Online Estimation of Partial Transpose Moments via Fast Classical Updates

तकनीकी सारांश: तेज़ शास्त्रीय अपडेट के माध्यम से आंशिक ट्रांसपोज़ मोमेंट्स का ऑनलाइन अनुमान

समस्या विवरण
यह शोध पत्र क्वांटम स्टेट टोमोग्राफी के लिए "क्लासिकल शैडो" (classical shadows) के ऑनलाइन प्रसंस्करण में आने वाली एक कम्प्यूटेशनल बाधा को संबोधित करता है। विशेष रूप से, यह आंशिक ट्रांसपोज़ (Partial Transpose - PT) मोमेंट्स के अनुमान पर केंद्रित है, जो मिश्रित-अवस्था एंटैंगलमेंट प्रमाणन (mixed-state entanglement certification) और चरण निदान (phase diagnostics) के लिए महत्वपूर्ण हैं। Marso et al. [11] के पिछले कार्य ने एक पुनर्निर्माण-आधारित ऑनलाइन एस्टिमेटर पेश किया था जो एक निश्चित मेमोरी फुटप्रिंट (कुल शॉट्स $N$ से स्वतंत्र) बनाए रखता है, लेकिन यह उच्च अंकगणितीय लागत (arithmetic cost) से ग्रस्त है। मौजूदा ढांचे में, प्रत्येक नए शॉट के लिए एस्टिमेटर को अपडेट करने में घने (dense) $d \times d$ मैट्रिसेस का गुणा करना शामिल है (जहाँ $d=2^n$ हिल्बर्ट स्पेस डायमेंशन है), जिसके परिणामस्वरूप $m$ PT मोमेंट्स के लिए $O(md^3)$ की प्रति-शॉट जटिलता होती है। यह क्यूबिक स्केलिंग मध्यम आकार के सिस्टमों के लिए भी अत्यधिक कठिन हो जाती है।

कार्यप्रणाली (Methodology)
लेखक एस्टिमेटर को बदले बिना या मेमोरी उपयोग को बढ़ाए बिना, पुनर्निर्माण-आधारित एस्टिमेटर के अपडेट स्टेप को तेज करने के लिए एक विधि प्रस्तावित करते हैं। मुख्य अंतर्दृष्टि ऑनलाइन अपडेट पुनरावृत्ति (recurrence) की संरचनात्मक विषमता (structural asymmetry) पर आधारित है:
$$A^{(N)}_r = A^{(N-1)}_r + A^{(N-1)}_{r-1} S_N$$
यहाँ, $A^{(N)}_r$ संचित घने मैट्रिक्स हैं, जबकि $S_N$ नया आंशिक रूप से ट्रांसपोज़ किया गया स्नैपशॉट है। महत्वपूर्ण रूप से, जबकि $A^{(N-1)}_{r-1}$ घना और असंरचित (unstructured) है, $S_N$ स्थानीय पाउली मापों (local Pauli measurements) से प्राप्त टेंसर-प्रोडक्ट संरचना को बनाए रखता है: $S_N = G_{N,1} \otimes G_{N,2} \otimes \cdots \otimes G_{N,n}$।

प्रस्तावित एल्गोरिदम इस तथ्य का लाभ उठाकर जेनेरिक डेंस मैट्रिक्स गुणन से बचता है। इसके बजाय, यह $S_N$ द्वारा राइट-मल्टीप्लिकेशन को $n$ "लोकल कॉलम-पेयर स्वीप्स" (local column-pair sweeps) के अनुक्रम के माध्यम से निष्पादित करता है:

1. कॉलम-पेयर स्वीप्स: टेंसर उत्पाद $S_N$ द्वारा राइट-मल्टीप्लिकेशन को $n$ क्रमिक स्थानीय कारकों $R_{N,j} = I^{\otimes (j-1)} \otimes G_{N,j} \otimes I^{\otimes (n-j)}$ द्वारा डिकंपोज किया जाता है।
2. कुशल अपडेट: एक घने मैट्रिक्स $M$ को स्थानीय कारक $R_{N,j}$ से गुणा करने पर केवल वे कॉलम युग्मित होते हैं जो केवल $j$-वें क्यूबिट इंडेक्स में भिन्न होते हैं। यह ऑपरेशन को $d \times 2$ कॉलम ब्लॉक्स पर $d/2$ स्वतंत्र $2 \times 2$ मैट्रिक्स गुणनों के रूप में निष्पादित करने की अनुमति देता है।
3. जटिलता: यह एक अपडेट स्टेप की लागत को $O(d^3)$ से घटाकर $O(nd^2) = O(d^2 \log d)$ कर देता है।

दूसरे PT मोमेंट ($m=2$) के लिए विशिष्टता
दूसरे PT मोमेंट के विशिष्ट मामले के लिए (जिसमें ट्रिवियल बाइपार्टीशन होने पर प्योरिटी एस्टीमेशन शामिल है), लेखक पाउली बेसिस अपडेट का उपयोग करके एक और अनुकूलन पेश करते हैं:

• एस्टिमेटर केवल पहले संचित मैट्रिक्स $A^{(N)}_1 = \sum S_t$ पर निर्भर करता है।
• घने मैट्रिक्स $A^{(N)}_1$ को बनाए रखने के बजाय, एल्गोरिदम इसके गुणांकों (coefficients) को पाउली बेसिस में बनाए रखता है।
• चूंकि नए स्नैपशॉट $S_N$ में केवल $d$ गैर-शून्य पाउली गुणांक होते हैं, इसलिए स्क्वेर्ड ट्रेस टर्म $\text{tr}((A^{(N)}_1)^2)$ में अपडेट को केवल इन गैर-शून्य गुणांकों पर पुनरावृत्ति करके कंप्यूट किया जा सकता है।
• यह प्रति-शॉट अंकगणितीय जटिलता को $O(d)$ तक कम कर देता है, जबकि $O(d^2)$ मेमोरी बनाए रखता है।

प्रमुख योगदान

1. सब-क्यूबिक अपडेट एल्गोरिदम (एल्गोरिदम 1): सामान्य PT मोमेंट्स ($m \ge 1$) के लिए एक सटीक ऑनलाइन अपडेट विधि जो मूल पुनर्निर्माण-आधारित दृष्टिकोण के $O(md^2)$ मेमोरी फुटप्रिंट को संरक्षित करते हुए, प्रति-शॉट अंकगणितीय जटिलता को $O(md^3)$ से घटाकर $O(md^2 \log d)$ कर देती है।
2. दूसरे PT मोमेंट के लिए लीनियर-टाइम अपडेट (एल्गोरिदम 2): एक विशेष एल्गोरिदम जो $O(d)$ प्रति-शॉट जटिलता प्राप्त करने के लिए पाउली बेसिस का लाभ उठाता है।
3. सटीकता (Exactness): लेखक इस बात पर जोर देते हैं कि ये गति (speedups) बिना किसी सन्निकटन (approximation) के प्राप्त की गई हैं; एस्टिमेटर पूर्ववर्ती कार्य में परिभाषित निष्पक्ष U-सांख्यिकी (unbiased U-statistics) के गणितीय रूप से समान रहते हैं।

परिणाम
लेखकों ने $n=9$ से $12$क्यूबिट्स और मोमेंट ऑर्डर$m=2$से$5$ वाले सिस्टमों पर NumPy का उपयोग करके Marso et al. [11] के डेंस कार्यान्वयन के विरुद्ध अपने एल्गोरिदम का बेंचमार्किंग किया।

• रनटाइम: सिस्टम का आकार बढ़ने के साथ स्पीडअप बढ़ता है। $n=12$ और $m=2$ के लिए, रनटाइम ~76 सेकंड (Marso et al.) से घटकर ~9.6 सेकंड (एल्गोरिदम 1) और ~0.006 सेकंड (एल्गोरिदम 2) हो गया।
• स्केलिंग: प्रयोग पुष्टि करते हैं कि प्रस्तावित विधियों का लाभ क्यूबिट्स की संख्या बढ़ने के साथ काफी बढ़ जाता है, जो सैद्धांतिक जटिलता सुधारों को मान्य करता है।

महत्व और दावे
यह शोध पत्र शैडो-आधारित प्रयोगों में ऑनलाइन क्लासिकल पोस्ट-प्रोसेसिंग लूप के "व्यावहारिक रूप से प्रासंगिक त्वरण" (practically relevant acceleration) प्रदान करने का दावा करता है।

• दायरा (Scope): योगदान सख्ती से पुनर्निर्माण-आधारित एस्टिमेटर की अंकगणितीय लागत तक सीमित है। यह घने मैट्रिक्स को स्टोर करने के लिए अंतर्निहित घातीय मेमोरी बाधा ($O(d^2)$) को नहीं हटाता है, यह स्वीकार करते हुए कि यह विधि केवल उन "मध्यम-आकार के सिस्टम" के लिए उपयुक्त है जहाँ $d^2$ मेमोरी में फिट बैठता है।
• सीमाएँ (Limitations): लेखक नोट करते हैं कि त्वरण स्थानीय पाउली क्लासिकल शैडो और PT-मोमेंट एस्टीमेशन के लिए अनुकूलित है। यह स्वतः ही मनमाने माप एन्सेम्बल (measurement ensembles) या नॉनलीनियर शैडो फंक्शनल्स तक विस्तारित नहीं होता है। इसके अलावा, पेपर बड़े पैमाने के सिस्टमों के लिए मेमोरी बाधा को हल करने का दावा नहीं करता है, न ही यह निश्चित-मेमोरी अपडेट के इष्टतमता (optimality) के लिए निचली सीमा (lower bounds) प्रदान करता है।
• प्रभाव: $O(d^2)$ मेमोरी फुटप्रिंट को बनाए रखते हुए, अपडेट लागत को शॉट काउंट से अलग करके और हिल्बर्ट स्पेस डायमेंशन पर निर्भरता को क्यूबिक से घटाकर लगभग द्विघाती (या $m=2$ के लिए रैखिक) करने से, यह कार्य पूर्ववर्ती फिक्स्ड-मेमोरी ऑनलाइन फ्रेमवर्क की तुलना में बड़े क्वांटम सिस्टमों में एंटैंगलमेंट के वास्तविक समय प्रमाणन को सक्षम बनाता है।