Optimizing resource bounds in direct fidelity estimation

तकनीकी सारांश: डायरेक्ट फिडेलिटी एस्टीमेशन में संसाधन सीमाओं का अनुकूलन

समस्या विवरण
डायरेक्ट फिडेलिटी एस्टीमेशन (DFE) एक मानक प्रोटोकॉल है जो यह प्रमाणित करने के लिए उपयोग किया जाता है कि प्रयोगात्मक रूप से तैयार किया गया क्वांटम स्टेट $\sigma$, वांछित शुद्ध लक्ष्य स्टेट (pure target state) $\rho$ के करीब है, बिना पूर्ण क्वांटम स्टेट टोमोग्राफी किए। फ्लैमिया और लियू [2] तथा दा सिल्वा आदि [3] द्वारा स्थापित, DFE एक महत्व वितरण (importance distribution) के अनुसार पाउली ऑबसर्वेबल्स (Pauli observables) के एक उपसमुच्चय का नमूना लेकर और उनके प्रत्याशा मानों (expectation values) का अनुमान लगाकर फिडेलिटी का अनुमान लगाता है।

DFE के लिए मानक संसाधन सीमाएँ (resource bounds) 'वर्स्ट-केस' (worst-case) धारणाओं के तहत व्युत्पन्न की जाती हैं। ये सीमाएँ दो अलग-अलग संभाव्यता चरणों पर निर्भर करती हैं:

1. सैंपलिंग चरण (Sampling Step): फिडेलिटी को अनुमानित करने के लिए पाउली ऑबसर्वेबल्स का यादृच्छिक रूप से नमूना लेना, यह मानते हुए कि प्रत्याशा मान सटीक हैं।
2. अनुमान चरण (Estimating Step): प्रत्येक नमूने लिए गए ऑबसर्वेबल के प्रत्याशा मान का सीमित संख्या में मेजरमेंट शॉट्स (शॉट नॉइज़ के अधीन) का उपयोग करके अनुमान लगाना।

मूल स्वरूपों में, कुल त्रुटि बजट ($E$) और विश्वास बजट ($\Delta$) को इन दोनों चरणों के बीच सममित रूप से विभाजित किया जाता है ($\epsilon_1 = \epsilon_2 = E/2$, $\delta_1 = \delta_2 = \Delta/2$)। लेखक तर्क देते हैं कि ये वर्स्ट-केस सीमाएँ अक्सर काफी रूढ़िवादी (conservative) होती हैं, विशेष रूप से जब शोर चैनल (noise channel) के संबंध में अतिरिक्त भौतिक संरचना उपलब्ध होती है लेकिन उसे अनदेखा कर दिया जाता है।

कार्यप्रणाली
यह शोध पत्र मूल DFE विश्लेषण में अंतर्निहित एस्टिमेटर या प्रोटोकॉल के मौलिक तर्क को बदले बिना, दो प्राथमिक कार्यप्रणाली संबंधी सुधार प्रस्तावित करता है:

1. अनुकूलित बजट आवंटन (Optimized Budget Allocation): लेखक संसाधन विश्लेषण को पुनर्गठित करते हैं, जिसमें त्रुटि ($\epsilon_1, \epsilon_2$) और विश्वास ($\delta_1, \delta_2$) बजट के आवंटन को एक प्रतिबन्धित अनुकूलन समस्या (constrained optimization problem) में चर (variables) के रूप में माना जाता है। लक्ष्य, $\epsilon_1 + \epsilon_2 = E$ और $\delta_1 + \delta_2 = \Delta$ के प्रतिबंधों के अधीन, एकल-प्रति (single-copy) मेजरमेंट की अपेक्षित कुल संख्या, $E(m)$, को कम करना है।

   • सामान्य शुद्ध अवस्थाओं (General pure states) के लिए, दोनों चरण इन मापदंडों के सापेक्ष अलग-अलग तरह से स्केल करते हैं। लेखक दिखाते हैं कि एक सममित विभाजन (symmetric split) उप-इष्टतम (suboptimal) है। बजट को उस चरण की ओर स्थानांतरित करके जिसका स्केलिंग अधिक प्रभावी है (आमतौर पर बड़े क्यूबिट नंबरों के लिए अनुमान चरण), कुल मेजरमेंट लागत को कम किया जा सकता है।
   • स्टेबलाइजर अवस्थाओं (Stabilizer states) के लिए, विश्लेषण प्रदर्शित करता है कि मूल सममित आवंटन इस ढांचे के भीतर पहले से ही इष्टतम है।

2. संरचित शोर का समावेश (Incorporation of Structured Noise): लेखक यह धारणा पेश करते हैं कि लक्ष्य अवस्था पर कार्य करने वाला शोर चैनल $(1-p)I + pE$के रूप में है, जहाँ$p < 1$ज्ञात (या सीमित) है और$E$ एक क्वांटम चैनल है। इस श्रेणी में डिपोलराइजिंग (depolarizing) और डीफेजिंग (dephasing) चैनल शामिल हैं।

   • इस धारणा के तहत, सैंपलिंग चरण से जुड़े रैंडम वेरिएबल का विचरण (variance) $p^2$ के क्रम के कारक से कम हो जाता है।
   • सामान्य अवस्थाओं के लिए, यह आवश्यक पाउली नमूनों ($\ell$) की संख्या में कमी करने की अनुमति देता है।
   • स्टेबलाइजर अवस्थाओं के लिए, लेखक सैंपलिंग त्रुटि को बाउंड करने के लिए बर्नस्टीन की असमानता (Bernstein's inequality) का उपयोग करते हैं (होफडिंग की बजाय), जिससे आवश्यक नमूनों की संख्या और कम हो जाती है।
   • महत्वपूर्ण रूप से, स्टेबलाइजर अवस्थाओं के लिए, वे शोर संरचना का उपयोग करके अनुमान चरण को भी संशोधित करते हैं। मेजरमेंट आउटकम्स के विचरण को शोर संरचना की धारणा के आधार पर बाउंड करके, वे प्रति सैंपल आवश्यक शॉट्स ($m_k$) की संख्या को कम कर सकते हैं, बशर्ते $p \leq 1/3$ हो।

प्रमुख योगदान और परिणाम

• त्रुटि बजट का अनुकूलन:

  • सामान्य शुद्ध-अवस्था सेटिंग में, प्रतिबन्धित अनुकूलन समस्या को हल करने से मेजरमेंट की अपेक्षित संख्या में महत्वपूर्ण कमी आती है। बड़े क्यूबिट सीमा (large qubit limit) में, यह सममित आवंटन की तुलना में $4 \ln(4/\Delta) / \ln(2/\Delta) \geq 4$ का कारक सुधार प्रदान करता है।
  • स्टेबलाइजर अवस्थाओं के लिए, मूल सममित आवंटन को इष्टतम के रूप में पुष्ट किया गया है; केवल बजट को पुन: विभाजित करने से बिना संरचनात्मक धारणाओं के कोई लाभ नहीं मिलता है।

• संरचित शोर के माध्यम से कमी:

  • $(1-p)I + pE$ प्रकार के शोर चैनल की धारणा के तहत, प्रभावी रूप से लिए गए पाउली सेटिंग्स की संख्या कम हो जाती है।
  • स्टेबलाइजर अवस्थाओं के लिए, सैंपलिंग और अनुमान दोनों चरणों में शोर संरचना का उपयोग करने से सबसे कम मेजरमेंट लागत प्राप्त होती है, विशेष रूप से जब $p \leq 1/3$ हो।
  • सामान्य अवस्थाओं के लिए, संरचित शोर की धारणा आवश्यक मेजरमेंट की औसत संख्या के ऊपरी स्तर (upper bound) को कम करती है, हालांकि स्टेबलाइजर मामले की तुलना में यह कमी कम नाटकीय है।

• संख्यात्मक सिमुलेशन (Numerical Simulations):

  • लेखकों ने रिसेट नॉइज़ (reset noise) जोड़े गए सर्किट के लिए Qiskit का उपयोग करके जनरल और स्टेबलाइजर अवस्थाओं के लिए सिमुलेशन किए।
  • सिमुलेशन दर्शाते हैं कि फिडेलिटी एस्टिमेटर का अनुभवजन्य वितरण (empirical distribution) अक्सर उन वर्स्ट-केस सैद्धांतिक सीमाओं से बहुत संकीर्ण होता है जो वे भविष्यवाणी करती हैं।
  • देखे गए हिस्टोग्राम और प्रमाणित अंतराल (certified interval) के बीच का "गैप" इंगित करता है कि अनमॉडल संरचना (unmodeled structure) जेनेरिक प्रमाणों की तुलना में उतार-चढ़ाव को अधिक मजबूती से दबाती है।
  • सिमुलेशन पुष्टि करते हैं कि अनुकूलित बजट स्प्लिट और संरचित शोर की धारणाएं व्यवहार में कम मेजरमेंट की ओर ले जाती हैं, जहां वास्तविक वितरण सैद्धांतिक सीमाओं का उल्लंघन किए बिना कम मेजरमेंट काउंट की ओर शिफ्ट होते हैं।

महत्व और दावे
लेख का दावा है कि मानक DFE संसाधन सीमाएँ अक्सर अत्यधिक रूढ़िवादी होती हैं क्योंकि वे भौतिक रूप से प्रेरित संरचना को अनदेखा करती हैं। शोर चैनल (विशेष रूप से $(1-p)I + pE$ प्रकार के चैनलों) के ज्ञान को शामिल करके और त्रुटि एवं विश्वास बजट के आवंटन को अनुकूलित करके, अधिक सटीक संसाधन सीमाएं प्राप्त की जा सकती हैं।

लेखक इस बात पर जोर देते हैं कि ये सुधार स्वयं DFE एस्टिमेटर को बदले बिना प्राप्त किए गए हैं। परिणाम एक "पदानुक्रम" (hierarchy) का सुझाव देते हैं: आप जितनी अधिक संरचना को न्यायसंगत ठहराकर और शामिल करके विश्लेषण कर सकते हैं, सीमाएं उतनी ही सटीक होती जाती हैं। यह कार्य आधारभूत DFE विश्लेषण के एक तकनीकी परिशोधन के रूप में कार्य करता है, जो प्रदर्शित करता है कि प्रयोगात्मक संदर्भ का उपयोग करने पर वर्स्ट-केस कॉन्फिडेंस बाउंड्स में पर्याप्त सुधार किया जा सकता है। लेखक नोट करते हैं कि आगे के शोध की आवश्यकता है, क्योंकि अनुभवजन्य हिस्टोग्राम अभी भी सैद्धांतिक सीमाओं तक नहीं पहुँचते हैं, जो यह सुझाव देता है कि वर्तमान संभाव्यता असमानताएं (probabilistic inequalities) पूरी तरह संतृप्त (saturated) नहीं हैं या और अधिक उत् exploitable जानकारी मौजूद है।