Deep Neural Network-assisted improvement of quantum compressed sensing tomography

Sintesi Tecnica: Miglioramento della tomografia di compressed sensing quantistico assistita da reti neurali profonde

Problematica
La tomografia dello stato quantistico (QST) affronta una sfida fondamentale di scalabilità dovuta alla crescita esponenziale della dimensione dello spazio di Hilbert ($d=2^n$) con il numero di qubit ($n$). Sebbene il Compressed Sensing Quantistico (CS) offra una soluzione per le matrici di densità a basso rango riducendo le misurazioni necessarie a $O[rd \log^2(d)]$ (dove $r$ è il rango), la sua efficacia è limitata a regimi informazionalmente completi o a casi in cui il numero di osservabili di Pauli misurate ($K$) soddisfa specifici vincoli teorici. Negli scenari informazionalmente incompleti, dove $K$ è insufficiente per garantire una ricostruzione CS di successo, la stima risultante ($\rho_{cs}$) può essere imprecisa. Inoltre, l'ottimizzazione CS standard è un problema convesso che non tiene intrinsecamente conto della specifica distribuzione statistica degli stati quantistici, potendo quindi produrre ricostruzioni subottimali quando i dati sono scarsi.

Metodologia
Gli autori propongono un protocollo ibrido che concatena l'ottimizzazione convessa (CS) con un passaggio di post-elaborazione basato su una Rete Neurale Profonda (DNN), seguito da una proiezione nello spazio delle matrici di densità ammissibili. Il flusso di lavoro consiste in tre fasi principali:

1. Ricostruzione Iniziale: Un algoritmo CS standard (minimizzazione della norma traccia) genera una stima iniziale $\rho_{cs}$ da un sottoinsieme di correlatori di Pauli misurati. Questo stato funge da input "rumoroso".
2. Denoising Supervisionato da DNN: Una DNN, addestrata come denoiser supervisionato, mappa il vettore dei correlatori di input $\vec{c}_{cs}$ (derivato da $\rho_{cs}$) verso un vettore target $\vec{c}_{org}$ (derivuto dallo stato reale $\rho_{org}$). L'architettura della rete combina strati convoluzionali con un encoder-transformer, utilizzando funzioni di attivazione GELU. Il dataset di addestramento consiste in coppie di vettori di correlatori derivati da stati puri di Haar-random e i loro corrispondenti ricostruzioni CS basate su un sottoinsieme limitato di misurazioni.
3. Proiezione Ammissibile: Poiché l'output della DNN è privo di vincoli e può violare le condizioni di semidefinitività positiva (PSD) o di traccia unitaria, lo stato denoised $\rho_{den}$ viene proiettato nuovamente nell'insieme ammissibile $\Omega$ (l'insieme delle matrici di densità valide compatibili con i dati misurati) utilizzando un passaggio di proiezione euclidea. Ciò produce la stima fisica finale $\rho_{denproj}$.

Gli autori investigano inoltre l'inferenza a ciclo (looped inference), in cui i passaggi di denoising e proiezione vengono iterati (approccio a punto fisso) per affinare ulteriormente la stima dello stato. Inoltre, esplorano le capacità Out-of-Distribution (OOD), testando se un modello addestrato esclusivamente su stati puri ($p=0$) possa ricostruire efficacemente stati misti soggetti a rumore depolarizzante ($p > 0$) senza necessità di riaddestramento.

Risultati Chiave
Sono state eseguite simulazioni numeriche su sistemi a 4 qubit utilizzando 45 correlatori derivati da impostazioni di misurazione omogenee ($X^{\otimes4}, Y^{\otimes4}, Z^{\otimes4}$).

• Prestazioni In-Distribution (ID): Per stati target puri, il protocollo ha aumentato la fedeltà quantistica media di circa il 4,7% e la purezza media di circa il 13% rispetto alla ricostruzione CS grezza.
• Prestazioni Out-of-Distribution (OOD): Quando applicato a stati misti con rumore depolarizzante ($p \in [0, 0.2]$) utilizzando un modello addestrato solo su stati puri, l'inferenza a singolo step ha mostrato guadagni di fedeltà per bassi livelli di rumore ($p \le 0.1$), con un calo delle prestazioni all'aumentare del rumore.
• Inferenza a Ciclo (Looped Inference): L'implementazione di un ciclo a punto fisso (iterando i passaggi di denoising e proiezione, ad esempio $n_l=3$) ha migliorato significativamente la robustezza. Questo approccio ha ottenuto un guadagno di fedeltà di ~11% per gli stati puri e ha mantenuto guadagni positivi anche per gli stati misti con forza di depolarizzazione fino a $p=0.2$.
• Intervallo di Applicabilità: Il metodo è efficace quando il numero di correlatori è sufficiente a fornire una base CS non banale ma insufficiente per una ricostruzione perfetta (circa tra 20 e 64 correlatori per 4 qubit). Se $K$ è troppo basso, l'input è troppo rumoroso perché la rete possa apprendere; se $K$ è troppo alto, la ricostruzione CS è già prossima alla perfezione.

Significatività e Rivendicazioni
L'articolo sostiene che questo approccio offre un metodo valido per migliorare la ricostruzione dello stato quantistico in regimi in cui i protocolli CS standard non sono garantiti di avere successo, senza richiedere nuovi dati sperimentali. I contributi chiave includono:

• Efficienza dei Dati: Il metodo sfrutta la distribuzione statistica degli stati quantistici codificata nella DNN per "denoising" delle ricostruzioni CS incomplete, migliorando l'accuratezza senza misurazioni aggiuntive.
• Generalizzazione: Utilizzando i principi di rilevamento OOD, il protocollo dimostra la capacità di ricostruire stati misti utilizzando un modello addestrato solo su stati puri, eliminando la necessità di riaddestrare la rete per diversi livelli di rumore.
• Raffinamento Iterativo: L'introduzione di un ciclo di inferenza a punto fisso consente ulteriori guadagni di prestazione, estendendo il potenziale intervallo di applicazione dell'apprendimento supervisionato nella tomografia.
• Consistenza Fisica: L'integrazione di un passaggio di proiezione convessa assicura che l'output finale rimanga una matrice di densità fisicamente valida, affrontando il comune problema degli output non fisici nelle approcci neurali privi di vincoli.

Gli autori concludono che, sebbene il presente lavoro assuma una stima perfetta dei correlatori, il framework fornisce una base per future estensioni a scenari con rumore di campionamento e potenzialmente alla tomografia di canali quantistici o di detector.