Sintesi Tecnica: Apprendimento Lindblasiano Efficiente e Robusto rispetto al SPAM (Senza Ansatz)

Definizione del Problema

La caratterizzazione dei sistemi quantistici aperti è essenziale per il calcolo quantistico tollerante ai guasti. Mentre l'apprendimento hamiltoniano per sistemi unitari privi di rumore è ben studiato, i dispositivi quantistici reali sono intrinsecamente dissipativi e soggetti a rumore. La dinamica di tali sistemi aperti è governata dal generatore Lindblasiano $\mathcal{L}$. Gli approcci esistenti all'apprendimento Lindblasiano affrontano due sfide primarie:

1. Intrattabilità Computazionale: Molti algoritmi si basano su assunzioni strutturali (ad esempio, la località) o richiedono la risoluzione di sistemi lineari che scalano esponenzialmente con il numero di qubit nel caso peggiore, rendendoli impraticabili per sistemi grandi.
2. Sensibilità al SPAM: Gli errori di Preparazione dello Stato e Misurazione (SPAM) degradano significativamente i protocolli di apprendimento. Sebbene esista una certa robustezza, le tecniche generali spesso comportano un overhead esponenziale. Inoltre, il rumore SPAM introduce gradi di libertà di gauge, rendendo i Lindbladiani distinti operativamente indistinguibili e rendendo alcune componenti del generatore fondamentalmente non apprendibili.

Questa tesi affronta le seguenti domande: I Lindbladiani possono essere appresi con un tempo di evoluzione efficiente e post-elaborazione classica polinomiale senza assunzioni strutturali pregresse? Quali componenti di un Lindblasiano rimangono apprendibili in presenza di errori SPAM generici, e possono essere estratti efficientemente?

Metodologia

1. Apprendimento Senza Rumore (Capitolo 3)

L'autore propone un algoritmo senza ansatz (ansatz-free) che evita la risoluzione di sistemi lineari di dimensioni esponenziali sfruttando il campionamento Bell.

• Apprendimento del Supporto: L'algoritmo utilizza il campionamento Bell su $n$ coppie di Bell per sondare il supporto del Lindblasiano. Evolvendo uno stato di Bell sotto il canale $e^{t\mathcal{L}}$ e misurando nella base di Bell, la probabilità di campionare un operatore di Pauli specifico $P_k$ è proporzionale ai coefficienti diagonali della matrice Chi ($\chi_{kk}$).
  • Supporto del Dissipatore: Campionato con probabilità $\approx \chi_{kk}t$ per piccoli valori di $t$.
  • Supporto Hamiltoniano: Campionato con probabilità $\approx \text{Im}[\chi_{k0}]^2 t^2$. L'algoritmo impiega diversi tempi di evoluzione ($t \sim O(\epsilon/M^2)$ per i dissipatori rispetto a $t \sim O(\epsilon^2/M^4)$ per gli hamiltoniani) per controllare gli errori della serie di Taylor mantenendo la scalabilità limitata da Heisenberg.
• Apprendimento dei Coefficienti: Una volta identificato il supporto, l'algoritmo stima i coefficienti:
  • Elementi Diagonali: Stimati direttamente tramite la frequenza degli esiti del campionamento Bell.
  • Elementi Fuori Diagonale: Estratti applicando specifici operatori di Clifford o isometrie (operatori di Kraus) prima del campionamento Bell. Queste trasformazioni mescolano i termini fuori diagonale in osservabili diagonali, permettendo il recupero delle componenti reali e immaginarie tramite combinazioni lineari delle probabilità di campionamento.
• Complessità: L'algoritmo raggiunge un'accuratezza $\epsilon$ nel tempo di evoluzione totale $T = \tilde{O}(M^4/\epsilon^4)$, dove $M$ è la sparsità del Lindblasiano. La post-elaborazione classica è polinomiale.

2. Apprendimento Robusto rispetto al SPAM (Capitolo 4)

Per affrontare gli errori SPAM, la tesi introduce un framework basato sul twirling di Pauli e l'analisi del gauge.

• Gradi di Libertà di Gauge: L'autore caratterizza rigorosamente la libertà di gauge indotta dal rumore SPAM. Viene dimostrato che, sotto errori SPAM generici, specifiche componenti della matrice Chi sono non apprendibili:
  • $\text{Re}[\chi_{ij}]$ dove $[P_i, P_j] = 0$ (commutanti).
  • $\text{Im}[\chi_{ij}]$ dove $\{P_i, P_j\} = 0$ (anticommutanti).
    Queste componenti possono essere spostate arbitrariamente da una trasformazione di gauge che coinvolge canali depolarizzanti globali senza cambiare i risultati sperimentali.
• Componenti Apprendibili: Le restanti componenti "indipendenti dal gauge" sono apprendibili.
• Protocollo:
  • Twirling: L'evoluzione Lindblasiana è approssimata tramite il Pauli-twirling del canale. Questo sopprime i contributi fuori diagonale, convertendo il problema nell'apprendimento di un Lindblasiano di Pauli.
  • Stima degli Autovalori: Preparando gli autostati degli operatori di Pauli e misurando i tassi di decadimento a diversi tempi, l'algoritmo stima gli autovalori del canale twirled. I rapporti tra questi autovalori cancellano i contributi dell'errore SPAM.
  • Compressed Sensing: I coefficienti vengono recuperati risolvendo un problema di compressed sensing (utilizzando l'ottimizzazione $\ell_1$) per gestire la sparsità.
  • Termini Hamiltoniani: L'apprendimento dei termini hamiltoniani richiede un'analisi del secondo ordine (proporzionale a $t^2$) a causa della loro soppressione sotto il twirling, portando a una maggiore complessità di campionamento.

Risultati Chiave

1. Apprendimento Senza Rumore

• Risultato: Un algoritmo efficiente e senza ansatz per l'apprendimento di Lindbladiani sparsi e potenzialmente non locali.
• Performance: Raggiunge un'accuratezza $\epsilon$ nel tempo di evoluzione $T = \tilde{O}(M^4/\epsilon^4)$.
• Significato: Questo è il primo algoritmo che riesce a ottenere una post-elaborazione classica polinomiale senza assumere la località, eguagliando la complessità di campionamento di recenti approcci basati sulle derivate pur evitando il loro overhead classico esponenziale.

2. Apprendimento Robusto rispetto al SPAM

• Risultato 1 (Non-apprendibilità): Una caratterizzazione rigorosa che dimostra come, sotto rumore SPAM di ordine costante, specifiche componenti reali e immaginarie della matrice Chi siano fondamentalmente non apprendibili.
• Risultato 2 (Protocollo Generale): Un protocollo efficiente per apprendere tutte le componenti indipendenti dal gauge con tempo di evoluzione $T = \tilde{O}(M^{13}n/\epsilon^8)$.
• Risultato 3 (Supporto Conosciuto): Se il supporto del Lindblasiano è noto a priori (ad esempio tramite assunzioni di $k$-località), la post-elaborazione classica diventa polinomiale (convertendo l'ottimizzazione $\ell_1$ in $\ell_2$) e il tempo di evoluzione migliora a $T = \tilde{O}(M^5 n/\epsilon^3)$.

Significato e Rivendicazioni

La tesi rivendica di fornire il primo algoritmo di apprendimento Lindblasiano efficiente, senza ansatz, con post-elaborazione classica in tempo polinomiale. Rivendica inoltre la prima caratterizzazione rigorosa dei gradi di libertà di gauge nell'apprendimento Lindblasiano rumoroso e il primo protocollo efficiente e robusto rispetto al SPAM capace di apprendere le componenti indipendenti dal gauge con precisione arbitraria sotto errori SPAM di ordine costante.

Il lavoro evidenzia che, sebbene il rumore SPAM imponga limiti fondamentali alla apprendibilità (rendendo alcune componenti non osservabili), i parametri fisici rimanenti possono essere recuperati efficientemente. L'autore nota che l'attuale collo di bottiglia per l'apprendimento hamiltoniano in contesti rumorosi è la scalabilità $1/\epsilon^8$, che potrebbe essere migliorata con tecniche come il metodo di Prony o l'inversione approssimata, ma tali miglioramenti rimangono questioni aperte.

Il documento conclude osservando che, sebbene il framework Lindblasiano sia limitato alle dinamiche Markoviane, questi metodi offrono una via per caratterizzare modelli di errore sparsi e non locali senza assunzioni strutturali pregresse, potendo potenzialmente abilitare il vantaggio quantistico nell'apprendimento di campi casuali di Markov. L'autore riconosce il lavoro indipendente concorrente di [38] che esplora un simile apprendimento senza ansatz tramite la correzione degli errori quantistici adattiva.