Learning symmetry-protected topological order from trapped-ion experiments

Sintesi Tecnica: Apprendimento dell'Ordine Topologico Protetto da Simmetria da Esperimenti con Ioni Intrappolati

Enunciato del Problema
I dispositivi quantistici attuali su scala intermedia rumorosa (NISQ) possiedono operazioni ad alta fedeltà e connettività universale, ma rimangono limitati nelle dimensioni e soggetti a errori, mancando di una piena tolleranza ai guasti. Una sfida centrale è determinare se questi dispositivi possano fornire utilità pratica in un'era pre-tolleranza ai guasti, specificamente nell'estrazione di informazioni preziose da misurazioni quantistiche limitate. Sebbene l'apprendimento automatico (ML) classico si sia dimostrato utile per l'elaborazione successiva dei dati quantistici, gli algoritmi standard richiedono spesso un addestramento preliminare (apprendimento supervisionato) e sono frequentemente euristici o difficili da interpretare. Inoltre, i tipici dataset quantistici sono troppo piccoli per addestrare modelli di deep learning sofisticati per compiti come la tomografia completa dello stato. Il problema specifico affrontato qui è la classificazione e la caratterizzazione non supervisionata delle fasi quantistiche—specificamente distinguere tra fasi topologiche protette da simmetria (SPT) e fasi triviali—direttamente da dati sperimentali rumorosi senza etichettatura preliminare.

Metodologia
Gli autori impiegano una Macchina a Vettori di Supporto con Nucleo Tensoriale (TK-SVM), un algoritmo ML non supervisionato e interpretabile, per analizzare dati provenienti da computer quantistici a ioni intrappolati. La metodologia procede attraverso diverse fasi chiave:

1. Preparazione dello Stato: Lo studio investiga due famiglie di Stati a Prodotto di Matrice (MPS) con bassa dimensione di legame, che possono essere preparati tramite circuiti quantistici superficiali.
   • Famiglia Spin-1/2: Un insieme parametrico di stati che interpola tra uno stato a cluster (fase SPT) e uno stato prodotto banale, governato da un parametro $g$.
   • Famiglia Spin-1: Un insieme corrispondente di stati su uno spazio di Hilbert spin-1, che include lo stato Affleck-Kennedy-Lieb-Tasaki (AKLT) come esempio paradigmatico di SPT.
2. Implementazione Sperimentale: Questi stati sono preparati su due piattaforme distinte a ioni intrappolati:
   • Una macchina basata su qubit (utilizzando ioni $^{40}\text{Ca}^+$) che simula stati spin-1 tramite coppie di qubit.
   • Una macchina basata su qutrit (anch'essa utilizzando $^{40}\text{Ca}^+$) che sfrutta sistemi nativi a tre livelli.
   • I circuiti sono implementati su catene di fino a 8 qubit e 5 qutrit.
3. Protocollo di Misurazione: L'esperimento utilizza una Misura a Valore Operatore Positivo (POVM) informazionalmente completa basata su Basi Mutuamente Incondizionate (MUB). Per ogni sistema, unitarie casuali a singolo sito ruotano i gradi di libertà fisici in una delle MUB, seguite da misurazioni proiettive nella base computazionale. Questo genera "istantanee" dello stato quantistico.
4. Pipeline di Apprendimento Automatico:
   • Estrazione delle Caratteristiche: I campioni MUB grezzi sono elaborati tramite tomografia a ombra per stimare osservabili locali e le loro correlazioni (monomi) fino a un rango specifico $r$ su un cluster di $n$ siti. Questi formano i vettori di caratteristiche $\phi$.
   • Classificazione Binaria (Non Supervisionata): La TK-SVM viene applicata a coppie di dataset campionati a parametri diversi ($g$ e $g'$). L'algoritmo tenta di trovare un iperpiano separatore. Se i dataset appartengono a fasi diverse, la SVM trova una soluzione con un parametro di bias $|b| \lesssim 1$. Se appartengono alla stessa fase, i dataset sono inseparabili e $|b| \gg 1$.
   • Costruzione del Diagramma di Fase: Testando tutte le coppie di valori $g$, viene costruito un grafo pesato in cui i pesi degli spigoli riflettono il bias. La teoria di Fiedler (clustering spettrale) viene applicata a questo grafo per partizionare lo spazio dei parametri in fasi distinte.
   • Caratterizzazione: Una volta identificate le fasi, la TK-SVM viene addestrata per distinguere una fase specifica da campioni uniformi casuali. I coefficienti risultanti della funzione di decisione rivelano i specifici operatori locali (parametri d'ordine) che caratterizzano la fase.

Contributi Chiave

• Rilevamento Non Supervisionato delle Fasi: Il lavoro dimostra che la TK-SVM può identificare con successo il diagramma di fase dei sistemi quantistici senza conoscenza preliminare dei confini di fase o delle etichette, eliminando efficacemente la necessità di addestramento supervisionato.
• Interpretabilità: A differenza dei modelli di deep learning "scatola nera", la TK-SVM fornisce parametri di addestramento interpretabili. Il termine di bias determina la separazione delle fasi, mentre il vettore dei coefficienti della funzione di decisione codifica esplicitamente i parametri d'ordine a stringa che caratterizzano le fasi SPT.
• Validazione Sperimentale su Hardware NISQ: Il metodo è stato applicato a dati sperimentali reali e rumorosi provenienti da due architetture distinte a ioni intrappolati (qubit e qutrit), distinguendo con successo le fasi SPT da quelle triviali nonostante le imperfezioni sperimentali.
• Estensione ai Sistemi Spin-1: Lo studio estende il lavoro precedente sui modelli a cluster spin-1/2 al più complesso modello AKLT spin-1, validando l'approccio sull'hardware a qutrit.

Risultati

• Classificazione delle Fasi: La TK-SVM ha distinto con successo la fase SPT ($g < 0$) dalla fase paramagnetica banale ($g > 0$) per entrambe le famiglie spin-1/2 e spin-1 su tutti i dataset sperimentali rumorosi.
• Estrazione del Parametro d'Ordine:
  • Per la fase SPT spin-1/2, l'algoritmo ha identificato parametri d'ordine a stringa non banali della forma $Z_i Y_{i+1} (\prod X_j) Y_{r-1} Z_r$.
  • Per la fase SPT spin-1, ha identificato parametri d'ordine a stringa che coinvolgono operatori $\tau^z$, coerenti con il noto ordine a stringa AKLT.
  • Per le fasi triviali, l'algoritmo ha identificato parametri d'ordine locali (ad esempio, $\langle X \rangle$ per spin-1/2 e $(\tau^x)^2 + (\tau^y)^2$ per spin-1), confermando la vicinanza agli stati prodotto.
• Confronto tra Piattaforme: L'implementazione a qubit ha prodotto risultati di classificazione delle fasi leggermente più coerenti rispetto all'implementazione a qutrit, attribuiti a fedeltà di gate a due qubit più elevate e a un cross-talk inferiore nella configurazione a qubit. Tuttavia, entrambe le piattaforme hanno identificato con successo gli osservabili locali corretti che caratterizzano le fasi.
• Robustezza: Il metodo si è dimostrato robusto contro il rumore sperimentale, identificando correttamente le fasi anche con preparazione dello stato e misurazione imperfette.

Significato e Affermazioni
Il paper afferma che l'apprendimento automatico classico, specificamente l'approccio TK-SVM, è uno strumento potente per l'indagine efficiente dei diagrammi di fase quantistici nell'era NISQ. Gli autori sottolineano che il loro metodo è scalabile e non richiede modifiche per essere applicato a sistemi quantistici più grandi, suggerendo un percorso verso un vantaggio quantistico pratico anche senza correzione degli errori. Il lavoro evidenzia l'utilità di combinare la tomografia a ombra con ML interpretabile per estrarre intuizioni fisiche (come i parametri d'ordine a stringa) direttamente da dati sperimentali rumorosi, bypassando la necessità di una tomografia completa dello stato o di un'etichettatura teorica preliminare. I risultati servono come prova di principio che i dispositivi NISQ possono essere utilizzati come simulatori quantistici dove il valore principale risiede nell'estrazione di informazioni fisiche specifiche piuttosto che nella simulazione dell'intera funzione d'onda a molti corpi.