Rapid Gaussian Boson Sampling Circuit Screening for GKP States Creation via a Two-Stage Machine Learning Surrogate

Sintesi Tecnica: Screening Rapido di Circuiti di Gaussian Boson Sampling per la Creazione di Stati GKP tramite un Surrogate di Machine Learning a Due Stadi

Definizione del Problema
La generazione di stati Gottesman–Kitaev–Preskill (GKP) è un requisito critico per l'informatica quantistica fotonica scalabile e tollerante ai guasti. Sebbene il Gaussian Boson Sampling (GBS) offra una via promettente basata interamente sui fotoni per generare questi stati non gaussiani tramite non linearità indotta dalla misura, la progettazione pratica dei circuiti GBS è ostacolata dall'intrattabilità computazionale. Valutare una singola configurazione di circuito richiede il calcolo di hafiani di matrici, che sono funzioni #P-complete. Per un circuito a cinque modi con una troncatura dello spazio di Fock $n_{\text{max}}=12$, la valutazione di una singola coppia (circuito, pattern di herald) richiede circa cinque minuti su una workstation moderna. L'esplorazione sistematica dello spazio dei parametri per trovare circuiti che producano stati GKP ad alta fedeltà ($F \geq 0,90$) con una probabilità di post-selezione sufficiente è quindi computazionalmente proibitiva, poiché richiederebbe migliaia di tali valutazioni.

Metodologia
Gli autori propongono la GKP Circuit ML Pipeline v2, un framework surrogate di machine learning a due stadi progettato per lo screening rapido di circuiti GBS candidati, riservando le costose simulazioni quantistiche esatte solo ai candidati più promettenti. La pipeline si basa sui seguenti principi architettonici:

1. Architettura a Cascata:

   • Stadio 1 (Classificatore di Pattern): Un HistGradientBoostingClassifier predice il pattern di herald ottimale (distribuzione del numero di fotoni tra i modi misurati) direttamente dai parametri del circuito. Questo passaggio affronta l'esplosione combinatoria dei pattern validi.
   • Stadio 2 (Regressor): Due modelli HistGradientBoostingRegressor predicono la fedeltà del circuito ($F$) e il logaritmo della probabilità di post-selezione ($\log_{10} p$). Fondamentalmente, questi modelli condizionano le loro predizioni all'output dello Stadio 1, sfruttando esplicitamente la dipendenza fisica tra la struttura del numero di fotoni heraldato e la qualità dello stato di output ottenibile.

2. Ingegneria delle Caratteristiche (Feature Engineering):
   Per generalizzare tra circuiti con diversi conteggi di modi (3, 4 o 5 modi) senza riaddestramento, la pipeline utilizza una rappresentazione delle caratteristiche a dimensione fissa. Questa include:

   • Parametri Raw: Ampiezze di squeezing zero-padded, angoli di miscelazione dei beam splitter e fasi.
   • Metadati di Configurazione: $n_{\text{max}}$, numero di modi e squeezing target $\Delta$.
   • Aggregati derivati dalla Fisica: Undici statistiche specifiche del dominio (ad es. potenza di squeezing totale, uniformità di accoppiamento, coerenza di fase) che catturano le proprietà globali del circuito.
   • Statistiche del Pattern: (Solo per lo Stadio 2) Statistiche che riassumono il pattern di herald predetto.

3. Strategia di Validazione Condizionale:
   Il surrogate non agisce come un predittore autonomo. Funziona invece come un meccanismo di gating computazionale. Qualsiasi circuito predetto come capace di generare GKP ($F \geq 0,90$) è immediatamente sottoposto a una simulazione quantistica esatta completa utilizzando Strawberry Fields e thewalrus. Ciò garantisce che le metriche finali riportate (fedeltà, probabilità di successo, funzione di Wigner, negatività logaritmica di Wigner) siano fisicamente verificate, mentre il surrogate filtra la stragrande maggioranza dei candidati a basse prestazioni.

Risultati Chiave
La pipeline è stata addestrata su 689 configurazioni di circuiti pre-ottimizzati ed è stata valutata su un set di 170 campioni tenuti separati (hold-out).

• Accuratezza di Rilevamento GKP: Il surrogate ha raggiunto un'accuratezza del 90,0% nell'identificare circuiti capaci di produrre stati GKP ($F \geq 0,90$). Ciò rappresenta un miglioramento di 23,7 punti percentuali rispetto al baseline della classe maggioritaria (che predice sempre "capace di GKP").
• Prestazioni di Regressione:
  • Fedeltà: Il modello predice la fedeltà con un Errore Assoluto Medio (MAE) di 0,032 sul set di test, spiegando circa il 76% della varianza ($R^2 = 0,760$).
  • Probabilità: Il modello predice la probabilità di post-selezione su scala logaritmica con un $R^2$ di 0,837 e un MAE di 0,432 (in unità logaritmiche), corrispondente a un errore medio di circa mezzo ordine di grandezza.
• Efficienza Computazionale: Il surrogate riduce lo screening da minuti (o ore per ricerche esaustive) a 1–5 millisecondi per circuito. Per una ricerca che coinvolge 10.000 candidati, questo approccio riduce il carico computazionale totale da circa 12.500 ore-CPU (valutazione esaustiva) a 1.250 ore-CPU (filtraggio guidato dal surrogate), un'accelerazione di dieci volte.
• Modalità di Fallimento: Lo studio identifica una modalità di fallimento sistematica in cui il surrogate fallisce su circuiti con convenzioni di segno dei parametri sottorappresentate nei dati di addestramento (ad es. predice $F \approx 0,99$ per un circuito che in realtà produce $F \approx 0,30$). Tuttavia, il passaggio obbligatorio di validazione condizionale intercetta con successo questi errori, impedendo loro di propagarsi alle proposte sperimentali.

Significato e Rivendicazioni
L'articolo sostiene che questa pipeline surrogate a due stadi fornisce una soluzione pratica al collo di bottiglia del design di circuiti GBS per la generazione di stati GKP. Combinando lo screening rapido tramite machine learning con una rigorosa validazione tramite simulazione esatta, il framework consente un'esplorazione dei parametri su larga scala precedentemente intrattabile.

Gli autori sottolineano che il sistema non è un predittore autonomo, ma un filtro computazionale. Il suo contributo primario è la capacità di esaminare miglia di configurazioni in millisecondi, identificando un piccolo sottoinsieme di candidati ad alto potenziale per la verifica costosa. Il documento riconosce modestamente i limiti, inclusa la sensibilità del modello alle convenzioni di segno al di fuori della distribuzione di addestramento e il tasso di classificazione errata del 36% del classificatore di pattern dello Stadio 1, che introduce errori a cascata nello Stadio 2. Gli autori concludono che, sebbene il surrogate acceleri significativamente il processo di design, il passaggio obbligatorio di simulazione esatta rimane la garanzia essenziale di affidabilità per il framework.