Résumé technique : Apprentissage quasi-optimal de Lindbladiens locaux

Énoncé du problème

Le présent article traite du défi fondamental que représente l'apprentissage des lois dynamiques d'un système quantique ouvert. Alors que les systèmes isolés sont régis par des hamiltoniens, les systèmes réalistes interagissent avec leur environnement, ce qui entraîne une décohérence décrite par un générateur de Lindblad $\mathcal{L}$. L'objectif est d'estimer tous les coefficients hamiltoniens $\{h_a\}$ et les coefficients dissipatifs $\{\gamma_{ab}\}$ d'un Lindbladien $k$-local inconnu agissant sur $n$ qubits, en ayant uniquement accès à sa l'évolution temporelle $\{e^{t\mathcal{L}}\}_{t\geq 0}$ via une boîte noire.

Le problème est contraint par la localité physique : le Lindbladien est composé de termes agissant sur au plus $k=O(1)$ qubits. De plus, l'article suppose un degré de site dissipatif borné ($\mathfrak{d}_{\text{dis}} = O(1)$), signifiant que chaque qubit participe à un nombre borné de termes dissipatifs. La complexité est mesurée par deux ressources :

1. Utilisations du canal : Le nombre de fois où le canal inconnu est sollicité.
2. Temps d'évolution total ($T_{\text{tot}}$) : Le temps cumulé pendant lequel le système est fait évoluer.

La cible d'apprentissage est une borne d'erreur $\ell_\infty$ de $\varepsilon$ sur tous les coefficients avec une haute probabilité.

Méthodologie

L'algorithme proposé est non adaptatif, sans ancilla et repose sur des primitives expérimentales simples : la préparation de états produits aléatoires et des mesures de Pauli monoqubitiques aléatoires. Le processus d'apprentissage est divisé en trois étapes distinctes :

1. Estimation des entrées de la matrice de transfert de Pauli (PTM) à temps fini

L'algorithme ne peut pas accéder directement au générateur $\mathcal{L}$ mais observe le semi-groupe $e^{t\mathcal{L}}$. Il estime d'abord les entrées de la PTM en temps continu, définie par $R_{vw}(t) = 2^{-n}\text{tr}(P_v e^{t\mathcal{L}}(P_w))$, pour des opérateurs de Pauli $P_v, P_w$.

• Tomographie d'ombre de processus (Shadow Process Tomography) : L'algorithme utilise un protocole de tomographie d'ombre de processus sans ancilla. Il prépare des états produits monoqubitiques aléatoires, les fait évoluer pendant de courts intervalles de temps $t_j$, et effectue des mesures dans des bases de Pauli aléatoires.
• Efficacité : Un seul lot de tirages (shots) produit des estimateurs non biaisés pour toutes les entrées de la PTM $k$-locales simultanément. La variance de ces estimateurs est contrôlée par la localité $k$.

2. Différenciation via l'interpolation de Chebyshev

Les entrées du générateur $L_{vw}$ correspondent à la dérivée temporelle de la PTM à $t=0$ ($L_{vw} = R'_{vw}(0)$).

• Différenciation aux extrémités : L'algorithme estime $R_{vw}(t)$ à un ensemble de nœuds de Chebyshev-Lobatto $t_j$ au sein d'un court intervalle $[0, T]$.
• Stabilité : En utilisant la différenciation spectrale de Chebyshev, l'algorithme approxime la dérivée à la limite $t=0$.
• Borne de force locale : Une intuition technique clé est que l'erreur de différenciation dépend de la force dynamique locale $\lambda_{\text{loc}}$ (la force d'interaction maximale sur un seul qubit) plutôt que de la taille globale du système. En fixant le temps d'évolution $T = O(1/(k\Lambda))$ et en utilisant un nombre logarithmique de nœuds, le biais d'interpolation est supprimé en dessous de $\varepsilon$.

3. Récupération des coefficients via l'inversion de Fourier locale et le dé-aliasing

Les entrées du générateur PTM estimées $\{L_{vw}\}$ doivent être reconverties en coefficients physiques $\{h_a, \gamma_{ab}\}$.

• Transformée de Walsh-Hadamard : La correspondance entre les entrées de la PTM et la matrice $\chi$ (qui encode les coefficients) se décompose en des transformées de Walsh-Hadamard locales (transformées de Fourier discrètes) sur des régions locales. Crucialement, la matrice de Hadamard est orthogonale, garantissant un nombre de condition de 1. Cela empêche l'amplification d'erreur lors de l'inversion, évitant les goulots d'étranglement de conditionnement dépendants de l'instance rencontrés dans les méthodes antérieures sans hypothèse de forme (ansatz-free).
• Dé-aliasing par seuillage : Puisque l'inversion locale produit une somme sur toutes les extensions globales (alias) partageant le même support local, l'algorithme emploie une récursion de type « pelage » (peeling). Il traite les supports du plus grand au plus petit, en soustrayant les contributions des alias plus grands à l'aide d'une procédure de seuillage. Le degré de site dissipatif borné garantit que le nombre d'alias est constant, maintenant l'inflation de l'erreur limitée par un facteur constant.

Résultats clés

Bornes supérieures (Performance de l'algorithme)

Pour un Lindbladien $k$-local avec un degré de site dissipatif borné et une force dynamique locale $\Lambda$ :

• Utilisations du canal : L'algorithme nécessite $\tilde{O}(\Lambda^2 / \varepsilon^2)$ utilisations du canal.
• Temps d'évolution total : Le temps total suit une échelle de $\tilde{O}(\Lambda / \varepsilon^2)$.
• Dépendance à la taille du système : La mise à l'échelle dépend uniquement de manière logarithmique du nombre de qubits $n$.
• Simplicité expérimentale : Le protocole n'utilise aucun ancilla, aucun contrôle adaptatif, et uniquement des états produits et des mesures de Pauli.

Bornes inférieures (Optimalité)

Les auteurs prouvent des bornes inférieures informationnelles correspondantes, démontrant que leur algorithme est quasi-optimal :

• Borne inférieure d'utilisation de canal : Tout algorithme, même utilisant des ancillas arbitraires, des opérations d'intrication et des stratégies adaptatives, nécessite $\Omega(\Lambda^2 / \varepsilon^2)$ utilisations du canal.
• Borne inférieure de temps d'évolution : Tout algorithme nécessite $\Omega(\Lambda / \varepsilon^2)$ de temps d'évolution total.
• Instance difficile : Les bornes inférieures sont dérivées d'une famille de déphasage à un qubit. Il est démontré qu'il est informationnellement impossible de distinguer deux taux de déphasage séparés par $\Theta(\varepsilon)$ avec moins de ressources.

Signification et revendications

L'article prétend résoudre l'arbitrage entre rigueur théorique et faisabilité expérimentale dans l'apprentissage des Lindbladiens :

1. Quasi-optimalité : L'algorithme atteint la mise à l'échelle optimale tant pour les utilisations du canal que pour le temps total (à un facteur logarithmique près), correspondant aux limites fondamentales même pour les protocoles adaptatifs dotés de ressources quantiques illimitées.
2. Faisabilité expérimentale : Contra matter à de nombreux protocoles théoriquement optimaux qui nécessitent des états intriqués complexes ou un contrôle adaptatif, cette méthode n'utilise que des entrées de produits simples et des mesures de Pauli non adaptatives.
3. Stabilité sans connaissance préalable : La méthode récupère les coefficients sans connaître à l'avance le support du Lindbladien. La conversion de la PTM vers les coefficients est stable (nombre de condition de 1), évitant l'amplification exponentielle de l'erreur qui peut survenir dans les problèmes inverses généraux.
4. Limite fondamentale : Ce travail établit une distinction nette entre l'apprentissage hamiltonien et l'apprentissage complet de Lindbladien. Alors que l'apprentissage hamiltonien peut atteindre une mise à l'échelle de type Heisenberg ($O(1/\varepsilon)$), la présence de coefficients dissipatifs impose une mise à l'échelle de type limite quantique standard ($O(1/\varepsilon^2)$). Cela implique que la mise à l'échelle de type Heisenberg est informationnellement impossible dès lors que les coefficients dissipatifs doivent être estimés, même pour un simple déphasage à un qubit.

Les auteurs positionnent ce travail comme une solution rigoureuse pour la caractérisation des dispositifs quantiques bruyants, le diagnostic des erreurs et la validation de la dissipation ingénierée dans des régimes physiquement pertinents et locaux.