Tensor Train Quantum State Tomography using Compressed Sensing

Résumé Technique : Tomographie d'État Quantique par Train de Tenseurs utilisant la Compressive Sensing

Énoncé du Problème
La Tomographie d'État Quantique (QST) est essentielle pour l'étalonnage et la vérification des dispositifs quantiques en estimant la matrice densité d'un système quantique à partir de données de mesure. Cependant, les méthodes d'estimation standard sont confrontées à la « malédiction de la dimensionnalité » : à mesure que le nombre de qubits ($N$) augmente, le nombre de paramètres dans la matrice densité croît exponentiellement ($D = 2^N$, nécessitant $O(D^2)$ paramètres). Bien que de nombreux états quantiques d'intérêt (par exemple, les états fondamentaux d'Hamiltoniens locaux, les états presque purs) possèdent des structures de faible rang permettant une récupération efficace avec moins de mesures, les méthodes extensibles existantes présentent des limites. Les approches d'optimisation convexe utilisant la pénalisation de la norme nucléaire deviennent informatiquement prohibitives pour des systèmes de grande taille. Les méthodes de factorisation (par exemple, Burer-Monteiro) améliorent l'efficacité mais peinent souvent à imposer les contraintes physiques nécessaires (hermiticité, semi-positivité et trace unitaire) sans projections complexes. De plus, bien que les représentations par réseaux de tenseurs comme les États de Produit de Matrices (MPS) soient efficaces pour les états purs, étendre ces méthodes aux états mixtes tout en maintenant ces contraintes reste un défi.

Méthodologie
Les auteurs proposent un nouveau cadre de QST qui paramètre la matrice densité $\rho$ en utilisant une décomposition de type Block Tensor Train (Block-TT). Cette approche combine les principes de la compressive sensing et l'algèbre des réseaux de tenseurs.

1. Paramétrage : Au lieu d'optimiser sur la matrice densité complète, la méthode représente $\rho$ comme la contraction d'un réseau Block-TT $A$ avec son transposé hermitien $A^H$ (c'est-à-dire, $\hat{\rho}_{TT} = A \bullet_n A^H$).

   • Le réseau $A$ est un tenseur d'ordre $(N+1)$ où la plupart des cœurs sont d'ordre trois, excepté un cœur d'ordre quatre à une position spécifique $n$ portant un indice auxiliaire $K$.
   • Cette construction garantit intrinsèquement que la matrice densité résultante est semi-définie positive (PSD) et hermitienne, de manière analogue à une décomposition de Cholesky pour les matrices, sans nécessiter de contraintes explicites lors de l'optimisation.
   • La contrainte de trace unitaire est gérée via une contrainte de norme de Frobenius sur le facteur $A$ ($\|A\|_F \leq 1$).

2. Optimisation : Le problème de QST est reformulé comme un problème d'optimisation non convexe minimisant l'erreur de moindres carrés entre les résultats de mesure observés et les prédictions du modèle.

   • Objectif : $\min_A \frac{1}{2} \|y - \mathcal{M}(\hat{\rho}_{TT})\|_2^2$ sous la contrainte $\|A\|_F \leq 1$.
   • Algorithme : Un algorithme simple de Descente de Gradient (GD) est employé. À chaque itération, le gradient est calculé via des contractions de réseaux de tenseurs, et le facteur mis à jour est projeté sur le format Block-TT en utilisant une SVD tronquée (TT-SVD) pour maintenir l'orthogonalité et contrôler les rangs. Un facteur de momentum est utilisé pour améliorer la convergence.

3. Efficacité : La méthode tire parti de l'algèbre TT pour calculer efficacement les valeurs d'espérance ($\text{Tr}(\rho E_m)$). La complexité computationnelle pour l'évaluation des mesures est de l'ordre de $O((4R^2 + 2R^3)(\log_2 D + K))$, où $R$ est le rang TT. C'est nettement plus efficace que la complexité $O(D^2)$ des calculs de trace matricielle standards pour de grands $N$, à condition que l'état possède un faible rang TT.

Principales Contributions

• Paramétrage Block-TT : Introduction d'une représentation Block-TT pour les matrices densité qui préserve intrinsèquement la semi-positivité définie, éliminant ainsi le besoin de étapes de projection complexes requises par d'autres méthodes de factorisation.
• Extensibilité : Démonstration que l'approche atténue la malédiction de la dimensionnalité pour une large classe d'états quantiques (purs, presque purs et états fondamentaux) en réduisant le nombre de paramètres d'une mise à l'échelle exponentielle à une mise à l'échelle logarithmique par rapport à la taille du système.
• Cadre Algorithmique : Développement d'un algorithme basé sur le gradient adapté aux réseaux Block-TT, utilisant la TT-SVD pour la troncature de rang et la normalisation.
• Analyse Comparative : Une comparaison exhaustive avec les méthodes de pointe, incluant l'Optimisation Convexe (CVX), l'Estimation de Maximum de Vraisemblance (MLE) et les méthodes de Gradient Projeté de Faible Rang (LR).

Résultats
Des expériences numériques ont été menées sur des systèmes allant de 3 à 12 qubits avec des mesures de Pauli aléatoires et un bruit gaussien (SNR = 60 dB).

• Précision : La méthode Block-TT proposée a atteint une précision compétitive pour la récupération d'états mixtes. En termes de Fidélité et de Distance de Trace, elle a surpassé la MLE et a montré des performances globalement similaires à la méthode de Gradient Projeté de Faible Rang (LR).
• Efficacité d'Échantillonnage : À de faibles ratios d'échantillonnage ($M/D^2 < 0,3$), la méthode d'optimisation convexe (CVX) a été la plus performante, mais la méthode Block-TT est restée compétitive.
• Efficacité Computationnelle : Le résultat le plus significatif concerne le temps de calcul. Alors que l'évaluation des mesures basée sur les matrices croît exponentiellement avec le nombre de qubits, l'approche Block-TT présente une croissance proche de la linéarité. Cela permet à la méthode de traiter des systèmes à grande échelle (par exemple, 12 qubits) là où les méthodes basées sur les matrices deviennent informatiquement intraitables.

Signification et Revendications
L'article affirme que l'approche QST par Block-TT proposée offre une solution pratique pour l'estimation d'états quantiques à grande échelle en équilibrant l'efficacité de la mémoire, la vitesse de calcul et la validité physique.

• Revendications Modestes : Les auteurs précisent explicitement que la méthode est efficace spécifiquement pour les états quantiques qui peuvent être bien approximés par des réseaux de tenseurs de faible rang. Ils reconnaissent que l'algorithme actuel est une simple descente de gradient et qu'une optimisation plus avancée sur les variétés TT pourrait encore améliorer les performances.
• Directions Futures : L'article suggère que des travaux futurs pourraient inclure une analyse théorique rigoureuse des garanties de récupération et le développement d'approches de complétion de tenseurs structurées pour une récupération déterministe.
• Conclusion : Ce travail démontre que le paramétrage des matrices densité via des réseaux Block-TT est une alternative viable, efficace en termes de mémoire et de calcul, à la tomographie traditionnelle, capable de récupérer des états mixtes précis sans imposer de contraintes supplémentaires au-delà de la structure inhérente de la décomposition.