Post-processing optimization and optimal bounds for non-adaptive shadow tomography

Résumé Technique : Optimisation du Post-traitement et Bornes Optimales pour la Tomographie d'Ombre Non-adaptative

Énoncé du Problème
La tomographie d'état quantique fait face à des exigences de ressources prohibitives, ce qui a conduit au développement de la tomographie d'ombre et des ombres classiques, qui suivent un paradigme « mesurer d'abord, poser des questions plus tard ». Bien que des adaptations récentes se soient concentrées sur l'optimisation de l'aspect « mesurer d'abord » (opérations quantiques), la phase « poser des questions plus tard » (post-traitement classique) a reçu une attention moins systématique.

Dans la tomographie linéaire utilisant des mesures de type POVM (Mesures de Valeurs Positives Opératoires) informationnellement surcomplètes, la mise en correspondance entre les fréquences observées et un estimateur n'est pas unique. Plus précisément, pour un POVM $\{E_j\}$ et un observable cible $O$ donnés, il existe une infinité de reconstructions linéaires non biaisées (ensembles de coefficients $\vec{x}$) satisfaisant $O = \sum_j x_j E_j$. Les protocoles standards utilisent généralement un choix de coefficients de reconstruction « canonique », qui est indépendant de la cible. Cependant, ce choix canonique est généralement sous-optimal pour des cibles spécifiques, entraînant une variance de l'estimateur inutilement élevée et, par conséquent, une complexité d'échantillonnage accrue. Le problème central abordé est de savoir comment exploiter systématiquement la « liberté de jauge » dans le post-traitement pour minimiser la variance maximale de l'estimateur sans modifier le schéma de mesure expérimental sous-jacent.

Méthodologie
Les auteurs formulent la sélection des coefficients de reconstruction optimaux comme un problème d'optimisation convexe minimax. L'objectif est de trouver un ensemble de coefficients $\vec{x}$ qui minimise la variance maximale de l'estimateur $\hat{o}$ sur tous les états quantiques $\rho possibles$.

1. Formulation : Le problème est défini par :
   $$\min_{\vec{x} \in \mathcal{B}} \max_{\rho \in \mathcal{R}} f(\vec{x}, \rho) = \text{Var}[\hat{o} | \vec{x}, \rho]$$
   sous la contrainte $\sum_j x_j E_j = O$, où $\mathcal{B}$ est un ensemble de coefficients bornés et $\mathcal{R}$ est l'ensemble des matrices de densité valides.
2. Convexité et Convergence : Les auteurs démontrent que pour un état fixé, la variance est convexe en $\vec{x}$, et pour des coefficients fixés, elle est concave en $\rho$. Étant donné la nature compacte et convexe de l'ensemble des matrices de densité, le théorème minimax s'applique. Cela garantit l'existence d'un point de selle global et permet l'inversion des opérations min/max, facilitant une résolution numérique efficace.
3. Algorithme : L'algorithme proposé résout de manière itérative les coefficients de reconstruction optimaux $\vec{x}^*(\rho)$ pour un état donné (ce qui admet une solution analytique impliquant l'inverse d'une matrice de coefficients de POVM) puis maximise la fonction de variance résultante sur l'espace des états. Cette approche produit une borne supérieure étroite et indépendante de l'état sur la variance réalisable par le post-traitement classique.

Résultats Clés
L'article présente des exemples numériques démontrant que le post-traitement optimal de la variance peut nettement surpasser les reconstructions canoniques standards :

• Observables Produits : Pour un POVM restreint (projecteurs de Pauli $X$ et $Z$) et des observables cibles de produit tensoriel, les coefficients optimaux ne suivent pas nécessairement la structure de produit de la solution canonique.
  • Pour des angles cibles spécifiques (par exemple, des projecteurs sur l'état propre de $Z$), la variance optimale présente une mise à l'échelle sous-linéaire avec le nombre de qubits.
  • Cela contraste fortement avec l'estimateur canonique, qui présente une mise à l'échelle exponentielle dans ce même régime.
  • La solution optimale est « intriquée » dans le sens où les coefficients globaux ne peuvent pas être décomposés en un simple produit de coefficients locaux, bien que la mesure et la cible soient toutes deux locales.
• Somme d'Observables Locaux : Pour l'estimation de la somme d'observables de Pauli locaux sur une chaîne de spins (par exemple, l'estimation d'un champ magnétique externe), les coefficients globaux optimaux s'écartent à nouveau de la composition linéaire des coefficients canoniques locaux.
  • La mise à l'échelle de la complexité d'échantillonnage pour l'estimateur optimal semble être sous-exponentielle (suggérant une mise à l'échelle quadratique dans certains régimes), tandis que l'estimateur canonique maintient une borne supérieure constante qui implique un comportement de mise à l'échelle différent et moins favorable pour certains paramètres.

Signification et Revendications
L'article affirme que la surcharge d'échantillonnage souvent attribuée à la tomographie d'ombre non-adaptative n'est pas une limitation fondamentale du schéma de mesure lui-même, mais est souvent une conséquence d'une reconstruction sous-optimale.

• Liberté Opérationnelle : Ce travail opérationnalise la « liberté » dans le post-traitement, montrant que l'on peut déterminer la construction de l'estimateur idéal après l'acquisition des données sans modifier l'expérience.
• Bornes Étroites : La méthode proposée fournit la borne de variance indépendante de l'état la plus étroite réalisable pour un POVM et un observable donnés, affinant les garanties standard de la « norme d'ombre » (shadow norm).
• Amélioration de la Mise à l'Échelle : Crucialement, les auteurs démontrent que le post-traitement optimal peut modifier la mise à l'échelle qualitative de la complexité d'échantillonnage avec la taille du système (par exemple, passer d'une croissance exponentielle à une croissance sous-exponentielle/sous-linéaire), et non simplement améliorer les préfacteurs constants.
• Conception Adaptée à la Tâche : L'approche établit un problème de conception adaptatif à la tâche, où l'estimateur est optimisé spécifiquement pour l'observable cible, faisant passer le paradigme de « mesurer d'abord, poser des questions plus tard » à « mesurer d'abord, traiter plus tard, mais de manière optimale ».

Les auteurs concluent que bien que l'algorithme actuel repose sur une optimisation numérique, le cadre ouvre la voie à la compréhension de la structure des états les plus défavorables et au développement de variantes d'optimisation contraintes et extensibles pour des applications plus larges, telles que les propriétés non linéaires ou l'estimation robuste sous un bruit expérimental.