Resumen Técnico: Reconstrucción Adaptativa de Estados Cuánticos Bosónicos

Planteamiento del Problema

Los sistemas cuánticos bosónicos ofrecen un paradigma de eficiencia de hardware para el procesamiento de información cuántica debido a sus grandes espacios de Hilbert, lo que permite una corrección de errores cuánticos eficiente en recursos. Sin embargo, la caracterización de estos estados es inherentemente desafiante. La tomografía de estado tradicional requiere la reconstrucción completa de la función de Wigner, lo cual es intensivo en recursos y demanda un gran número de mediciones. Además, los métodos existentes de estimación de fidelidad suelen dirigirse a un único estado fijo. Esto es insuficiente para aplicaciones prácticas donde los estados físicamente equivalentes difieren por traslaciones en el espacio de fase, rotaciones u otras transformaciones. Adicionalmente, las configuraciones experimentales realistas sufren de contribuciones de Hamiltoniano no contabilizadas, imperfecciones de calibración y derivas del sistema, lo que limita la efectividad de las estrategias de control de lazo abierto (optimizadas por modelo). Existe una necesidad crítica de protocolos de reconstrucción que puedan identificar la fidelidad óptima dentro de una familia relevante de estados, que permanezcan robustos ante desplazamientos en el espacio de fase y que operen dentro de las estrictas restricciones de tiempo (minutos) requeridas para el control óptimo cuántico (QOC) de lazo cerrado.

Metodología

Los autores introducen una técnica de reconstrucción adaptativa que combina un modelo paramétrico informado por la física con inferencia bayesiana, remuestreo bootstrap y aprendizaje activo. El flujo de trabajo central involucra:

1. Modelo Paramétrico Informado por la Física: En lugar de una reconstrucción no paramétrica, la función de Wigner se modela mediante una forma paramétrica adaptada para estados de gato de Schrödinger. El modelo consiste en tres componentes gaussianos (izquierda, centro y derecha) con amplitudes, medias y matrices de covarianza, además de un término de coseno para dar cuenta de la interferencia de franjas. Esto reduce la dimensionalidad del problema y asegura reconstrucciones físicamente plausibles.
2. Inferencia Bayesiana con MAP y Bootstrap: El algoritmo emplea la estimación de Máxima A Posteriori (MAP) con un prior de Wishart para restringir los parámetros a regímenes realistas. Para cuantificar la incertidumbre epistémica sin el costo computacional de un MCMC (Markov Chain Monte Carlo) completo, el método utiliza un enfoque bootstrap. Se entrenan múltiples modelos utilizando conjuntos de datos remuestreados con reemplazo a partir de las mediciones originales.
3. Muestreo Activo vía Distribución de Boltzmann: La varianza (desacuerdo) entre los modelos bootstrapped en cada punto del espacio de fase sirve como una métrica de incertidumbre. Los nuevos puntos de medición se seleccionan adaptativamente de las regiones de mayor incertidumbre. Específicamente, se construye una distribución de Boltzmann basada en la desviación estándar estimada, donde la "temperatura" (temperatura inversa $\beta_B$) se ajusta para mantener un rango de entropía específico. Esto evita que el muestreo se vuelva demasiado uniforme (poco informativo) o demasiado agudo (con riesgo de fallo en el muestreo por rechazo).
4. Integración de Lazo Cerrado: La reconstrucción se integra en un marco de QOC de lazo cerrado. Los pulsos de control se refinan iterativamente basándose en una Figura de Mérito (FoM) derivada de la fidelidad del estado reconstruido. La FoM incluye un término de penalización para dar cuenta de las imperfecciones del estado, tales como la elipticidad gaussiana causada por no linealidades de Kerr.

Contribuciones Clave

• Marco de Reconstrucción Adaptativa: El artículo presenta un método que estima la fidelidad con respecto a una familia de estados bosónicos (invariantes bajo traslaciones y rotaciones en el espacio de fase) en lugar de un único estado objetivo fijo.
• Eficiencia y Velocidad: La técnica reconstruye mapas de Wigner de alta fidelidad en pocos minutos utilizando un pequeño número de mediciones, significativamente más rápido que el muestreo de rejilla de alta resolución convencional.
• Robustez al Desajuste: El método demuestra robustez ante desplazamientos y rotaciones sustanciales en el espacio de fase, incluso cuando el prior utilizado para la reconstrucción está desajustado con el estado real.
• Sensibilidad a las Imperfecciones: Más allá de la fidelidad, la reconstrucción es sensible a imperfecciones sutiles del estado, como la elipticidad de los componentes gaussianos, que a menudo pasan desapercibidas para las métricas de fidelidad por sí solas.
• Demostración Experimental: El enfoque se implementa en una plataforma de electrodinámica cuántica de circuitos (cQED) utilizando una cavidad superconductora y un qubit transmon. Se evalúa en estados de gato de Schrödinger con amplitudes $\alpha \in [1, 3]$.

Resultados

• Calidad de la Reconstrucción: El algoritmo produce mapas de Wigner reproducibles que capturan características distintivas de los mapas de alta resolución (que tardan horas en adquirirse) en aproximadamente 3.5 minutos. La infidelidad (1 - $F_2$) se minimiza con hiperparámetros específicos: 100 promedios por punto, un tamaño de lote de 5 y un umbral de entropía de 1.5.
• Comparación con Estrategias de Muestreo:
  • Muestreo de Rejilla (Grid Sampling): Aunque es imparcial, el muestreo de rejilla es ineficiente para aplicaciones de lazo cerrado debido a los largos tiempos de adquisición y al riesgo de perder estados desplazados si la rejilla no está predefinida correctamente.
  • Muestreo Óptimo ($p_{sq}$ y $p_{abs}$): Estas estrategias funcionan bien para estados cercanos al objetivo, pero fallan al reconstruir estados que están significativamente desplazados o rotados en el espacio de fase, ya que carecen de puntos de muestreo en las regiones relevantes.
  • Muestreo Adaptativo: El método propuesto supera a las estrategias existentes en escenarios de lazo cerrado, prediciendo con éxito la fidelidad para estados rotados y desplazados donde el muestreo óptimo falla.
• Optimización de Lazo Cerrado: En experimentos de prueba de concepto, la reconstrucción adaptativa se utilizó como el mecanismo de retroalimentación para un optimizador dCRAB (dressed Chopped Random Basis). El sistema logró reducir las distorsiones inducidas por Kerr (mejorando la elipticidad gaussiana) y mejorar la fidelidad de preparación del estado para varios tamaños y fases de gato. Se demostró que la inclusión de un término de penalización en la FoM era crucial para corregir distorsiones específicas, aunque introdujo un compromiso con la fidelidad bruta en algunas ejecuciones.

Significancia y Reivindicaciones

El artículo afirma que este trabajo proporciona la primera técnica de reconstrucción que satisface simultáneamente los tres requisitos críticos para la optimización de estados bosónicos en lazo cerrado: error de estimación mínimo, alta reproducibilidad entre ensayos y un tiempo total de reconstrucción limitado a pocos minutos.

La significancia radica en permitir la optimización autónoma de estados bosónicos. Al proporcionar un estimador de fidelidad rápido, robusto y adaptativo que tiene en cuenta las transformaciones del espacio de fase, el método permite un control basado en retroalimentación directa que compensa las derivas experimentales y las no linealidades sin requerir un conocimiento preciso del Hamiltoniano del sistema. Los autores posicionan esto como un paso fundamental hacia protocolos de lazo cerrado más generales, sugiriendo que la futura integración con el aprendizaje por refuerzo informado por la física podría mejorar aún más la eficiencia y la capacidad de control adaptativo para sistemas cuánticos bosónicos. Los autores mantienen la modestia respecto a las ganancias de optimización actuales, atribuyéndolas a las limitaciones de los algoritmos de búsqueda directa en paisajes de alta dimensión, pero enfatizan la utilidad del método como una herramienta para una amplia gama de experimentos de estados bosónicos.