Efficient implementation of arbitrary Hermitian-preserving and trace-preserving maps

Sintesi Tecnica: Implementazione Efficiente di Mappe Arbitrarie Preservanti l'Ermiticità e la Traccia

Definizione del Problema
Il controllo quantistico ha permesso con successo l'implementazione di mappe completamente positive e preservanti la traccia (CPTP) arbitrarie, che descrivono processi quantistici fisicamente realizzabili. Tuttavia, una frontiera critica rimane l'implementazione di mappe preservanti l'ermiticità e la traccia (HPTP). A differenza delle mappe CPTP, le mappe HPTP non garantiscono la positività, il che significa che possono rappresentare processi non fisici come la trasposizione parziale (utilizzata per il rilevamento dell'entanglement), canali di rumore inverso (centrali per la mitigazione dell'errore quantistico, o QEM) e mappe intermedie non-CP nella dinamica non-markoviana. I metodi esistenti per realizzare mappe HPTP affrontano limitazioni significative:

1. Approcci di decomposizione: Decomporre una mappa HPTP in due mappe CPTP seguite da post-elaborazione richiede la programmazione semidefinita per l'ottimizzazione e si è rivelato sperimentalmente limitato ai sistemi a singolo qubit.
2. Approcci Hamiltoniani: La costruzione di Hamiltoniani bipartiti per approssimare mappe HPTP richiede un sistema ancilla con la stessa dimensione del sistema target, portando a elevati costi di risorse.

Metodologia
Gli autori propongono un metodo completamente costruttivo e efficiente dal punto di vista delle risorse per implementare mappe HPTP arbitrarie utilizzando una singola mappa CPTP eseguibile seguita da una semplice post-elaborazione classica. Il nucleo del metodo prevede tre passaggi:

1. Normalizzazione: Data una mappa HPTP target $\mathcal{N}$ con operatori di Kraus $\{K_i\}$ e segni $\alpha(i) \in \{1, -1\}$ (derivati dagli autovalori della matrice di Choi), gli autori normalizzano la somma $\sum K_i^\dagger K_i$ mediante un fattore $\gamma$ (il più grande autovalore di questa somma). Ciò produce operatori riscalati $\tilde{K}_i = K_i / \sqrt{\gamma}$.
2. Completamento: Per garantire che la mappa risultante sia una valida mappa CPTP, viene introdotto un operatore di Kraus aggiuntivo: $\tilde{K}_{r+1} = (I - \sum_{i=1}^r \tilde{K}_i^\dagger \tilde{K}_i)^{1/2}$. Questo garantisce la condizione di completezza $\sum_{i=1}^{r+1} \tilde{K}_i^\dagger \tilde{K}_i = I$. La mappa CPTP risultante, $\mathcal{E}_\mathcal{N}$, ha un rango di Kraus al massimo $r+1$, dove $r$ è il rango intrinseco della mappa HPTP target.
3. Post-elaborazione: Il circuito fisico implementa $\mathcal{E}_\mathcal{N}$. Per recuperare il valore di aspettazione di un osservabile $O$ sotto la mappa HPTP originale $\mathcal{N}$, i risultati della misura vengono sottoposti a post-elaborazione classica. Nello specifico, gli esiti corrispondenti ai primi $r$ rami di Kraus sono pesati per $\alpha(i)\gamma$, mentre gli esiti corrispondenti al $(r+1)$-esimo ramo sono pesati per zero.

Implementazione del Circuito
Il metodo utilizza un circuito quantistico strutturato ad albero binario, precedentemente sviluppato per mappe CPTP, per implementare la mappa CPTP costruita $\mathcal{E}_\mathcal{N}$.

• Risorse: Il protocollo richiede un singolo qubit ancilla a due livelli (riutilizzato tramite misura, reset e feedback) e un registro classico per memorizzare gli esiti delle misure.
• Profondità: La profondità del circuito scala come $\lceil \log_2(r+1) \rceil$, offrendo una scalabilità logaritmica con il rango di Kraus.
• Mappe Successive: Per sequenze di mappe HPTP, gli autori propongono di concatenare i corrispondenti circuiti quantistici ed eseguire un singolo passaggio di post-elaborazione alla fine, evitando la necessità di ri-preparare gli stati quantistici tra i passaggi.

Risultati Chiave
Il documento valida il metodo attraverso simulazioni numeriche e analisi teorica:

• Mitigazione dell'Errore Quantistico (QEM): Il metodo è stato applicato per invertire canali di rumore (smorzamento di ampiezza, depolarizzazione e dephasing) per sistemi a singolo e doppio qubit. I risultati numerici mostrano riduzioni sostanziali dell'overhead di campionamento (varianza) rispetto ai precedenti metodi di decomposizione.
• Sistemi Bosonici: Le simulazioni su canali di perdita di fotoni bosonici dimostrano che il metodo proposto scala linearmente con la dimensione del sistema $d$ (rango di Kraus $\approx d+1$). Al contrario, i precedenti metodi di decomposizione producono mappe CPTP quasi a pieno rango ($d^2$), rendendoli impraticabili per sistemi ad alta dimensionalità.
• Analisi della Varianza: Gli autori derivano un'espressione analitica per la varianza single-shot dello stimatore. Dimostrano che l'overhead di campionamento è trasparente e analiticamente garantito, contrastando con i metodi che si affidano a ottimizzazioni numeriche dove l'overhead è determinato dai coefficienti delle mappe decomposte.
• Varianza Media rispetto a Haar: Le previsioni teoriche per stati di input e osservabili distribuiti secondo la misura di Haar confermano l'efficienza del metodo, in particolare per canali unitali.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro fornisce una via pratica per applicazioni più ampie nell'informazione quantistica abilitate dall'elaborazione HPTP. I principali vantaggi evidenziati includono:

• Efficienza delle Risorse: Il metodo richiede significativamente meno risorse quantistiche (specificamente, un singolo ancilla a due livelli) rispetto agli approcci basati su Hamiltoniani e evita i requisiti di ancilla ad alta dimensionalità dei metodi precedenti.
• Natura Costruttiva: Il protocollo è completamente costruttivo e deterministico, eliminando la necessità di ottimizzazione tramite programmazione semidefinita numerica.
• Scalabilità: La profondità del circuito logaritmica e la scalabilità lineare del rango di Kraus con la dimensione del sistema rendono l'approccio adatto all'hardware NISQ (near-term) e a contesti ad alta dimensionalità.
• Versatilità: Abilitando la realizzazione efficiente di mappe non fisiche, il framework supporta applicazioni nel rilevamento dell'entanglement, nella mitigazione dell'errore quantistico, nella simulazione quantistica e nell'apprendimento automatico quantistico.

L'articolo conclude che questi risultati validano l'efficienza e la versatilità del framework proposto, offrendo una soluzione scalabile per l'implementazione di arbitrarie mappe HPTP senza i colli di bottiglia delle risorse delle tecniche precedenti.