Learning and certification of local time-dependent quantum dynamics and noise

Sintesi Tecnica: Apprendimento e Certificazione della Dinamica Quantistica Locale Dipendente dal Tempo e del Rumore

Definizione del Problema
Il documento affronta la sfida di apprendere i generatori di dinamiche quantistiche dipendenti dal tempo su sistemi a $n$ qubit. Mentre i protocolli di apprendimento dell'Hamiltoniana per dinamiche tempo-indipendenti hanno raggiunto garanzie rigorose e scalabili (spesso con complessità campionaria polilogaritmica rispetto alla dimensione del sistema), gli esistenti metodi rigorosi falliscono ampiamente nel gestire dinamiche esplicitamente dipendenti dal tempo. Questa lacuna è critica perché molti compiti quantistici pratici — come la preparazione adiabatica degli stati, i quench, l'ingegneria di Floquet e il disaccoppiamento dinamico — si affidano al controllo dipendente dal tempo, e le sorgenti di rumore realistiche presentano spesso derive dipendenti dal tempo.

Il problema specifico affrontato è il Problema 2.1: apprendere i coefficienti dipendenti dal tempo di un sistema a $n$ qubit a interazione locale su un grafo $G$ di dimensione effettiva $D$. Il generatore ignoto $S(t)$ è un Lindbladiano dipendente dal tempo che comprende:

1. Termini Hamiltoniani localmente geometrici $-i h_{(x,z)}(t) P_{(x,z)}$.
2. Termini dephasing Pauli on-site deboli $\ell_{j,P}(t) L_{j,P}$.

L'obiettivo di apprendimento è ricostruire le funzioni dei coefficienti $h_{(x,z)}(t)$ e $\ell_{j,P}(t)$ uniformemente su un intervallo $[0, T]$ con errore $\epsilon$ e probabilità di successo $1-\delta$, utilizzando un modello di accesso sperimentalmente minimo (preparazione di autostati Pauli prodotto, evoluzione e misurazioni Pauli prodotto).

Metodologia
Il protocollo proposto combina tre pilastri tecnici fondamentali: sistemi di funzioni Markov-stabili (MSFS), limiti di Lieb-Robinson (LR) e tomografia d'ombra di processo (process shadow tomography) integrata con programmazione semidefinita (SDP).

1. Modello di Smoothness e Interpolazione:
   Il protocollo assume che i coefficienti dipendenti dal tempo e le loro derivate ammettano un'approssimazione simultanea $C^1$ certificata all'interno di una classe di funzioni $\mathcal{F}_m$ a dimensione finita nota (ad esempio, polinomi di grado $m$). Questa classe è definita come un "sistema di funzioni Markov-stabile", garantendo che le derivate possano essere stimate stabilmente dai valori della funzione con un overhead solo polinomiale nel grado $m$. Il compito di apprendimento viene ridotto alla stima dei coefficienti in nodi temporali specifici e alla loro successiva interpolazione stabile.

2. Stima della Derivata a Tempo Finito:
   A differenza dell'apprendimento tempo-indipendente che spesso si basa sulle derivate a $t=0$, questo protocollo stima le derivate delle sovrapposizioni di canale a tempi finiti $t_i$. La derivata di un elemento della matrice di trasferimento $f_O(t) = 2^{-n}\text{tr}[T(0,t)(O)P]$ è lineare nei coefficienti ignoti $h_\alpha(t)$ e $\ell_{j,P}(t)$. Tuttavia, i coefficienti di questo sistema lineare dipendono dall'evoluzione ignota stessa.

3. Stabilizzazione tramite Sonde Locali e SDP:
   Per rendere il sistema lineare risolvibile e stabile, il protocollo costruisce "sonde isolanti".

• Localizzazione di Lieb-Robinson: Utilizzando i limiti LR, il protocollo dimostra che l'inversa dell'evoluzione Hamiltoniana unitaria di un operatore Pauli locale può essere approssimata da un operatore locale supportato su una regione di dimensione costante (indipendente dalla dimensione del sistema $n$).
• Confronto Perturbativo: Sotto una condizione di debole dissipazione, si dimostra che queste sonde locali rimangono vicine ai loro Pauli target anche sotto il canale diretto completo (incluso il dephasing).
• Costruzione SDP: Il protocollo utilizza dati di tomografia d'ombra di processo per stimare le entrate locali della matrice di trasferimento e risolve un programma semidefinito (SDP) di dimensione costante per trovare un operatore sonda locale $O$ tale che il suo stato evoluto $T(0, t_i)(O)$ sia vicino a un target Pauli. Ciò garantisce che il risultante sistema lineare per i coefficienti sia sparso e diagonalmente dominante, garantendo la stabilità contro il rumore statistico.

4. Tomografia d'Ombra di Processo:
   Il protocollo utilizza le ombre di processo per stimare efficientemente le sovrapposizioni di canale $2^{-n}\text{tr}[T(0, t)(P)Q]$ per stringhe Pauli locali $P, Q$. Ciò consente la stima parallela di tutte le entrate matriciali necessarie con una complessità campionaria che scala esponenzialmente solo con la dimensione del supporto locale (costante) e polinomialmente con l'inverso dell'errore.

Risultati Chiave
Il risultato principale è il Teorema 2.1, che stabilisce che il problema di apprendimento può essere risolto con:

• Complessità Campionaria: $\tilde{O}(\epsilon^{-2} \text{poly}(m_{\text{eff}}) \log(n \delta^{-1}))$, dove $m_{\text{eff}}$ è il grado effettivo certificato della classe di funzioni.
• Complessità Classica: $\tilde{O}(\epsilon^{-2} \text{poly}(n, m_{\text{eff}}, \log \delta^{-1}))$.
• Complessità Temporale: Il tempo totale di evoluzione scala in modo simile alla complessità campionaria.

La dipendenza dalla dimensione del sistema $n$ è logaritmica, eguagliando i migliori risultati noti per l'apprendimento dell'Hamiltoniana tempo-indipendente. Il costo della dipendenza temporale appare solo come un fattore polinomiale nel grado effettivo $m_{\text{eff}}$. Per approssimazioni a convergenza esponenziale (ad esempio, programmi analitici), $m_{\text{eff}}$ scala polilogaritmicamente con $1/\epsilon$.

Il protocollo fornisce anche un metodo per l'estrapolazione a tempi $T_f > T$ per programmi polinomiali, sebbene l'amplificazione dell'errore cresca esponenzialmente con il grado $m$ e il rapporto $T_f/T$. Inoltre, il modello appreso può essere utilizzato per certificare i valori di aspettazione locali di osservabili fisici confrontando il canale appreso con il vero canale.

Significato e Rivendicazioni
Gli autori affermano che questo lavoro colma una significativa lacuna nella letteratura fornendo il primo protocollo provabilmente efficiente e scalabile per apprendere generatori locali dipendenti dal tempo (sia Hamiltoniane che specifici Lindbladiani) sotto un modello di accesso sperimentalmente minimo.

• Fattibilità Sperimentale: Il protocollo richiede solo preparazioni e misurazioni di stati Pauli prodotto, evitando la necessità di sonde entangled, sistemi ancilla o operazioni di controllo intercalate spesso richieste da altri protocolli di apprendimento.
• Garanzie Rigorose: A differenza degli approcci euristici, il metodo offre limiti di errore rigorosi che tengono conto del rumore statistico, del bias di interpolazione e degli errori di approssimazione del modello.
• Scalabilità: La dipendenza logaritmica dalla dimensione del sistema assicura che il metodo sia pratico per grandi simulatori quantistici, a patto che la dipendenza temporale possa essere ben approssimata da funzioni a bassa complessità.

Il documento nota esplicitamente i limiti: l'attuale metodo è limitato al dephasing Pauli on-site debole e non gestisce ancora la dissipazione non-unitaria generale o le interazioni dissipative multi-qubit. Inoltre, lascia aperto il problema dell'apprendimento della struttura (apprendere il supporto del generatore) nel regime dipendente dal tempo, sebbene suggerisca che questa sia una naturale estensione.

Validazione Numerica
Il documento include illustrazioni numeriche su sistemi fino a 15 qubit (utilizzando simulazioni a rete tensoriale) e 3 qubit (utilizzando simulazioni esatte con rumore sintetico). Questi test confermano:

1. La pipeline di ombra di processo scala verso numeri di qubit non banali.
2. Programmi non polinomiali smooth possono essere recuperati aumentando il grado polinomiale di lavoro, con errori che seguono il bias di approssimazione deterministico.
3. La complessità campionaria scala polinomialmente con la dimensione della classe di funzioni dipendenti dal tempo, in linea con l'analisi teorica.