Spectral Minimax Direct Fidelity Estimation for Generic Target States

Resumen Técnico: Estimación Directa de Fidelidad Minimax Espectral para Estados Objetivo Genéricos

Planteamiento del Problema
La estimación directa de fidelidad (DFE) tiene como objetivo estimar la superposición $F(\rho) = \text{tr}(\rho O)$ entre un estado cuántico desconocido $\rho$ y un estado objetivo puro fijo $O = |\psi\rangle\langle\psi|$ de manera más eficiente que la tomografía completa de estados. Aunque métodos recientes como el Muestreo de Importancia de Sombras Consciente de Operadores (OASIS) [7] optimizan las distribuciones de medición para reducir la varianza del estimador, estos dependen de un objetivo sustituto. Específicamente, OASIS minimiza la magnitud del peor caso de los coeficientes de resultados de medición individuales (norma $\ell_\infty$) dentro de cada configuración. Los autores argumentan que este enfoque es subóptimo porque el verdadero adversario en la estimación de fidelidad no es un resultado aislado, sino un estado cuántico físico $\rho$ que induce una distribución específica sobre los resultados. En consecuencia, optimizar contra coeficientes del peor caso en lugar del segundo momento exacto dependiente del estado conduce a una cota superior holgada sobre la varianza real.

Metodología
El artículo propone un marco "Minimax Espectral" que reemplaza el sustituto de OASIS con una optimización exacta de la varianza de un solo disparo del peor caso sobre la clase de estimadores lineales no sesgados que utilizan mediciones de copias individuales no adaptativas (específicamente mediciones de Pauli locales).

1. Caracterización del Estimador No Sesgado: Los autores establecen que un estimador definido por una ley de muestreo $q$ y coeficientes de reconstrucción $g$ es no sesgado si y solo si la suma ponderada de los efectos de medición es igual al proyector objetivo: $\sum_{u,b} \alpha_{u,b} P_{u,b} = O$, donde $\alpha_{u,b} = q(u)g(u,b)$.
2. Análisis Exacto de Varianza: Para un estado fijo $\rho$, se demuestra que la varianza depende del operador de segundo momento $M_{q,\alpha} = \sum_{u,b} \frac{\alpha_{u,b}^2}{q(u)} P_{u,b}$. Los autores derivan la ley de muestreo óptima dependiente del estado $q^*_\rho$ para coeficientes fijos, demostrando que la varianza óptima agrega las contribuciones por configuración a través de la raíz cuadrada de los segundos momentos ponderados por el estado, en lugar de la magnitud máxima del coeficiente utilizada por OASIS.
3. Identidad Minimax Espectral: La contribución teórica central es el Teorema 2, que proporciona una identidad espectral exacta para la varianza del peor caso:
   $$\Gamma(q, \alpha; O) = \min_{t \in \mathbb{R}} \left\{ \lambda_{\max}(M_{q,\alpha} - 2tO) + t^2 \right\}$$
   Esta identidad transforma el problema minimax en un problema de optimización convexa.
4. Formulación de Programación Semidefinida (SDP): Los autores convierten el problema minimax espectral en una SDP exacta (Teorema 3). Esto implica introducir variables de perspectiva $y_{u,b} \approx \alpha_{u,b}^2/q(u)$ y una variable de holgura escalar para acotar el mayor valor propio. La SDP resultante (Ecuación 27) optimiza conjuntamente la distribución de muestreo $q$ y los coeficientes $\alpha$ para minimizar el error cuadrático medio (MSE) del peor caso.

Contribuciones Clave

• Reemplazo Espectral Exacto: El artículo proporciona la primera formulación espectral exacta para la estimación directa de fidelidad de estados objetivo arbitrarios, reemplazando el sustituto $\ell_\infty$ por resultados de OASIS con el objetivo exacto de varianza del peor caso.
• Prueba de Relajación: Los autores demuestran que el programa lineal de OASIS es una relajación del problema real y puede ser estrictamente holgado, incluso en configuraciones de un solo qubit (Ejemplo 1).
• Implementación Algorítmica: Presentan el Algoritmo 1, que separa el proceso en una etapa fuera de línea (resolver la SDP exacta para encontrar $q^*$ y $\alpha^*$ óptimos) y una etapa en línea (realizar mediciones de Pauli locales aleatorizadas y aplicar los valores de búsqueda optimizados).
• Garantías Teóricas: El método proporciona una cota rigurosa sobre el MSE del peor caso para estimadores de múltiples disparos y establece la complejidad de muestreo requerida para garantías de error aditivo (Corolario 2).

Resultados
Se realizaron simulaciones numéricas para estados objetivo genéricos (aleatorios de Haar) en $n \in \{3, 4, 5, 6\}$ qubits bajo un modelo de ruido de despolarización ($\rho = 0.9 O + 0.1 I/d$).

• Rendimiento: La optimización espectral exacta (Algoritmo 1) superó consistentemente al estimador de OASIS en términos de Error Cuadrático Medio (MSE).
• Escalado: La ventaja relativa del método propuesto aumentó con el número de qubits. Para $n=6$, el MSE disminuyó de $1.49 \times 10^{-4}$ (OASIS) a $1.01 \times 10^{-4}$ (Algoritmo 1) bajo presupuestos de disparos equivalentes.
• Complejidad: Los autores señalan que la SDP fuera de línea escala exponencialmente con $n$ debido al número de configuraciones de Pauli locales ($3^n$) y resultados ($6^n$). Por lo tanto, el método está actualmente limitado a valores pequeños de $n$ para una optimización exacta fuera de línea, pero sirve como un punto de referencia preciso.

Significado y Afirmaciones
El artículo afirma que las ganancias de rendimiento se derivan exclusivamente de una función objetivo fuera de línea mejorada, no de nuevos primitivos de medición o estrategias adaptativas. Al mantener la misma estructura experimental que OASIS (mediciones de Pauli locales y disparos de copias individuales no adaptativas), el trabajo demuestra que la "verdadera" varianza minimax puede minimizarse exactamente mediante optimización convexa.

Los autores posicionan este trabajo como una corrección a la optimización sustituto utilizada en estimadores conscientes del objetivo anteriores. Enfatizan que, aunque la SDP exacta no es escalable para grandes $n$ en su forma actual, establece la línea base teórica correcta para objetivos genéricos. El trabajo futuro, según lo reconocido por los autores, debería centrarse en reducir la complejidad fuera de línea para sistemas más grandes, potencialmente explotando simetrías o descripciones de redes tensoriales, mientras se preserva la perspectiva minimax exacta.