Arbitrary state preparation in quantum harmonic oscillators using neural networks

Sintesi Tecnica: Preparazione di Stati Arbitrari in Oscillatori Armonici Quantistici mediante Reti Neurali

Definizione del Problema
La preparazione di stati specifici è un prerequisito fondamentale per algoritmi quantistici, apprendimento automatico e simulazioni. Sebbene esistano vari metodi per determinare le interazioni fisiche necessarie per traslare un sistema da uno stato iniziale a uno stato target (ad esempio, i metodi di Krotov, lo steering quantistico, l'apprendimento per rinforzo), essi richiedono tipicamente la risoluzione di un problema di ottimizzazione separato per ogni singolo stato target. Questa ottimizzazione per singola istanza diventa computazionalmente proibitiva per applicazioni che richiedono una preparazione rapida o ripetuta di molti diversi target, come nel caso dell'apprendimento automatico quantistico. Inoltre, le tecniche analitiche spesso producono equazioni distinte per ogni target, limitandone la praticità. La sfida specifica affrontata in questo lavoro è la preparazione di stati arbitrari in sistemi $n$-dimensionali (qudit) realizzati tramite un oscillatore armonico (HO) troncato, un sistema che non è completamente controllabile sotto un insieme finito di passi senza un'interazione ausiliaria.

Metodologia
Gli autori propongono una metodologia generale che utilizza una rete neurale feed-forward per predire i parametri di controllo per un HO accoppiato a un qubit ausiliario. Il sistema è modellato come un'interazione di tipo Jaynes–Cummings, dove sia l'HO che il qubit sono pilotati da laser con modulazione di fase dipendente dal tempo.

• Modello Fisico: Il sistema evolve sotto un Hamiltoniano in cui il qubit e l'HO interagiscono con una costante di accoppiamento $g$. Il controllo consiste in una sequenza di $N$ impulsi con fasi a modulazione costante a tratti ($\phi_i$ per l'HO, $\varphi_i$ per il qubit) e tempi di commutazione ($t_i$). Si assume che le ampiezze siano costanti e uguali. L'obiettivo è far evolvere lo stato iniziale $|0, 0\rangle$ verso uno stato separabile in cui l'HO si trovi in un desiderato stato target $|\psi_{target}\rangle$ all'interno di un manifold troncato a $n$ livelli.
• Architettura della Rete Neurale: La rete riceve come input lo stato target e produce in uscita i parametri di controllo $\Theta = \{\phi_i, \varphi_i, t_i\}$.
  • Rappresentazione dell'Input: Lo stato target viene codificato come i valori di aspettazione dei $d = n^2 - 1$ generatori della base $SU(n)$.
  • Output: La rete predice le fasi e i tempi di commutazione per una sequenza di $N$ impulsi.
• Pipeline di Addestramento: La rete viene addestrata utilizzando la discesa del gradiente stocastico per minimizzare l'infedeltà media ($1 - F$) su un dataset di stati target casuali campionati dalla misura di Haar. L'infedeltà è definita come la sovrapposizione tra lo stato target e lo stato ottenuto dopo aver tracciato fuori i gradi di libertà del qubit dallo stato finale evoluto.
• Distinzione Chiave: A differenza dei metodi convenzionali di controllo ottimale che iterano per trovare i parametri per un specifico target, questo framework sposta l'onere computazionale verso una fase di addestramento offline una tantum. Una volta addestrata, la rete esegue un singolo passaggio in avanti per generare i parametri di controllo per qualsiasi nuovo stato target all'interno della dimensione addestrata.

Contributi Chiave e Risultati
Il documento presenta risultati numerici per la preparazione di stati arbitrari in qubit ($n=2$), qutrit ($n=3$) e qudit ($n=4$) utilizzando l'approccio proposto tramite rete neurale.

• Metriche di Prestazione: Il metodo raggiunge alte infedeltà medie su 1000 stati target casuali distribuiti secondo la misura di Haar:
  • Qubit ($n=2$): 99,99% di fedeltà (0,01% di infedeltà) utilizzando $N=9$ impulsi.
  • Qutrit ($n=3$): 99,5% di fedeltà (0,5% di infedeltà) utilizzando $N=11$ impulsi.
  • Qudit ($n=4$): 98,9% di fedeltà (1,1% di infedeltà) utilizzando $N=13$ impulsi.
• Analisi della Sequenza di Impulsi: Lo studio conferma che l'aumento del numero di impulsi generalmente riduce l'infedeltà, sebbene esista un punto ottimale oltre il quale impulsi aggiuntivi portano a rendimenti decrescenti. I pattern di commutazione della fase appresi sono non banali e non seguono semplici regole analitiche, indicando che la rete apprende strategie di controllo complesse per compensare gli errori accumulati.
• Visualizzazione: Per i qubit, la traiettoria sulla sfera di Bloch mostra che i primi impulsi possono guidare il sistema lontano dal target verso stati intermedi prima che gli impulsi finali allineino la traiettoria. Per i qutrit e i qudit, l'analisi della funzione di Wigner dimostra che la rete riproduce con successo il supporto dominante nello spazio delle fasi e le strutture non classiche (ad esempio, pattern di interferenza e regioni negative) degli stati target, inclusi gli stati Bell codificati nel subspace dell'oscillatore.

Significato e Rivendicazioni
Gli autori affermano che questo lavoro fornisce una soluzione pratica per la preparazione dello stato "on-demand". Il vantaggio principale è l'eliminazione dell'ottimizzazione per singola istanza, riducendo il tempo di inferenza online a circa 100 ms su una CPU standard. Ciò contrasta nettamente con i metodi di controllo ottimale iterativi (come Krotov o GRAPE), che possono richiedere minuti o ore per ogni stato target.

Il documento sottolinea che il metodo è particolarmente adatto a scenari che richiedono una codifica rapida delle informazioni in stati quantistici, come i flussi di lavoro dell'apprendimento automatico quantistico dove lo stato target cambia con ogni input. L'approccio è fondato sulla controllabilità teorica della dinamica di Jaynes–Cummings all'interno di un manifold troncato (Pinna e Panati), garantendo che i protocolli predetti corrispondano a stati fisicamente preparabili entro i vincoli del modello.

Limitazioni e Direzioni Future
Gli autori notano con modestia che l'aumento osservato dell'infedeltà con la dimensione $n$ riflette la crescente complessità della mappatura, che può essere teoricamente mitigata aumentando la dimensione della rete e il numero di impulsi. Tuttavia, un vincolo più fondamentale è il costo della generazione dei dati di addestramento tramite simulazione classica, che scala negativamente con la dimensione dello spazio di Hilbert. Il documento riconosce che, per dimensioni maggiori (ad esempio, codici bosonici che richiedono decine o centinaia di livelli), la simulazione diretta può diventare un collo di bottiglia, rendendo necessari futuri approcci come le reti tensoriali o l'addestramento hardware-in-the-loop. Inoltre, i risultati attuali assumono condizioni ideali; il lavoro futuro dovrà affrontare la dinamica di sistema aperto, la decoerenza e le non-idealità specifiche dell'hardware (ad esempio, larghezza di banda finita, jitter di fase) per determinare la robustezza del metodo in contesti sperimentali.