Shedding light on classical shadows: learning photonic quantum states

Aquí presento un resumen técnico detallado del artículo "Learning photonic quantum states" (Aprendizaje de estados cuánticos fotónicos), estructurado según los puntos solicitados.

1. El Problema

La caracterización completa de estados cuánticos desconocidos mediante tomografía de estado cuántico es un desafío fundamental en la ciencia de la información cuántica. Sin embargo, la tomografía completa requiere un número de copias del estado que crece exponencialmente con el número de subsistemas, volviéndose intratable para sistemas experimentales modernos y haciendo imposible incluso el almacenamiento del matriz de densidad en memoria clásica.

Aunque la tomografía de sombras (shadow tomography) ha surgido como una solución eficiente para arquitecturas basadas en qubits (utilizando mediciones aleatorias de Clifford o Pauli), su aplicación a plataformas fotónicas ha sido limitada. Los sistemas fotónicos presentan restricciones únicas:

• Los estados se codifican en estados de Fock (número de fotones) en lugar de qubits.
• Las transformaciones están limitadas a óptica lineal pasiva.
• Las mediciones son de resolución de número de fotones (PNR), las cuales destruyen la coherencia entre subespacios de diferente número de fotones.

El objetivo principal del artículo es cerrar esta brecha: desarrollar un protocolo de sombras clásicas eficiente y riguroso específicamente para plataformas fotónicas que respete estas restricciones físicas.

2. Metodología

Los autores proponen un protocolo de Sombras Clásicas Fotónicas adaptado a la óptica lineal pasiva y la detección de número de fotones.

• Configuración Experimental:

  • Entrada: Un estado cuántico fotónico desconocido $\rho$ en $m$ modos.
  • Transformación: Se aplica una transformación unitaria aleatoria $U$ (dibujada de la medida de Haar) a través de una red óptica lineal pasiva.
  • Medición: Se realiza una medición proyectiva en la base computacional utilizando detectores de resolución de número de fotones (PNR), obteniendo un resultado $s$ (un vector de ocupación de fotones).
  • Recolección de Datos: Este proceso se repite $N$ veces, generando una "sombra" clásica $S(\rho, N)$ compuesta por pares $(U_i, s_i)$.

• Procesamiento Teórico:

  • Canal Cuántico: El proceso se modela como un canal cuántico $\mathcal{M}$. Debido a que la detección PNR proyecta en subespacios de número de fotón fijo, el canal no es tomográficamente completo para todo el espacio de Hilbert, pero sí para cada subespacio de $n$ fotones.
  • Espacio Visible: Utilizando teoría de representaciones del grupo unitario $U(m)$, los autores demuestran que el "espacio visible" del canal está delineado por proyecciones en subespacios de número de fotón fijo.
  • Inversión del Canal: Se deriva una forma cerrada para el canal $\mathcal{M}$ y su inverso $\mathcal{M}^{-1}$ utilizando el Lema de Schur y coeficientes de Clebsch-Gordan. Esto permite reconstruir estimadores no sesgados para observables lineales.
  • Algoritmo de Post-procesamiento: A diferencia de las sombras de qubits, calcular la evolución de estados base en óptica lineal es difícil (requiere permanencias de matrices). Los autores introducen una técnica novedosa que calcula el valor esperado $\langle O \rangle$ directamente a partir del par $(U, s)$ en tiempo polinomial $O(m^{\text{deg}(O)})$, evitando el cálculo directo de permanencias exponenciales para observables de bajo grado.

3. Contribuciones Clave

1. Protocolo de Sombras Clásicas para Fotónica: Es el primer protocolo de sombras clásicas diseñado específicamente para estados de Fock bajo óptica lineal pasiva y detección PNR.
2. Garantías Teóricas Rigurosas:
   • Complejidad de Muestra: Se demuestra que la complejidad de muestra depende del grado de los observables (polinomios en operadores de creación/aniquilación) y no del tamaño total del sistema de manera exponencial. Se introduce una "norma de sombra fotónica" ($\|\cdot\|_P$) que acota el error.
   • Complejidad Temporal: Se demuestra que el post-procesamiento es eficiente (polinomial) para observables de grado constante, superando la barrera de las permanencias de matrices.
3. Implementación Experimental: Validación del protocolo en dos procesadores cuánticos fotónicos integrados de Quandela:
   • Ascella: 12 modos.
   • Belenos: 24 modos.
4. Versatilidad Aplicada: Demostración del protocolo en cinco aplicaciones distintas, incluyendo mediciones de correlaciones, invariantes algebraicos, estimación de energía de Hamiltonianos y aprendizaje de estados de muestreo de bosones (Boson Sampling).

4. Resultados Experimentales

Los experimentos se realizaron en los chips cuánticos Ascella (12 modos) y Belenos (24 modos), utilizando hasta 4 fotones.

• Aplicación A.1 (Correladores de bajo orden): Se estimaron matrices de correlación de dos modos con un error absoluto promedio de 0.03, demostrando la capacidad de capturar correlaciones de muchos cuerpos.
• Aplicación A.2 (Invariantes Algebraicos): Se midieron invariantes de la óptica lineal (como el espectro de la matriz de covarianza) con una desviación relativa del 0.67% respecto a los valores teóricos, validando la caracterización de procesadores fotónicos integrados.
• Aplicación A.3 (Distribuciones Binned): Se recuperaron distribuciones de probabilidad agrupadas con una distancia de variación total (TVD) promedio de 0.020, útil para la validación de dispositivos.
• Aplicación B.1 (Estimación de Energía de Hamiltoniano): Se estimó la energía del estado fundamental del Hamiltoniano de Bose-Hubbard (regímenes superfluido e interactuante) con una precisión del 5% utilizando sombras de tamaño pequeño (60-100 muestras).
• Aplicación B.2 (Aprendizaje de Estados de Boson Sampling): Se logró recuperar un estado de entrada de Fock y aprender una matriz unitaria $V$ que aproxima la evolución desconocida $W$ con una fidelidad de 0.96, demostrando la capacidad de "aprender" circuitos cuánticos complejos.

Mitigación de Errores: Los autores abordaron el problema de la detección PNR imperfecta (pseudo-PNR) mediante un método de mitigación basado en factores de corrección de probabilidad, logrando que la distribución mitigada converja a la verdadera distribución teórica.

5. Significado e Impacto

Este trabajo es un hito importante por varias razones:

• Escalabilidad: Proporciona una herramienta práctica para caracterizar sistemas fotónicos a gran escala, donde la tomografía completa es imposible.
• Eficiencia de Recursos: Demuestra que se pueden extraer propiedades físicas relevantes (energías, fidelidades, entropías) con un número de muestras y tiempo de procesamiento clásico manejables, incluso en dispositivos con 24 modos.
• Puente entre Teoría y Hardware: Conecta la teoría avanzada de sombras clásicas con la realidad experimental de la óptica integrada, validando que las restricciones de la óptica lineal no impiden el aprendizaje eficiente de estados.
• Habilitador para Futuras Aplicaciones: Abre la puerta a nuevas aplicaciones en computación cuántica fotónica, incluyendo la certificación de dispositivos, la simulación de Hamiltonianos, el aprendizaje automático cuántico (QML) y la corrección de errores, aprovechando la accesibilidad pública de estos procesadores fotónicos.

En resumen, el artículo establece un marco teórico y experimental sólido para el aprendizaje eficiente de estados cuánticos fotónicos, superando las limitaciones de la tomografía tradicional y adaptando las técnicas de sombras clásicas a las particularidades de la física de bosones y la óptica lineal.