Resumen Técnico: Un Estudio del Espacio de Diseño de las Parametrizaciones de la Matriz de Densidad para la Tomografía de Estados Cuánticos Basada en Difusión

1. Planteamiento del Problema

La Tomografía de Estados Cuánticos (QST, por sus siglas en inglés) tiene como objetivo reconstruir un estado cuántico desconocido (matriz de densidad $\rho$) a partir de estadísticas de medición. El estado reconstruido debe satisfacer estrictas restricciones físicas: debe ser semidefinido positivo (PSD) y tener una traza unitaria. Estas restricciones definen una variedad geométrica compleja.

Aunque los modelos generativos basados en difusión han mostrado recientemente un rendimiento de vanguardia en QST, los métodos existentes dependen implícitamente de una única estrategia de parametrización —típicamente la factorización de Cholesky— sin una evaluación sistemática. El autor identifica una brecha crítica: la parametrización de Cholesky, aunque garantiza las restricciones físicas por construcción, introduce una severa anisotropía de coordenadas. Esto crea un paisaje de optimización mal condicionado donde diferentes coordenadas contribuyen de manera desigual a la matriz de densidad, lo que potencialmente obstaculiza la dinámica de aprendizaje de los modelos de difusión. La pregunta central planteada es si otras parametrizaciones pueden mejorar el rendimiento de la QST basada en difusión y cómo evaluarlas sistemáticamente.

2. Metodología

El artículo introduce un marco geométrico para evaluar las parametrizaciones de la matriz de densidad basándose en la matriz de Gram del Jacobiano ($G = J^\top J$), donde $J = \partial\rho/\partial y$ es el Jacobiano del mapeo de las coordenadas de los parámetros $y$ a la matriz de densidad $\rho$.

2.1 Métricas Geométricas

El marco cuantifica la calidad de la parametrización utilizando dos criterios contrapuestos derivados de los autovalores y los elementos diagonales de $G$:

1. Rango Dinámico Espectral (SDR, $\kappa_{spec}$): La relación entre el autovalor más grande y el más pequeño ($\lambda_{max}/\lambda_{min}$). Esto mide el número de condición general; un valor más bajo (más cercano a 1.0) indica una mejor isotropía.
2. Anisotropía Diagonal (DA, $\kappa_{diag}$): La relación entre el elemento diagonal máximo y el mínimo ($\max G_{ii} / \min G_{ii}$). Esto mide la variación de la sensibilidad por coordenada; un valor más bajo indica escalas de coordenadas uniformes.

2.2 Protocolo de Calibración

El autor realizó una calibración numérica de siete representaciones típicas a escalas de 2 cúbits ($d=4$) y 3 cúbits ($d=8$):

• Cholesky: $\rho = LL^\dagger / \text{Tr}(LL^\dagger)$
• Hermitiana directa: $\rho$ sin restricciones (16 parámetros)
• Hermitiana con norma de traza: $\rho / \text{Tr}(\rho)$
• Hermitiana con traza fija: Fija un elemento diagonal para satisfacer la restricción de traza (15 parámetros)
• Bloch/Gell-Mann: $\rho = (I + \sum r_i \lambda_i)/d$
• Expmap: $\rho = e^H / \text{Tr}(e^H)$ con $H$ sin traza
• Log-Cholesky: Escalamiento logarítmico de los elementos diagonales de Cholesky

La calibración implicó el muestreo de 30 estados aleatorios a través de varios regímenes físicos (Haar-puros, mixtos, térmicos, etc.), computando los Jacobianos mediante diferencias finitas centrales y agregando los resultados mediante estadísticas de mediana para asegurar la robustez contra degeneraciones de estados casi puros.

2.3 Validación Experimental

Para validar los hallazgos geométricos, el autor entrenó modelos de difusión idénticos (arquitectura EDM) en tres parametrizaciones con distintos perfiles de condicionamiento: Bloch (mejor isometría), Hermitiana directa (isometría moderada) y Cholesky (línea base).

• Entrenamiento: 50,000 estados, 300 épocas, con esquemas de ruido ($\sigma_{data}$) calibrados por parametrización.
• Evaluación: Probado en 100 estados a través de 6 niveles de disparos (10–300 disparos) con y sin Guía Libre de Clasificador (CFG).
• Controles: Se realizó una validación cruzada de dos por dos para aislar los efectos de la pérdida de consistencia de medición ($\lambda_{meas}$) y las tasas de aprendizaje del propio uso de la parametrización.

3. Contribuciones Clave y Resultados

3.1 Tres Heurísticas de Ingeniería

La calibración produjo tres ideas principales respecto al espacio de diseño:

1. Ortogonalidad de Criterios: El condicionamiento isométrico y la satisfacción de las restricciones físicas son objetivos ortogonales. Ninguna parametrización optimiza ambos. Las parametrizaciones que garantizan las restricciones por construcción (ej. Cholesky, Expmap) suelen sufrir de una severa anisotropía, mientras que aquellas con excelente isometría (ej. Bloch) pueden carecer de garantías de restricciones integradas.
2. Imprevisibilidad de la Calidad Geométrica: La "elegancia" teórica no predice la calidad geométrica. El mapa Exponencial, a pesar de su atractivo matemático, exhibió un rango espectral de 149× en 2 cúbits y 75,658× en 3 cúbits. Del mismo modo, Log-Cholesky se degradó significativamente con la dimensión. Por el contrario, parametrizaciones más simples como Bloch y Hermitiana directa mantuvieron un condicionamiento excelente a través de las dimensiones.
3. El Compromiso de la Traza Fija: La parametrización Hermitiana de traza fija ofrece el mejor equilibrio entre condicionamiento y satisfacción de restricciones. Mantiene una anisotropía diagonal perfecta (1.0×) y solo un crecimiento espectral leve (4× a 8×) a medida que las dimensiones aumentan, mientras preserva automáticamente la traza.

3.2 Comportamiento de Escalamiento

El estudio identificó tres clases de escalamiento a medida que el número de cúbits aumenta de 2 a 3:

• Invariante de Escala: Bloch/Gell-Mann y Hermitiana directa mantienen un condicionamiento constante.
• Crecimiento Moderado: Fix-trace y trace-norm muestran una degradación leve.
• Degradación Severa: Cholesky, Expmap y Log-Cholesky se vuelven severamente mal condicionados (ej. el SDR de Cholesky empeora de 33× a 1,265×; Expmap de 149× a 75,658×).

3.3 Hallazgos de Rendimiento de Extremo a Extremo

• Sin CFG: Las parametrizaciones mejor condicionadas (específicamente Hermitiana directa) convergieron más rápido y alcanzaron una fidelidad final mayor que la parametrización altamente isométrica Bloch. Esto contradice la expectativa de que una isometría perfecta produzca el mejor rendimiento, sugiriendo que otros factores (como los efectos de frontera o la calidad bruta de la salida) juegan un papel.
• Con CFG: El ranking de rendimiento se invirtió. Bajo una guía fuerte de Clasificador Libre (CFG), Bloch superó a la Hermitiana directa. El autor atribuye esto a los efectos de frontera amplificados: la CFG empuja las parametrizaciones no acotadas (Hermitiana) más allá del dominio válido, incurriendo en mayores costos de proyección en comparación con la esfera de Bloch, que está acotada.
• Peso de CFG: Existe un peso óptimo de CFG ($w$) que depende del número de disparos. Los regímenes de pocos disparos se benefician de una guía más fuerte ($w \approx 3\text{--}4$), mientras que los regímenes de muchos disparos prefieren una guía más leve ($w \approx 2$) para evitar enfatizar demasiado el prior.

4. Significado y Reivindicaciones

El artículo afirma proporcionar la primera cuantificación sistemática del espacio de diseño de la parametrización de la matriz de densidad para la QST basada en difusión. Su importancia radica en:

• Desafiar el Status Quo: Demostrar que la parametrización de Cholesky, estándar en la comunidad, escala mal y no es óptima para los modelos de difusión.
• Proveer Guías Accionables: Ofrecer un árbol de decisión para seleccionar parametrizaciones basadas en la necesidad de restricciones automáticas frente a la isotropía, y recomendar fix-trace como la opción por defecto para QST escalable ($n \ge 3$).
• Revelar Dinámicas Matizadas: Destacar que el condicionamiento geométrico por sí solo no predice completamente el rendimiento de extremo a extremo, particularmente cuando los efectos de frontera e interactúan con la CFG.
• Herramienta Metodológica: Introducir la matriz de Gram del Jacobiano como una herramienta de diagnóstico práctica para evaluar el condicionamiento de coordenadas en problemas inversos sobre la variedad de la matriz de densidad.

El autor mantiene la modestia respecto al mecanismo detrás de la "ventaja Hermitiana" (donde una parametrización peor condicionada supera a una mejor condicionada sin CFG), señalando que, si bien los efectos de frontera explican la reversión inducida por CFG, la brecha de rendimiento bruto sigue siendo una pregunta abierta para trabajos futuros. También reconoce las limitaciones, como la dependencia de protocolos de entrenamiento específicos y la necesidad de mayor validación con un mayor número de cúbits.