DifGa: Differentiable Error Mitigation for Multi-Mode Gaussian and Non-Gaussian Noise in Quantum Photonic Circuits

Resumen Técnico de "DifGa: Mitigación de Errores Diferenciable para Ruido Gaussiano y No Gaussiano Multimodal en Circuitos Fotónicos Cuánticos"

Planteamiento del Problema
Los circuitos fotónicos cuánticos de variables continuas (CV), que utilizan operaciones gaussianas y hardware a temperatura ambiente, son prometedores para el procesamiento de información cuántica escalable. Sin embargo, estos sistemas están fundamentalmente limitados por la pérdida óptica, el desajuste de modos y la deriva de fase. Si bien los códigos de corrección de errores cuánticos bosónicos (como GKP) ofrecen tolerancia a fallos, requieren recursos no gaussianos, alto squeezing y mediciones complejas que actualmente superan las capacidades de los procesadores fotónicos de corto plazo como el Borealis de Xanadu.

Por el contrario, las técnicas de mitigación de errores existentes desarrolladas para sistemas basados en cúbits (por ejemplo, la extrapolación de cero ruido) no se trasladan a los sistemas CV porque el ruido gaussiano actúa sobre los momentos del espacio de fase en lugar de sobre operadores de Pauli discretos. Además, rigurosos teoremas de imposibilidad (no-go theorems, Niset et al., Ohliger et al.) establecen que la corrección de errores cuánticos gaussianos perfecta de un ruido gaussiano es imposible utilizando únicamente operaciones gaussianas y ancillas de vacío. En consecuencia, existe una falta de un marco diferenciable y compatible con el hardware capaz de mitigar el ruido en circuitos fotónicos CV operando estrictamente dentro del régimen gaussiano y dirigido a observables experimentalmente accesibles.

Metodología
Los autores presentan DifGa (Mitigación de Errores Gaussiana Diferenciable), un marco totalmente diferenciable diseñado para suprimir la degradación inducida por el ruido en los observables de cuadratura ($\langle \hat{x} \rangle$ y $\langle \hat{p} \rangle$) sin intentar la recuperación total del estado. La metodología se basa en los siguientes componentes:

• Entorno de Simulación: El marco utiliza el backend default.gaussian de PennyLane, que representa estados cuánticos mediante sus primeros y segundos momentos estadísticos (vector de media y matriz de covarianza), permitiendo la diferenciación automática de extremo a extremo.
• Arquitectura del Circuito: El sistema emplea una arquitectura multimodo que consiste en un modo de señal, un modo ancilla y un modo ambiental (para modelar la pérdida).
  • Codificación: Los estados de entrada se preparan utilizando operaciones de squeezing y desplazamiento, seguidas de un divisor de haz (beam splitter) entrelazante.
  • Modelado de Ruido:
    • Pérdida Gaussiana: Modelada como una interacción de divisor de haz con un entorno de vacío con transmisividad $\eta \in [0.3, 0.95]$.
    • Ruido No Gaussiano: Se incorpora un ligero jitter de fase no gaussiano mediante una mezcla de Monte Carlo diferenciable de rotaciones de fase aleatorias con amplitudes de jitter $\delta \in [0, 0.7]$.
• Capa de Recuperación Entrenable: Se añade al circuito una capa gaussiana entrenable de seis parámetros, que actúa localmente sobre los modos de señal y ancilla. Esta capa consiste en rotaciones de fase locales y desplazamientos complejos.
• Optimización: Los parámetros de recuperación se optimizan mediante el descenso de gradiente para minimizar una función de pérdida cuadrática definida como la diferencia al cuadrado de las expectativas de cuadratura ideales y ruidosas. El marco soporta tanto el entrenamiento puramente gaussiano como el entrenamiento "consciente del ruido" (noise-aware) utilizando promedios de Monte Carlo para escenarios no gaussianos.

Contribuciones Clave

1. Primera Mitigación Gaussiana Diferenciable de Extremo a Extremo: El artículo presenta el primer marco para diseñar protocolos de mitigación puramente gaussianos que son totalmente diferenciables y compatibles con el hardware fotónico actual, evitando la necesidad de estados ancilla no gaussianos.
2. Propagación de Gradientes a través de Estados Mixtos: Los autores demuestran que los gradientes pueden propagarse a través de simulaciones gaussianas de estados mixtos completos (incluyendo mezclas de Monte Carlo para ruido no gaussiano) utilizando PennyLane, permitiendo la optimización clásica de interferómetros conscientes del ruido.
3. Mitigación a Nivel de Observable: El trabajo cambia el objetivo de la imposible corrección de estado completo a la restauración práctica de las expectativas de los primeros momentos de cuadratura, un régimen donde las operaciones gaussianas pueden ser efectivas.
4. Validación Empírica de la Asistencia Ancilar: El estudio demuestra numéricamente que incluso los circuitos de recuperación gaussianos poco profundos, cuando son asistidos por modos ancilla, pueden suprimir los errores de reconstrucción en varios órdenes de magnitud bajo una pérdida moderada.

Resultados

• Mitigación de Pérdida Gaussiana: Bajo pérdida gaussiana pura, la capa de recuperación optimizada suprime el error de reconstrucción a una precisión cercana a la de la máquina ($< 10^{-30}$) para transmisividades moderadas ($\eta \geq 0.5$). Incluso con una transmisividad menor ($\eta = 0.3$), los errores siguen siendo extremadamente pequeños ($\sim 10^{-38}$).
• Multimodo vs. Monomodo: Las arquitecturas multimodo superan significativamente a las de un solo modo. Mientras que un modelo base de un solo modo sin recuperación arroja un error de $\sim 1.7 \times 10^{-1}$, el modelo base multimodo reduce esto pasivamente a $\sim 1.0 \times 10^{-1}$. Con la capa de recuperación activa y entrenable, el sistema multimodo lleva el error a cero numérico ($\sim 10^{-41}$), lo que representa una mejora de dos órdenes de magnitud respecto al modelo base multimodo.
• Robustez No Gaussiana: Cuando se entrena explícitamente con jitter de fase no gaussiano, la capa de recuperación se generaliza eficazmente. Para amplitudes de jitter de fase $\delta \leq 0.2$, el error se mantiene por debajo de $10^{-3}$. Aunque el rendimiento se degrada a medida que $\delta$ aumenta, el entrenamiento consciente del ruido reduce los errores en más de un orden de magnitud en comparación con la recuperación entrenada con modelos gaussianos para niveles altos de jitter ($\delta = 0.7$).
• Escalabilidad y Costo: El costo computacional escala linealmente con el número de muestras de Monte Carlo ($K$). Las pruebas de tiempo de ejecución confirman una escalabilidad predecible, con tamaños de muestra moderados ($K=8\text{--}16$) que proporcionan una mitigación robusta con tiempos de ejecución inferiores a 10 segundos. Aumentar el número de modos ($M$) mejora aún más el rendimiento de la mitigación, llevando los errores a la precisión numérica en todo el rango probado.

Significancia y Reivindicaciones
El artículo posiciona a DifGa no como una violación de los conocidos teoremas de imposibilidad, sino como un enfoque complementario y experimentalmente relevante. Los autores declaran explícitamente que no pretenden lograr la corrección de errores lógicos tolerante a fallos ni la restauración completa del estado. En cambio, la importancia radica en proporcionar una estrategia de supresión de ruido nativa de software y alineada con el hardware para procesadores fotónicos de corto plazo.

Al operar enteramente dentro del subespacio gaussiano utilizando componentes físicamente realizables (squeezing, desplazamiento, divisores de haz) y ancillas de vacío, DifGa ofrece una vía práctica para mejorar la fidelidad de los observables medibles en circuitos fotónicos ruidosos. El marco aprovecha la simulabilidad clásica de los circuitos gaussianos (como señalan Mari y Eisert) como una característica habilitadora para la optimización eficiente basada en gradientes, distinguiéndose de los esquemas de corrección de errores no gaussianos que requieren recursos actualmente no disponibles en las plataformas fotónicas integradas.