Post-processing optimization and optimal bounds for non-adaptive shadow tomography

Sintesi Tecnica: Ottimizzazione del Post-processing e Limiti Ottimali per la Tomografia d'Ombra Non Adattiva

Enunciato del Problema
La tomografia dello stato quantistico affronta requisiti di risorse proibitivi, portando allo sviluppo della tomografia d'ombra (shadow tomography) e delle ombre classiche (classical shadows), che seguono il paradigma "misura prima, chiedi dopo". Mentre le recenti adattamenti si sono concentrati sull'ottimizzazione dell'aspetto "misura prima" (operazioni quantistiche), la fase "chiedi dopo" (post-processing classico) ha ricevuto meno attenzione sistematica.

Nella tomografia lineare utilizzando POVM (Misure di Valore Positivo Operatore) informazionalmente sovracomplete, la mappatura dalle frequenze osservate a un estimatore non è univoca. Nello specifico, per una data POVM $\{E_j\}$ e un osservabile target $O$, esistono infiniti ricostruzioni lineari non corrette (insiemi di coefficienti $\vec{x}$) che soddisfano $O = \sum_j x_j E_j$. I protocolli standard utilizzano tipicamente una scelta "canonica" di coefficienti di ricostruzione, che è agnostica rispetto al target. Tuttavia, tale scelta canonica è generalmente subottimale per target specifici, portando a una varianza dell'estimatore inutilmente elevata e, di conseguenza, a una maggiore complessità di campionamento. Il problema centrale affrontato è come sfruttare sistematicamente la "libertà di gauge" nel post-processing per minimizzare la varianza peggiore dell'estimatore senza alterare lo schema di misurazione sperimentale sottostante.

Metodologia
Gli autori formulano la selezione dei coefficienti di ricostruzione ottimali come un problema di ottimizzazione minimax convessa. L'obiettivo è trovare un insieme di coefficienti $\vec{x}$ che minimizzi la varianza massima dell'estimatore $\hat{o}$ su tutti i possibili stati quantistici $\rho$.

1. Formulazione: Il problema è definito come:
   $$\min_{\vec{x} \in \mathcal{B}} \max_{\rho \in \mathcal{R}} f(\vec{x}, \rho) = \text{Var}[\hat{o} | \vec{x}, \rho]$$
   soggetto al vincolo $\sum_j x_j E_j = O$, dove $\mathcal{B}$ è un insieme limitato di coefficienti e $\mathcal{R}$ è l'insieme delle matrici densità valide.
2. Convessità e Convergenza: Gli autori dimostrano che, per un dato stato, la varianza è convessa in $\vec{x}$, e per coefficienti fissi, è concava in $\rho$. Data la natura compatta e convessa dell'insieme delle matrici densità, il teorema minimax è applicabile. Ciò garantisce l'esistenza di un punto di sella globale e permette l'inversione delle operazioni min/max, facilitando una soluzione numerica efficiente.
3. Algoritmo: L'algoritmo proposto risolve iterativamente i coefficienti ottimali $\vec{x}^*(\rho)$ per un dato stato (il che ammette una soluzione analitica che coinvolge l'inversa di una matrice dei coefficienti della POVM) e successivamente massimizza la funzione di varianza risultante sullo spazio degli stati. Questo approccio fornisce un limite superiore stretto e indipendente dallo stato sulla varianza ottenibile tramite post-processing classico.

Risultati Chiave
Il documento presenta esempi numerici che dimostrano come il post-processing ottimale della varianza possa superare significativamente le ricostruzioni canoniche standard:

• Osservabili di Prodotto: Per una POVM ristretta (proiettori di Pauli $X$ e $Z$) e osservabili target di prodotto tensoriale, i coefficienti ottimali non seguono necessariamente la struttura di prodotto della soluzione canonica.
  • Per specifici angoli target (ad es., proiettori sull'autostato $Z$), la varianza ottimale esibisce una scalabilità sub-lineare con il numero di qubit.
  • Ciò contrasta nettamente con l'estimatore canonico, che esibisce una scalabilità esponenziale nello stesso regime.
  • La soluzione ottimale è "entangled" nel senso che i coefficienti globali non possono essere decomposti in un semplice prodotto di coefficienti locali, anche se sia la misurazione che il target sono locali.
• Somma di Osservabili Locali: Per la stima della somma di osservabili di Pauli locali su una catena di spin (ad es., stima del campo magnetico esterno), i coefficienti globali ottimali deviano nuovamente dalla composizione lineare dei coefficienti canonici locali.
  • La scalabilità della complessità di campionamento per l'estimatore ottimale appare sub-esponenziale (suggerendo una scalabilità quadratica in alcuni regimi), mentre l'estimatore canonico mantiene un limite superiore costante che implica un comportamento di scalabilità diverso e meno favorevole per determinati parametri.

Significatività e Rivendicazioni
Il documento sostiene che l'overhead di campionamento spesso attribuito alla tomografia d'ombra non adattiva non è un limite fondamentale dello schema di misurazione stesso, ma è spesso una conseguenza di una ricostruzione subottimale.

• Libertà Operativa: Il lavoro operazionalizza la "libertà" nel post-processing, mostrando che è possibile determinare la costruzione dell'estimatore ideale dopo l'acquisizione dei dati senza modificare l'esperimento.
• Limiti Stretti: Il metodo proposto fornisce il limite di varianza indipendente dallo stato più stretto ottenibile per una data POVM e un osservabile, raffinando le garanzie standard della "norma d'ombra" (shadow norm).
• Miglioramenti della Scalabilità: Fondamentalmente, gli autori dimostrano che il post-processing ottimale può alterare la scalabilità qualitativa della complessità di campionamento con la dimensione del sistema (ad es., passando da esponenziale a sub-esponenziale/sub-lineare), e non solo migliorare i fattori preprefissi costanti.
• Design Adattivo al Task: L'approccio stabilisce un problema di design adattivo al task in cui l'estimatore è ottimizzato specificamente per l'osservabile target, spostando il paradigma da "misura prima, chiedi dopo" a "misura prima, elabora dopo, ma in modo ottimale".

Gli autori concludono che, sebbene l'attuale algoritmo si basi sull'ottimizzazione numerica, il framework apre la strada alla comprensione della struttura degli stati peggiori e allo sviluppo di varianti di ottimizzazione scalabili e vincolate per applicazioni più ampie, come le proprietà non lineari o la stima robusta sotto rumore sperimentale.