el estado térmico de un Hamiltoniano con grado $\le t$ en los operadores de cuadratura (o el estado fundamental de tal Hamiltoniano para estados puros).

• Perspectiva teórica clave: Mientras que los estados gaussianos ($t=2$) están totalmente especificados por sus primeros y segundos momentos, los autores demuestran que los estados de Fock actuados por unitarias gaussianas arbitrarias están totalmente especificados por sus primeros cuatro momentos (específicamente, los segundos y cuartos momentos, ya que los momentos impares se anulan para los estados de Fock).
• Reconstrucción: Establecen que si se promete que un estado es un estado $G_t$, conocer sus primeros $t$ momentos permite la reconstrucción completa del estado (mediante principios de máxima entropía para estados mixtos o unicidad del estado fundamental para estados puros).

2. Invariantes simpléticos
Para caracterizar la relación entre estados bajo unitarias gaussianas, los autores desarrollan un espectro de invariantes simpléticos.

• Definen tensores de momentos $\Sigma^{(t)}$ y operadores remodelados $\Lambda^{(s)}$.
• Construyen una colección de invariantes $\lambda(\rho)$ derivados de los autovalores de operadores específicos que involucran la forma simplética $\Omega$ y operadores de permutación.
• Resultado: Demuestran que cualquier invariante polinómico bajo unitarias gaussianas puede expresarse como una función de estos invariantes simpléticos. Esto proporciona condiciones necesarias para que dos estados estén relacionados por una unitaria gaussiana (convertibilidad gaussiana). Demuestran que los invariantes de segundo momento (autovalores simpléticos de la matriz de covarianza) son insuficientes para distinguir ciertos estados no gaussianos, lo que hace necesario recurrir a momentos superiores.

3. Algoritmo de aprendizaje
La contribución central es un algoritmo explícito para aprender la unitaria gaussiana desconocida $\mathcal{U}_S$ y el estado de Fock desconocido $|f\rangle$ dado el acceso a muestras del estado $|\psi\rangle = \mathcal{U}_S |f\rangle$.

• Paso 1: Estimación de momentos. El algoritmo estima las matrices de primer y segundo momento ($\Lambda^{(1)}$ y $\Lambda^{(2)}$) utilizando mediciones de heterodino.
• Paso 2: Identificación del estado de Fock. Mediante la realización de una descomposición de Williamson sobre la parte real de la primera matriz de momento (la matriz de covarianza), el algoritmo extrae los autovalores simpléticos. Estos autovalores determinan de forma única los números de fotones en el estado de Fock inicial $|f\rangle$ (salvo por permutación).
• Paso 3: Recuperación de la unitaria. Una vez identificada la estructura del estado inicial, el algoritmo "deshace" la parte activa (de compresión o squeezing) de la unitaria gaussiana utilizando la matriz de diagonalización simplética. Esto reduce el problema a aprender una unitaria gaussiana pasiva (óptica lineal) actuando sobre un estado de Fock conocido.
• Paso 4: Aprendizaje de la unitaria pasiva. Para el caso pasivo, el algoritmo utiliza la matriz de cuarto momento. Construye una matriz $A$ específica a partir de los cuartos momentos y los parámetros del estado de Fock conocido. Al diagonalizar $A$ y realizar una diagonalización simultánea de matrices derivadas, el algoritmo recupera la matriz unitaria desconocida $W$ (salvo por permutación y fases globales).

Resultados clave

1. Algoritmo de aprendizaje eficiente
El artículo presenta el Teorema 2 (y sus versiones detalladas en el Material Suplementario, Teoremas S1–S3), que demuestra que un estado de Fock desconocido $|f\rangle$ actuado por una unitaria gaussiana desconocida $\mathcal{U}_S$ puede aprenderse eficientemente.

• Complejidad de muestras: El número de muestras de heterodino requeridas escala polinómicamente con el número de modos $n$, el número máximo de fotones $f_{\max}$ y el parámetro de compresión $e^s$. Específicamente, para el caso estándar de BosonSampling (unitarias pasivas, $f_{\max}=1$), la complejidad de muestras es $\tilde{O}(n^8)$.
• Complejidad de tiempo: El tiempo de post-procesamiento clásico es polinómico en $n$, $f_{\max}$ y $e^s$. El algoritmo se basa en rutinas estándar de álgebra lineal: diagonalización de matrices, descomposición en valores singulares (SVD) y descomposición de Williamson.

2. Resolución de una pregunta abierta
El trabajo resuelve la pregunta abierta planteada por Aaronson y Grewal sobre la capacidad de aprendizaje de los estados de BosonSampling. Si bien algoritmos previos para estados gaussianos "$t$-dopados" o sombras clásicas (classical shadows) existían, estos tenían una complejidad de tiempo exponencial o no se aplicaban a esta clase no gaussiana específica. Este trabajo proporciona el primer algoritmo eficiente en muestras y tiempo para esta clase.

3. Evidencia numérica
Las simulaciones numéricas en unitarias aleatorias sugieren que la escala práctica de las muestras requeridas está más cerca de $O(n^6)$, lo cual es mejor que el límite riguroso del peor de los casos de $O(n^8 \log n)$.

Significado y afirmaciones

Los autores afirman que su trabajo establece un nuevo marco para el aprendizaje de estados cuánticos basado en momentos superiores, extendiéndose más allá de las limitaciones de la tomografía de estados gaussianos.

• Complementariedad: Los resultados son complementarios a otros algoritmos de aprendizaje (por ejemplo, para estados "$t$-dopados" o sombras clásicas) que se aplican a diferentes clases de estados no gaussianos.
• Invariantes: Los invariantes simpléticos derivados proporcionan una herramienta para determinar la convertibilidad gaussiana sin un corte en el espacio de Fock, un problema donde los métodos anteriores eran computacionalmente costosos o restringidos.
• Direcciones futuras: El artículo sugiere modestamente que estos métodos basados en momentos podrían extenderse para aprender otros estados $G_t$ (por ejemplo, $t=6$) y que los invariantes podrían encontrar uso en teorías de recursos donde las operaciones gaussianas se consideran "gratuitas". También señala que la definición de los estados $G_t$ y las técnicas de momentos podrían generalizarse a sistemas fermiónicos.

El artículo no propone nuevos montajes experimentales, sino que proporciona una solución teórica y algorítmica al problema de caracterizar estados generados en arquitecturas de BosonSampling existentes, demostrando que, a pesar de su naturaleza no gaussiana, siguen siendo eficientemente aprendibles.