Efficient Hamiltonian, structure and trace distance learning of Gaussian states

Sintesi Tecnica: Apprendimento Efficiente dell'Hamiltoniano, della Struttura e della Distanza di Traccia di Stati Gaussiani

Definizione del Problema
Questo lavoro avvia lo studio dell'apprendimento dell'Hamiltoniano per stati gaussiani bosonici a temperatura positiva, affrontando la generalizzazione quantistica dell'apprendimento dei modelli grafici gaussiani. Mentre l'apprendimento classico di modelli grafici discreti e di modelli grafici gaussiani è ben consolidato, protocolli quantistici efficienti per inferire i parametri degli Hamiltoniani quadratici sottostanti dai dati di misurazione sono rimasti ampiamente inesplorati, particolarmente per i sistemi a variabili continue (CV). La sfida principale risiede nella mancanza di strutture di indipendenza condizionale esatte negli stati quantistici e nella complessa dipendenza funzionale tra la matrice di covarianza e l'Hamiltoniano, che ostacola le strategie di inversione diretta utilizzate nei contesti classici. L'obiettivo del paper è sviluppare protocolli che siano efficienti sia in termini di complessità campionaria che computazionale per:

1. Apprendere i parametri dell'Hamiltoniano quadratico sottostante.
2. Apprendere il grafo di interazione che definisce l'Hamiltoniano.
3. Apprendere lo stato Gaussiano stesso in distanza di traccia.

Metodologia
L'approccio proposto si basa su misurazioni eterodine, che sono sperimentalmente fattibili, per ottenere stime empiriche del vettore delle medie ($t$) e della matrice di covarianza ($V$). L'innovazione tecnica centrale è lo sviluppo di una tecnica di inversione locale combinata con nuovi limiti di continuità per gli stati gaussiani.

1. Stima della Covarianza: Il protocollo esegue misurazioni eterodine su copie dello stato $\rho$, ottenendo campioni da una distribuzione gaussiana multivariata con covarianza $V + I/2$. Si utilizzano le classiche disuguaglianze di concentrazione per stimare le voci di $V$ e $t$ con alta probabilità. Un passaggio di programmazione semidefinita (SDP) assicura che la matrice di covarianza stimata sia fisicamente valida (semidefinita positiva e soddisfacente le relazioni di incertezza).

2. Tecnica di Inversione Locale: A differenza dei metodi classici dove le inversioni locali sono sufficienti grazie all'indipendenza condizionale, gli stati quantistici richiedono di tenere conto delle correlazioni a lungo raggio. Gli autori introducono un metodo in cui l'inversa globale della matrice $(2V - i\Omega)$ viene approssimata "cucendo insieme" le inverse di sottomatrici locali corrispondenti a vicinato di dimensione $l$.

   • La dimensione del vicinato $l$ è scelta in modo da scalare logaritmicamente con l'inverso della precisione ($\log(\epsilon^{-1})$), piuttosto che con la dimensione del sistema.
   • Utilizzando espansioni in serie di Taylor del logaritmo della matrice che mette in relazione $V$ e l'Hamiltoniano $H$, e limitando l'errore di approssimazione delle inverse di matrici approssimativamente sparse, gli autori dimostrano che inversioni locali su vicinati di dimensione $l \sim \frac{\log(\epsilon^{-1})}{\log\log(\epsilon^{-1})}$ sono sufficienti per ricostruire le voci dell'Hamiltoniano con errore $\epsilon$.
   • Ciò evita la necessità di stime globali precise della matrice di covarianza, che altrimenti richiederebbero una complessità campionaria che scala polinomialmente con il numero di modi.

3. Limiti di Continuità: Il lavoro deriva diversi nuovi limiti di perturbazione (limiti di continuità) che mettono in relazione la distanza tra le matrici di covarianza e la distanza tra i loro corrispondenti Hamiltoniani (e viceversa). Questi limiti dipendono da parametri quali gli autovalori simplettici ($d_{min}, d_{max}$) e il parametro di squeezing ($\|S\|_\infty$), garantendo che piccoli errori nella stima della covarianza si traducano in errori controllati nella ricostruzione dell'Hamiltoniano.

Contributi Chiave e Risultati

• Apprendimento dell'Hamiltoniano: Il paper fornisce il primo protocollo efficiente per apprendere i parametri di un Hamiltoniano quadratico su $m$ modi con un grafo di interazione noto di grado massimo $\Delta-1$.

  • Complessità Campionaria: Il numero di campioni richiesti scala come $O(\epsilon^{-2+\gamma} \log(m))$ per ogni $\gamma > 0$, assumendo temperatura, squeezing, spostamento e grado del grafo limitati. Questo rappresenta una scalabilità logaritmica rispetto alla dimensione del sistema, un miglioramento significativo rispetto alla scalabilità polinomiale.
  • Complessità Computazionale: Il post-processing è polinomiale in $m$.

• Apprendimento del Grafo: Gli autori presentano un protocollo per apprendere il grafo di interazione $G$ dell'Hamiltoniano sotto assunzioni moderate (specificamente, un limite inferiore $\kappa$ sulla forza delle interazioni esistenti).

  • Complessità Campionaria: Similmente all'apprendimento dell'Hamiltoniano, la complessità campionaria scala logaritmicamente con il numero di modi, $O(\kappa^{-2-\gamma} \log(m))$.
  • Algoritmo: L'algoritmo itera su candidati vicinati, eseguendo inversioni locali su vicinati ampliati per rilevare interazioni non nulle basandosi su una soglia.

• Apprendimento della Distanza di Traccia: Il lavoro stabilisce i primi risultati per l'apprendimento di stati gaussiani in distanza di traccia con una scalabilità quadratica della precisione ($\epsilon^{-2}$).

  • La complessità campionaria scala polinomialmente con il numero di modi ($O(m^3)$) e quadraticamente rispetto a $1/\epsilon$.
  • Questo risultato assume energia limitata e valori limitati del massimo autovalore simplettico (relativo alla purezza), osservando che l'apprendimento di stati puri non è coperto.

• Validazione Numerica: Simulazioni numeriche su Hamiltoniani 1D con fino a 1200 modi dimostrano che il metodo di inversione locale supera i metodi di stima plug-in globale, mantenendo un errore di ricostruzione indipendente dal numero di modi, mentre i metodi globali degradano con la dimensione del sistema.

Significato e Rivendicazioni
Gli autori affermano che questo lavoro fa progredire significativamente il campo dell'apprendimento dell'Hamiltoniano quantistico poiché:

1. Colma il divario tra apprendimento classico e quantistico: Adatta il framework di successo dell'apprendimento dei modelli grafici gaussiani al dominio quantistico, superando la mancanza di indipendenza condizionale attraverso la tecnica di inversione locale.
2. Scalabilità: Raggiungendo una complessità campionaria logaritmica nel numero di modi, i protocolli sono altamente scalabili per grandi sistemi a variabili continue, una proprietà precedentemente sconosciuta per l'apprendimento generale dell'Hamiltoniano quantistico da stati di Gibbs.
3. Fattibilità Sperimentale: La dipendenza esclusivamente da misurazioni eterodine rende i protocolli sperimentalmente fattibili sulle piattaforme attuali (ad esempio, reticoli ottici, ioni intrappolati o circuiti superconduttori).
4. Limiti Fondativi: I limiti di continuità derivati per le matrici di covarianza e di Hamiltoniano sono di interesse indipendente per la teoria dell'informazione quantistica e l'analisi delle perturbazioni.

Il paper riconosce limitazioni, tra cui la dipendenza dai parametri del numero di condizionamento ($d_{min}$) e l'assunzione di squeezing e temperatura limitati. Si nota che, sebbene la scalabilità con la precisione sia quasi ottimale ($\epsilon^{-2}$), la dipendenza da altri parametri (come il grado del grafo) può essere sovra-esponenziale nel caso peggiore, sebbene polinomiale per strutture a reticolo fisicamente rilevanti. Il lavoro apre nuove strade per la ricerca sull'apprendimento di sistemi quantistici a variabili continue e la metrologia many-body.