Optical Quantum Mixed-State Reconstruction With Multiple Deep Learning Approaches

Sintesi Tecnica: Ricostruzione di Stati Quantistici Misti Ottici con Approcci Multipli di Deep Learning

Enunciato del Problema
La tomografia dello stato quantistico (QST) è una tecnica fondamentale per la caratterizzazione dei sistemi quantistici, essenziale per applicazioni nell'informatica quantistica, nella chimica e nelle comunicazioni sicure. Tuttavia, la QST affronta sfide significative riguardanti la domanda di risorse, in particolare per sistemi su larga scala dove il numero di misurazioni richieste scala con la dimensione dello spazio di Hilbert. Sebbene l'apprendimento automatico, in particolare il deep learning (DL), abbia mostrato promesse nel migliorare l'efficienza e l'accuratezza della QST, i metodi esistenti spesso mancano di versatilità. Gli approcci attuali faticano a fornire un quadro unificato capace di gestire sia stati quantistici puri che misti attraverso diversi schemi di misurazione (omodinia ed eterodinia) senza fare affidamento su conoscenze a priori specifiche o soffrire di una generalizzazione limitata in presenza di rumore.

Metodologia
Gli autori propongono due architetture di reti neurali distinte progettate per affrontare le limitazioni dei metodi QST esistenti:

1. Rete Neurale Basata su Caratteristiche Restritte (RFB-Net):

   • Architettura: Un'estensione della QST-NN, la RFB-Net inquadra la QST come un problema di apprendimento multitask. Utilizza una rete neurale convoluzionale profonda (CNN) con sei teste convoluzionali, intercalate con rumore gaussiano, dropout e attivazioni Leaky ReLU.
   • Meccanismo: La rete si divide in due code: una coda di classificazione per prevedere la classe dello stato e una coda di regressione per estrarre caratteristiche specifiche dello stato. Queste caratteristiche vengono inviate a un modulo "Ricostruttore" che sintetizza la matrice di densità finale.
   • Addestramento: Il modello è addestrato utilizzando una funzione obiettivo congiunta che combina la perdita di entropia incrociata per la classificazione e l'Errore Assoluto Medio (MAE) per le parti reale e immaginaria delle caratteristiche dello stato. Sfrutta la conoscenza a priori delle classi di stato per guidare la ricostruzione.

2. Rete Neurale per Stati Misti (MS-NN):

   • Architettura: Derivata dal generatore del QST-conditional GAN (QST-CGAN), la MS-NN è progettata per gestire gli stati misti in modo più diretto. Elabora vettori di misurazione appiattiti e label codificati one-hot.
   • Meccanismo: Il modello impiega un decodificatore multi-scala con normalizzazione batch e attivazioni Leaky ReLU. Un'innovazione chiave è la decomposizione di Cholesky generalizzata. A differenza dei metodi tradizionali che utilizzano solo la matrice triangolare inferiore ($L$) per garantire la semi-definita positività, la MS-NN simula una decomposizione sia per i componenti triangolari inferiori ($L$) che superiori ($U$). La matrice di densità finale è costruita tramite $\rho = (LL^\top - UU^\top) \oslash \text{diag}(LL^\top - UU^\top)$, permettendo al modello di rappresentare stati che possono essere indefiniti o richiedere la sottrazione di stati coerenti (ad esempio, stati Cat dispari).
   • Addestramento: La funzione di perdita è una combinazione lineare ponderata del MAE tra le aspettative di misurazione reali e previste e il MAE delle componenti reale e immaginaria dell'operatore di densità. La componente della matrice di densità è fortemente ponderata ($\alpha = 100$) per imporre la coerenza fisica.

Contributi Chiave

• Ricostruzione Versatile: Il documento presenta il primo approccio di deep learning capace di gestire sia stati quantistici puri che misti attraverso entrambe le impostazioni di misurazione omodinica ed eterodinica.
• Apprendimento Multitask: La RFB-Net introduce un quadro multitask che esegue simultaneamente la discriminazione quantistica (classificazione) e la ricostruzione, migliorando l'accuratezza sfruttando le informazioni di classe.
• Decomposizione Generalizzata: Gli autori generalizzano la decomposizione di Cholesky tradizionale per accomodare stati misti e specifici codici quantistici (come gli stati Cat dispari) attraverso la nuova formulazione $LL^\top - UU^\top$ nella MS-NN.
• Robustezza al Rumore: Lo studio dimostra che l'addestramento con un'augmentazione esplicita del rumore (rumore di stato misto, perdita di fotoni e rumore "pepper") migliora significativamente la robustezza del modello, consentendo ai modelli di generalizzare a distribuzioni di rumore non viste attraverso principi di adattamento del dominio.

Risultati
I modelli sono stati valutati su un dataset sintetico composto da 10.000 misurazioni su vari stati quantistici (stati Fock, Coerenti, Termici, Cat, Num, Binomiali e GKP) con un taglio dello spazio di Hilbert di $N_c=32$.

• Accuratezza: Entrambi i modelli proposti hanno superato significativamente la tradizionale Massima Verosimiglianza (MLE) e la QST-CGAN di base.
  • La RFB-Net ha raggiunto la massima fedeltà: 0.9221 (omodinia) e 0.9532 (eterodinia).
  • La MS-NN ha raggiunto fedeltà di 0.8901 (omodinia) e 0.9041 (eterodinia).
  • Questi risultati rappresentano un miglioramento di circa 4,5 volte rispetto alla QST-CGAN e 10 volte rispetto alla MLE.
• Prestazioni con Rumore: Senza addestramento consapevole del rumore, le fedeltà sono crollate significativamente (ad esempio, a ~0,2–0,4). Tuttavia, con l'addestramento consapevole del rumore, entrambi i modelli hanno recuperato alte fedeltà (>0,85), con la MS-NN che ha raggiunto fedeltà vicine all'unità (0,92–0,95) su tutti i tipi di rumore testati.
• Efficienza: La RFB-Net ha offerto un equilibrio favorevole tra accuratezza e costo computazionale, richiedendo meno memoria e tempo di elaborazione rispetto alla MS-NN, che, sebbene altamente accurata, ha sostenuto un sovraccarico computazionale maggiore.

Significato e Affermazioni
Gli autori affermano che questo lavoro rappresenta un passo significativo verso una tomografia dello stato quantistico versatile e scalabile. Dimostrando che le architetture di deep learning possono ricostruire efficacemente stati quantistici diversi (inclusi gli stati misti) e adattarsi ad ambienti rumorosi, il documento suggerisce che le reti neurali possono superare i colli di bottiglia delle risorse della QST tradizionale. Gli autori sottolineano che il loro approccio è scalabile a sistemi quantistici più grandi e che la combinazione di reti neurali con la tomografia quantistica ha un grande potenziale per l'avanzamento dell'elaborazione delle informazioni quantistiche. Notano, tuttavia, che sebbene i risultati siano robusti su dati sintetici, è necessaria un'ulteriore validazione utilizzando esperimenti fisici di ottica quantistica per confermare l'applicabilità pratica.