Efficient implementation of arbitrary Hermitian-preserving and trace-preserving maps

Resumen Técnico: Implementación Eficiente de Mapas Arbitrarios Preservadores de la Hermiticidad y de la Traza

Planteamiento del Problema
El control cuántico ha permitido con éxito la implementación de mapas completamente positivos y preservadores de la traza (CPTP) arbitrarios, los cuales describen procesos físicamente realizables. Sin embargo, una frontera crítica sigue siendo la implementación de mapas preservadores de la hermiticidad y de la traza (HPTP). A diferencia de los mapas CPTP, los mapas HPTP no garantizan la positividad, lo que significa que pueden representar procesos no físicos como la transposición parcial (utilizada para la detección de entrelazamiento), canales de ruido inverso (centrales para la mitigación de errores cuánticos, o QEM) y mapas intermedios no-CP en la dinámica no markoviana. Los métodos existentes para realizar mapas HPTP enfrentan limitaciones significativas:

1. Enfoques de descomposición: Descomponer un mapa HPTP en dos mapas CPTP seguidos de un post-procesamiento requiere programación semidefinida para la optimización y se ha visto limitado experimentalmente a sistemas de un solo qubit.
2. Enfoques hamiltonianos: La construcción de hamiltonianos bipartitos para aproximar mapas HPTP requiere un sistema ancila con la misma dimensión que el sistema objetivo, lo que conlleva altos costos de recursos.

Metodología
Los autores proponen un método totalmente constructivo y eficiente en recursos para implementar mapas HPTP arbitrarios utilizando un único mapa CPTP ejecutable seguido de un post-procesamiento clásico simple. El núcleo del método involucra tres pasos:

1. Normalización: Dado un mapa HPTP objetivo $\mathcal{N}$ con operadores de Kraus $\{K_i\}$ y signos $\alpha(i) \in \{1, -1\}$ (derivados de los autovalores de la matriz de Choi), los autores normalizan la suma $\sum K_i^\dagger K_i$ por un factor $\gamma$ (el autovalor más grande de esta suma). Esto produce operadores reescalados $\tilde{K}_i = K_i / \sqrt{\gamma}$.
2. Completitud: Para asegurar que el mapa resultante sea un mapa CPTP válido, se introduce un operador de Kraus adicional: $\tilde{K}_{r+1} = (I - \sum_{i=1}^r \tilde{K}_i^\dagger \tilde{K}_i)^{1/2}$. Esto garantiza la condición de completitud $\sum_{i=1}^{r+1} \tilde{K}_i^\dagger \tilde{K}_i = I$. El mapa $\mathcal{E}_\mathcal{N}$ resultante tiene un rango de Kraus de como máximo $r+1$, donde $r$ es el rango intrínseco del mapa HPTP objetivo.
3. Post-procesamiento: El circuito físico implementa $\mathcal{E}_\mathcal{N}$. Para recuperar el valor de la esperanza de un observable $O$ bajo el mapa HPTP original $\mathcal{N}$, los resultados de la medición se procesan clásicamente. Específicamente, los resultados correspondientes a las primeras $r$ ramas de Kraus se ponderan por $\alpha(i)\gamma$, mientras que los resultados correspondientes a la $(r+1)$-ésima rama se ponderan por cero.

Implementación del Circuito
El método utiliza un circuito cuántico estructurado como un árbol binario, desarrollado previamente para mapas CPTP, para implementar el mapa CPTP construido $\mathcal{E}_\mathcal{N}$.

• Recursos: El protocolo requiere solo un único qubit ancila de dos niveles (reutilizado mediante medición, reinicio y retroalimentación) y un registro clásico para almacenar los resultados de la medición.
• Profundidad: La profundidad del circuito escala como $\lceil \log_2(r+1) \rceil$, ofreciendo un escalamiento logarítmico con el rango de Kraus.
• Mapas Sucesivos: Para secuencias de mapas HPTP, los autores proponen concatenar los circuitos cuánticos correspondientes y realizar un único paso de post-procesamiento al final, evitando la necesidad de re-preparar los estados cuánticos entre pasos.

Resultados Clave
El artículo valida el método mediante simulaciones numéricas y análisis teórico:

• Mitigación de Errores Cuánticos (QEM): El método se aplicó para invertir canales de ruido (amortiguamiento de amplitud, depolarización y de fase) para sistemas de uno y dos qubits. Los resultados numéricos muestran reducciones sustanciales en la sobrecarga de muestreo (varianza) en comparación con los métodos de descomposición previos.
• Sistemas Bosónicos: Las simulaciones en canales de pérdida de fotones bosónicos demuestran que el método propuesto escala linealmente con la dimensión del sistema $d$ (rango de Kraus $\approx d+1$). En contraste, los métodos de descomposición previos resultan en mapas CPTP de rango casi completo ($d^2$), lo que los hace impracticables para sistemas de alta dimensión.
• Análisis de Varianza: Los autores derivan una expresión analítica para la varianza de un solo disparo del estimador. Muestran que la sobrecarga de muestreo es transparente y está garantizada analíticamente, contrastando con los métodos que dependen de la optimización numérica donde la sobrecarga está determinada por los coeficientes de los mapas descompuestos.
• Varianza Promediada por Haar: Las predicciones teóricas para estados de entrada y observables promediados por Haar confirman la eficiencia del método, particularmente para canales unitarios.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona una ruta práctica para aplicaciones más amplias de información cuántica habilitadas por el procesamiento HPTP. Las ventajas clave destacadas incluyen:

• Eficiencia de Recursos: El método requiere significativamente menos recursos cuánticos (específicamente, un único ancila de dos niveles) en comparación con los enfoques basados en hamiltonianos y evita los requisitos de ancila de alta dimensión de los métodos anteriores.
• Naturque Constructiva: El protocolo es totalmente constructivo y determinista, eliminando la necesidad de optimización por programación semidefinida numérica.
• Escalabilidad: La profundidad de circuito logarítmica y el escalamiento lineal del rango de Kraus con la dimensión del sistema hacen que el enfoque sea adecuado para el hardware de la era NISQ y entornos de alta dimensión.
• Versatilidad: Al permitir la realización eficiente de mapas no físicos, el marco soporta aplicaciones en detección de entrelazamiento, mitigación de errores cuánticos, simulación cuántica y aprendizaje automático cuántico.

El artículo concluye que estos resultados validan la eficiencia y versatilidad del marco propuesto, ofreciendo una solución escalable para implementar mapas HPTP arbitrarios sin los cuellos de botella de recursos de las técnicas previas.