Quantum measurement tomography with mini-batch stochastic gradient descent

Sintesi Tecnica: Tomografia di Misura Quantistica con Discesa del Gradiente Stocastica Mini-Batch

Definizione del Problema
La Tomografia di Misura Quantistica (QMT) è una componente critica della Caratterizzazione, Verifica e Validazione Quantistica (QCVV), mirata a ricostruire gli elementi della Misura Operatore-Valori Positiva (POVM) $\{\Pi_i\}$ che caratterizzano un apparato di misura ignoto. A differenza della Tomografia dello Stato Quantistico (QST) e della Tomografia del Processo Quantistico (QPT), che dispongono di framework di discesa del gradiente ben stabiliti, la QMT ha tardato nell'adottare metodi di ottimizzazione stocastica. Gli approcci esistenti alla QMT si affidano principalmente all'Ottimizzazione Convessa Vincolata (CCO) tramite programmazione semi-definita (ad esempio, tramite CVX). Tali metodi affrontano due ostacoli significativi:

1. Scalabilità Computazionale: Il numero di parametri scala esponenzialmente con la dimensione del sistema (numero di qubit), rendendo la CCO computazionalmente proibitiva per sistemi con più di pochi qubit.
2. Robustezza: I metodi di inversione lineare standard, spesso usati come precursore della CCO, sono mal condizionati e altamente sensibili al rumore, portando a stime non fisiche che degradano il successivo raffinamento.

Sebbene esista la stima di Massima Verosimiglianza iterativa (iMLE), essa spesso fatica a imporre rigorosamente i vincoli fisici (positività e completezza) durante tutto il processo di ottimizzazione, richiedendo talvolta proiezioni post-hoc che ostacolano la convergenza.

Metodologia
Gli autori introducono un framework di Discesa del Gradiente Stocastica (SGD) mini-batch per la QMT, completando il trio di metodi basati sulla discesa del gradiente (insieme a QST e QPT). Il nucleo della metodologia consiste nel riformulare la QMT come un problema di minimizzazione iterativa di funzioni. Per garantire che gli elementi POVM stimati rimangano fisicamente validi (semi-definiti positivi e completi) in ogni momento durante l'ottimizzazione, gli autori propongono due distinti schemi di parametrizzazione:

1. Parametrizzazione della Varietà di Stiefel (SM):

   • Questo approccio sfrutta la geometria della varietà di Stiefel complessa $St(k \cdot d, d)$.
   • Gli elementi POVM sono costruiti come $\Pi_i = T_i^\dagger T_i$, dove le matrici $T_i$ sono impilate verticalmente in una singola matrice $T_k$.
   • Il vincolo di completezza $\sum \Pi_i = I$ è intrinsecamente garantito mantenendo il vincolo di ortonormalità $T_k^\dagger T_k = I$.
   • L'ottimizzazione viene eseguita utilizzando la Discesa del Gradiente Vanilla (VGD) con una procedura di ritrazione (trasformata di Cayley) per mantenere i parametri sulla varietà.

2. Parametrizzazione HONEST (Tecnica di Scalatura degli Autovalori per Operatori Ermitiani Normalizzati):

   • Questo approccio costruisce operatori positivi semi-definiti non normalizzati tramite decomposizione di Cholesky ($T_i^\dagger T_i$).
   • La completezza è imposta tramite un passaggio di normalizzazione proiettiva. La somma degli operatori non normalizzati $S = \sum T_i^\dagger T_i$ viene calcolata, e la sua radice quadrata inversa $S^{-1/2}$ viene derivata tramite scalatura degli autovalori (con regolarizzazione spettrale per gestire le instabilità numeriche).
   • Gli elementi POVM finali sono ottenuti tramite "sandwiching": $\Pi_i = S^{-1/2} T_i^\dagger T_i S^{-1/2}$.
   • Questo schema è ottimizzato utilizzando l'ottimizzatore Adam basato sul momentum.

Funzioni di Perdita
Il framework valuta due funzioni di perdita per guidare l'ottimizzazione:

• Errore Quadratico Medio (MSE): Equivalente alla norma $L_2$, minimizza la discrepanza tra probabilità osservate e previste.
• Log-Verosimiglianza Negativa Media (MLE): Ispirata alla stima di Massima Verosimiglianza, minimizza la log-verosimiglianza negativa dei dati osservati.

Contributi Chiave

• Completamento Algoritmico: Il lavoro fornisce i primi algoritmi SGD dedicati alla QMT, completando lo strumento di discesa del gradiente per tutte e tre le componenti fondamentali degli esperimenti quantistici (stati, processi e misurazioni).
• Gestione dei Vincoli Fisici: L'introduzione delle parametrizzazioni SM e HONEST assicura che i vincoli fisici siano soddisfatti durante il processo di ottimizzazione, eliminando la necessità di proiezioni post-hoc che possono interrompere la convergenza.
• Scalabilità: L'approccio mini-batch consente una gestione efficiente di grandi dataset e scala significativamente meglio dei metodi CCO tradizionali all'aumentare della dimensione del sistema.
• Implementazione Open Source: Un'implementazione Python è resa pubblicamente disponibile per facilitare l'adozione e la ricerca ulteriore.

Risultati
Gli autori hanno confrontato i loro algoritmi SGD-QMT con i metodi CCO all'avanguardia (usando CVX) sia su sistemi a Variabili Discrete (DV) che su sistemi a Variabili Continue (CV).

• Sistemi a Variabili Discrete (fino a 6 qubit):

  • Efficienza Computazionale: Per sistemi con 4 o più qubit, i metodi SGD-QMT hanno ottenuto accelerazioni di diversi ordini di grandezza rispetto a CCO-CVX. Ad esempio, ricostruire un sistema a 5 qubit con 32 elementi POVM ha richiesto circa 1000 secondi con CCO-CVX, ma solo decine di secondi con SGD-QMT. CCO-CVX non è riuscito a convergere entro un tempo ragionevole per sistemi a 6 qubit, mentre SGD-QMT ha avuto successo in circa due minuti.
  • Fedeltà di Ricostruzione: Sebbene CCO-CVX offra una fedeltà leggermente superiore per sistemi di piccole dimensioni (fino a 3-4 qubit), SGD-QMT mantiene un'alta accuratezza (errore di Frobenius $\sim 10^{-4}$ a $10^{-5}$) per sistemi più grandi dove CCO fallisce.
  • Miglior Performer: La combinazione HONEST-MLE (parametrizzazione HONEST con perdita MLE) ha costantemente prodotto l'accuratezza di ricostruzione più elevata, in particolare per le misurazioni proiettive di rango 1.

• Sistmi a Variabili Continue (Rilevamento e Conteggio di Fotoni):

  • I metodi sono stati testati su scenari di rilevamento di fotoni (2 esiti) e conteggio di fotoni (esiti multipli) con una dimensione dello spazio di Hilbert troncata a 32.
  • Conteggio di Fotoni: Questo scenario si è rivelato computazionalmente impegnativo, richiedendo fino a 10.000 iterazioni. HONEST-MLE ha raggiunto una norma di Frobenius media di $\sim 10^{-4}$, superando significativamente le altre varianti. CCO-CVX non è riuscito a produrre una soluzione entro un'ora per questi casi.
  • Accuratezza: Le mappe di calore degli operatori ricostruiti hanno mostrato un recupero quasi perfetto degli elementi diagonali e un'alta accuratezza per gli elementi fuori diagonale, validando la validità fisica delle ricostruzioni.

Significato e Rivendicazioni
L'articolo sostiene che la SGD-QMT offre un framework versatile, efficiente e robusto per la caratterizzazione di dispositivi di misura quantistica, particolarmente quando i sistemi quantistici scalano oltre le capacità dell'ottimizzazione convessa tradizionale. Completando il "trio della tomografia" con metodi di discesa del gradiente, gli autori forniscono un approccio unificato per i protocolli QCVV.

Gli autori sottolineano che, sebbene i loro metodi siano computazionalmente efficienti e robusti al rumore, non pretendono di sostituire la CCO per sistemi su piccola scala dove la CCO rimane più veloce e leggermente più accurata. Al contrario, il significato risiede nel rendere possibile la QMT per sistemi più grandi e ad alta dimensionalità (ad esempio, 5-6 qubit e sistemi CV) dove i metodi standard diventano intrattabili. Il lavoro suggerisce che HONEST-MLE sia la configurazione più efficace, specialmente per le misurazioni proiettive, e evidenzia il potenziale per futuri problemi di ottimizzazione unificati che combinino la tomografia di stato, processo e misura.