DifGa: Differentiable Error Mitigation for Multi-Mode Gaussian and Non-Gaussian Noise in Quantum Photonic Circuits

Sintesi Tecnica di "DifGa: Mitigazione dell'Errore Differenziabile per Rumore Gaussiano e Non-Gaussiano Multi-Modo in Circuiti Fotonici Quantistici"

Problematica
I circuiti fotonici quantistici a variabili continue (CV), che utilizzano operazioni gaussiane e hardware a temperatura ambiente, sono promettenti per l'elaborazione dell'informazione quantistica scalabile. Tuttavia, questi sistemi sono fondamentalmente limitati dalla perdita ottica, dal disallineamento dei modi e dalla deriva di fase. Sebbene i codici di correzione degli errori quantistici bosonici (come il GKP) offrano la tolleranza ai guasti, essi richiedono risorse non gaussiane, un elevato squeezing e misurazioni complesse che sono attualmente oltre le capacità di processori fotonici a breve termine come Borealis di Xanadu.

Al contrario, le tecniche di mitigazione dell'errore esistenti sviluppate per sistemi basati su qubit (ad esempio, l'estrapolazione dello zero-rumore) non si traducono nei sistemi CV perché il rumore gaussiano agisce sui momenti dello spazio delle fasi piuttosto che su operatori di Pauli discreti. Inoltre, rigorosi teoremi di non-esistenza (Niset et al., Ohliger et al.) stabiliscono che la correzione perfetta degli errori quantistici gaussiani per il rumore gaussiano è impossibile utilizzando solo operazioni gaussiane e ancille nel vuoto. Di conseguenza, vi è una mancanza di un framework differenziabile e compatibile con l'hardware, capace di mitigare il rumore nei circuiti fotonici CV operando strettamente all'interno del regime gaussiano e mirando a osservabili sperimentalmente accessibili.

Metodologia
Gli autori introducono DifGa (Differentiable Gaussian Error Mitigation), un framework completamente differenziabile progettato per sopprimere la degradazione indotta dal rumore degli osservabili delle quadrature ($\langle \hat{x} \rangle$ e $\langle \hat{p} \rangle$) senza tentare il recupero completo dello stato. La metodologia si basa sui seguenti componenti:

• Ambiente di Simulazione: Il framework utilizza il backend default.gaussian di PennyLane, che rappresenta gli stati quantistici tramite i loro primi e secondi momenti statistici (vettore medio e matrice di covarianza), consentendo la differenziazione automatica end-to-end.
• Architettura del Circuito: Il sistema impiega un'architettura multi-modo composta da un modo di segnale, un modo ancilla e un modo ambientale (per modellare la perdita).
  • Codifica: Gli stati di input sono preparati utilizzando operazioni di squeezing e displacement, seguite da un beam splitter di entanglement.
  • Modellazione del Rumore:
    • Perdita Gaussiana: Modellata come un'interazione di beam splitter con un ambiente nel vuoto con trasmissività $\eta \in [0.3, 0.95]$.
    • Rumore Non-Gaussiano: Un debole jitter di fase non-gaussiano è incorporato tramite una miscela Monte-Carlo differenziabile di rotazioni di fase casuali con ampiezze di jitter $\delta \in [0, 0.7]$.
• Livello di Recupero Addestinabile: Un livello gaussiano addestinabile a sei parametri viene aggiunto al circuito, agendo localmente sui modi di segnale e ancilla. Questo livello consiste in rotazioni di fase locali e displacement complessi.
• Ottimizzazione: I parametri di recupero sono ottimizzati tramite discesa del gradiente per minimizzare una funzione di perdita quadratica definita come la differenza al quadrato tra le aspettative di quadratura ideali e rumorose. Il framework supporta sia l'addestramento gaussiano puro che l'addestramento "noise-aware" utilizzando la media Monte-Carlo per scenari non gaussiani.

Contributi Chiave

1. Prima Mitigazione Gaussiana End-to-End Differenziabile: Il documento presenta il primo framework per la progettazione di protocolli di mitigazione esclusivamente gaussiani che sono completamente differenziabili e compatibili con l'attuale hardware fotonico, evitando la necessità di stati ancilla non gaussiani.
2. Propagazione del Gradiente attraverso Stati Misti: Gli autori dimostrano che i gradienti possono essere propagati attraverso simulazioni gaussiane complete di stati misti (inclusi i mix Monte-Carlo per il rumore non gaussiano) utilizzando PennyLane, consentendo l'ottimizzazione classica di interferometri consapevoli del rumore.
3. Mitigazione a Livello di Osservabile: Il lavoro sposta l'obiettivo dalla impossibile correzione dello stato completo alla pratica restaurazione delle aspettative di quadratura del primo momento, un regime in cui le operazioni gaussiane possono essere efficaci.
4. Validazione Empirica dell'Assistenza Ancillare: Lo studio dimostra numericamente che anche circuiti di recupero gaussiani superficiali, se assistiti da modi ancillari, possono sopprimere gli errori di ricostruzione di diversi ordini di grandezza sotto una perdita moderata.

Risultati

• Mitigazione della Perdita Gaussiana: Sotto pura perdita gaussiana, il livello di recupero ottimizzato sopprime l'errore di ricostruzione a una precisione quasi vicina a quella di macchina ($< 10^{-30}$) per trasmissività moderate ($\eta \geq 0.5$). Anche a una trasmissività inferiore ($\eta = 0.3$), gli errori rimangono estremamente piccoli ($\sim 10^{-38}$).
• Multi-Modo vs. Singolo Modo: Le architetture multi-modo superano significativamente i baseline a singolo modo. Mentre un baseline a singolo modo senza recupero produce un errore di $\sim 1.7 \times 10^{-1}$, il baseline multi-modo riduce questo valore passivamente a $\sim 1.0 \times 10^{-1}$. Con il livello di recupero attivo e addestrinabile, il sistema multi-modo porta l'errore a zero numerico ($\sim 10^{-41}$), rappresentando un miglioramento di due ordini di grandezza rispetto al baseline multi-modo.
• Robustezza Non-Gaussiana: Quando addestrato esplicitamente con jitter di fase non gaussiano, il livello di recupero generalizza efficacemente. Per ampiezze di jitter di fase $\delta \leq 0.2$, l'errore rimane al di sotto di $10^{-3}$. Sebbene le prestazioni degradino all'aumentare di $\delta$, l'addestramento noise-aware riduce gli errori di più di un ordine di grandezza rispetto al recupero addestrato su modelli gaussiani per alti livelli di jitter ($\delta = 0.7$).
• Scalabilità e Costo: Il costo computazionale scala linearmente con il numero di campioni Monte-Carlo ($K$). I benchmark di runtime confermano una scalabilità prevedibile, con dimensioni di campione moderate ($K=8\text{--}16$) che forniscono una mitigazione robusta con tempi di esecuzione inferiori a 10 secondi. L'aumento del numero di modi ($M$) migliora ulteriormente le prestazioni di mitigazione, portando gli errori alla precisione numerica in tutto l'intervallo testato.

Significatività e Rivendicazioni
Il documento posiziona DifGa non come una violazione dei noti teoremi di non-esistenza gaussiani, ma come un approccio complementare e sperimentalmente rilevante. Gli autori dichiarano esplicitamente di non rivendicare il raggiungimento della correzione degli errori logici fault-tolerant o del recupero completo dello stato. Invece, la significatività risiede nel fornire una strategia di soppressione del rumore nativa per il software e allineata all'hardware per i processori fotonici near-term.

Operando interamente all'interno dello spazio sussistema gaussiano utilizzando componenti fisicamente realizzabili (squeezing, displacement, beam splitter) e ancille nel vuoto, DifGa offre un percorso pratico per migliorare la fedeltà degli osservabili misurabili in circuiti fotonici rumorosi. Il framework sfrutta la simulabilità classica dei circuiti gaussiani (come notato da Mari ed Eisert) come una caratteristica abilitante per un'efficiente ottimizzazione basata sul gradiente, distinguendosi dagli schemi di correzione degli errori non gaussiani che richiedono risorse attualmente non disponibili nelle piattaforme fotoniche integrate.