Tensor Train Quantum State Tomography using Compressed Sensing

Sintesi Tecnica: Tomografia dello Stato Quantistico Tensor Train tramite Compressed Sensing

Definizione del Problema
La Tomografia dello Stato Quantistico (QST) è essenziale per il benchmarking e la verifica di dispositivi quantistici, al fine di stimare la matrice di densità di un sistema quantistico dai dati di misurazione. Tuttavia, i metodi di stima standard affrontano la "maledizione della dimensionalità": all'aumentare del numero di qubit ($N$), il numero di parametri nella matrice di densità cresce esponenzialmente ($D = 2^N$, richiedendo $O(D^2)$ parametri). Sebbene molti stati quantistici di interesse (ad esempio, stati fondamentali di Hamiltoniane locali, stati quasi puri) possiedano strutture a basso rango che permettono un recupero efficiente con meno misurazioni, gli esistenti metodi scalabili presentano dei limiti. Gli approcci di ottimizzazione convessa che utilizzano la penalizzazione della norma nucleare diventano computazionalmente proibitivi per sistemi molto grandi. I metodi di fattorizzazione (ad esempio, Burer-Monteiro) migliorano l'efficienza, ma spesso faticano a imporre i necessari vincoli fisici (ermiticità, semidefinitezza positiva e traccia unitaria) senza complessi passaggi di proiezione. Inoltre, sebbene le rappresentazioni a reti tensoriali come gli Stati a Prodotto di Matrici (MPS) siano efficienti per gli stati puri, estendere tali metodi agli stati misti mantenendo questi vincoli rimane una sfida.

Metodologia
Gli autori propongono un nuovo framework di QST che parametrizza la matrice di densità $\rho$ utilizzando una decomposizione Block Tensor Train (Block-TT). Questo approccio combina i principi del compressed sensing con l'algebra delle reti tensoriali.

1. Parametrizzazione: Invece di ottimizzare sull'intera matrice di densità, il metodo rappresenta $\rho$ come la contrazione di una rete Block-TT $A$ con la sua trasposta ermitiana $A^H$ (ovvero, $\hat{\rho}_{TT} = A \bullet_n A^H$).

   • La rete $A$ è un tensore di ordine $(N+1)$, dove la maggior parte dei core è del terzo ordine, eccetto un core del quarto ordine in una specifica posizione $n$ che trasporta un indice ausiliario $K$.
   • Questa costruzione garantisce intrinsecamente che la matrice di densità risultante sia semidefinita positiva (PSD) ed ermitiana, analogamente a una decomposizione di Cholesky per le matrici, senza richiedere vincoli espliciti durante l'ottimizzazione.
   • Il vincolo di traccia unitaria è gestito tramite un vincolo sulla norma di Frobenius del fattore $A$ ($\|A\|_F \leq 1$).

2. Ottimizzazione: Il problema di QST viene riformulato come un problema di ottimizzazione non convessa che minimizza l'errore dei minimi quadrati tra i risultati delle misurazioni osservate e le predizioni del modello.

   • Obiettivo: $\min_A \frac{1}{2} \|y - \mathcal{M}(\hat{\rho}_{TT})\|_2^2$ soggetto a $\|A\|_F \leq 1$.
   • Algoritmo: Viene impiegato un semplice algoritmo di Discesa del Gradiente (GD). In ogni iterazione, il gradiente viene calcolato tramite contrazioni di reti tensoriali e il fattore aggiornato viene proiettato nuovamente nel formato Block-TT utilizzando una SVD troncata (TT-SVD) per mantenere l'ortogonalità e controllare i ranghi. Viene utilizzato un fattore di momentum per migliorare la convergenza.

3. Efficienza: Il metodo sfrutta l'algebra TT per calcolare efficientemente i valori di aspettazione ($\text{Tr}(\rho E_m)$). La complessità computazionale per la valutazione delle misurazioni scala come $O((4R^2 + 2R^3)(\log_2 D + K))$, dove $R$ è il rango TT. Questo è significativamente più efficiente rispetto alla complessità $O(D^2)$ dei calcoli standard della traccia di matrice per grandi $N$, a condizione che lo stato abbia un basso rango TT.

Contributi Chiave

• Parametrizzazione Block-TT: Introduzione di una rappresentazione Block-TT per le matrici di densità che preserva intrinsecamente la semidefinitezza positiva, eliminando la necessità dei complessi passaggi di proiezione richiesti da altri metodi di fattorizzazione.
• Scalabilità: Dimostrazione che l'approccio mitiga la maledizione della dimensionalità per una vasta classe di stati quantistici (puri, quasi puri e stati fondamentali), riducendo il conteggio dei parametri da una crescita esponenziale a una logaritmica rispetto alla dimensione del sistema.
• Framework Algoritmico: Sviluppo di un algoritmo basato sul gradiente adattato alle reti Block-TT, che utilizza la TT-SVD per il troncamento del rango e la normalizzazione.
• Analisi Comparativa: Un confronto esaustivo con i metodi allo stato dell'arte, inclusi l'Ottimizzazione Convessa (CVX), la Stima della Massima Verosimiglianza (MLE) e i metodi a Basso Rango Proiettato (LR).

Risultati
Esperimenti numerici sono stati condotti su sistemi da 3 a 12 qubit con misurazioni Pauli casuali e rumore gaussiano (SNR = 60 dB).

• Accuratezza: Il metodo proposto Block-TT ha raggiunto un'accuratezza competitiva nel recupero di stati misti. In termini di Fedeltà e Distanza di Traccia, ha superato l'MLE e ha mostrato prestazioni complessivamente simili al metodo di gradiente proiettato a Basso Rango (LR).
• Efficienza di Campionamento: A bassi rapporti di campionamento ($M/D^2 < 0.3$), il metodo di ottimizzazione convessa (CVX) ha ottenuto le prestazioni migliori, ma il metodo Block-TT è rimasto competitivo.
• Efficienza Computazionale: Il risultato più significativo è stato il tempo di calcolo. Mentre la valutazione delle misurazioni basata su matrici scala esponenzialmente con il numero di qubit, l'approccio Block-TT scala in modo quasi lineare. Ciò consente di gestire sistemi su larga scala (ad esempio, 12 qubit) dove i metodi basati su matrici diventano computazionalmente intrattabili.

Significatività e Rivendicazioni
L'articolo sostiene che l'approccio QST Block-TT proposto offre una soluzione pratica per la stima dello stato quantistico su larga scala, bilanciando efficienza di memoria, velocità computazionale e validità fisica.

• Rivendicazioni Modeste: Gli autori dichiarano esplicitamente che il metodo è efficiente specificamente per gli stati quantistici che possono essere ben approssimati da reti tensoriali a basso rango. Riconoscono che l'algoritmo attuale è una semplice discesa del gradiente e che l'ottimizzazione su varietà (manifold) TT più avanzate potrebbe migliorare ulteriormente le prestazioni.
• Direzioni Future: Il lavoro suggerisce che il lavoro futuro potrebbe includere un'analisi teorica rigorosa delle garanzie di recupero e lo sviluppo di approcci di completamento tensoriale strutturato per il recupero deterministico.
• Conclusione: Il lavoro dimostra che la parametrizzazione delle matrici di densità tramite reti Block-TT è un'alternativa valida, efficiente in termini di memoria e computazionale, rispetto alla tomografia tradizionale, capace di recuperare stati misti accurati senza imporre vincoli aggiuntivi oltre alla struttura inerente della decomposizione.