Fixed-Protocol Amortized MPS Tomography with Conformalized Predictive Uncertainty

Sintesi Tecnica: Tomografia MPS Amortizzata a Protocollo Fisso con Incertezza Predittiva Conformalizzata

1. Enunciato del Problema

La Tomografia dello Stato Quantistico (QST) affronta un fondamentale collo di bottiglia nella complessità campionaria: la ricostruzione di uno stato ignoto $\rho$ di $n$ qubit richiede tipicamente un numero di misurazioni che scala esponenzialmente con $n$. Sebbene i metodi strutturali (ad esempio, la tomografia Matrix Product State - MPS) e i metodi bayesiani riducano questo costo, essi spesso non riescono a sfruttare la realtà empirica secondo cui gli stati preparati in esperimenti specifici giacciono su una varietà stretta e apprendibile (ad esempio, stati fondamentali di una famiglia di Hamiltoniane).

Gli approcci esistenti alla QST appresa si basano spesso sull'apprendimento di un prior generativo sugli stati e sull'inversione tramite campionamento posteriore. Tuttavia, gli autori sostengono che su famiglie concentrate, tali metodi possono raggiungere un'alta fedeltà non grazie all'utilizzo dei dati di misurazione, ma attraverso la "memorizzazione della famiglia" (predizione del vicino più prossimo dal prior). Il documento identifica una lacuna critica: la mancanza di controlli di integrità rigorosi per distinguere la reale efficienza di misurazione dalla memorizzazione guidata dal prior, e la mancanza di stime di incertezza calibrate per gli stati ricostruiti, in particolare per gli osservabili non misurati.

2. Metodologia

Il documento propone due approcci complementari basati su un core MPS condiviso (utilizzando il fissaggio del gauge a sinistra canonico e la normalizzazione del bordo per garantire l'apprendibilità).

Approccio A: Prior Generativo con Inferenza Posteriore Bayesiana

• Meccanismo: Apprende un prior generativo sui core MPS canonizzati tramite rectified-flow matching. L'inferenza viene eseguita tramite un campionatore posteriore guidato dalle misurazioni (utilizzando un passaggio Doob $h$-transform/prossimale) per campionare dalla distribuzione posteriore.
• Validazione: Validato contro un campionatore di importanza auto-normalizzato (SIR) che funge da gold-standard.
• Limitazione: I controlli di integrità rivelano che, su famiglie concentrate, l'accuratezza con poche misurazioni è in gran parte ereditata dal prior piuttosto che dalle misurazioni.

Approccio B: Stimatore Amortizzato a Protocollo Fisso (Proposta Principale)

• Meccanismo: Un encoder a protocollo fisso (un semplice MLP o un encoder di set invariante per permutazione) mappa un insieme fisso di valori di aspettativa di Pauli misurati $\{(P_j, o_j)\}$ direttamente nei core MPS. Si tratta di un estimatore puntuale amortizzato, addestrato una sola volta su una famiglia di stati.
• Leva di Design Chiave (Pauli Locali Informativi): Gli autori sostengono che il condizionamento sia necessario ma insufficiente. Le stringhe di Pauli casuali sono poco informative per stati a bassa entanglement. Invece, il metodo si condiziona su un insieme locale informativo (Pauli a peso-1 a singolo qubit e a peso-2 tra vicini prossimali). Questo design è motivato dal risultato teorico secondo cui le matrici di densità ridotte locali determinano un $\chi$-MPS.
• Addestramento: La rete viene addestrata con una perdita di fedeltà invariante rispetto al gauge ($1 - |\langle \psi | \hat{\psi} \rangle|^2$) piuttosto che una perdita di regressione nello spazio dei core, evitando discrepanze geometriche causate dalla natura discontinua del fissaggio del gauge.
• Quantificazione dell'Incertezza: Utilizza un ensemble di dropout per generare una dispersione predittiva. Tali intervalli sono ricalibrati conformmente su una partizione di validazione (held-out split) per fornire garanzie di copertura distribution-free (ad esempio, copertura $\approx 90\%$) per gli osservabili, inclusi quelli mai misurati.

3. Controlli di Integrità

Una parte significativa della metodologia è dedicata ai "controlli di integrità" che gli autori sostengono siano necessari per qualsiasi lavoro sulla QST appresa:

1. Baseline del Prior-Only ($k=0$): Predice lo stato di test usando solo il mediano (medoide) della famiglia, senza alcuna misurazione. Se un metodo ottiene prestazioni simili a questo, sta memorizzando la famiglia, non eseguendo la tomografia.
2. Test di Misurazione Rimescolata (Shuffled-Measurement): Ricostruisce uno stato utilizzando i dati di misurazione di un altro stato nel batch. Se la fedeltà rimane alta, il metodo non sta utilizzando i dati di misurazione specifici.

4. Risultati Chiave

• Guadagni di Fedeltà: Su famiglie diverse, l'Approccio B raggiunge un'alta fedeltà ($\approx 0.95$) con poche misurazioni. Crucialmente, supera la baseline del solo prior di ben $+0.59$ in fedeltà e supera decisamente il controllo della misurazione rimescolata (dove la ricostruzione rimescolata scende a $\approx 0.15$).
• Impatto del Design delle Misurazioni: Passare da stringhe di Pauli casuali a un design locale informativo è il fattore decisivo. I design casuali offrono solo modesti guadagni rispetto al prior, mentre i design locali consentono una ricostruzione ad alta fedeltà.
• Scalabilità: Il metodo scala polinomialmente. La contrazione nativa del tensore permette la ricostruzione fino a $n=20$ qubit con un consumo minimo di memoria GPU ($\approx 0.15$ GB), evitando il costo esponenziale della memoria dei vettori di stato densi.
• Validazione Hardware: Il metodo è stato testato su hardware IBM (ibm_aachen). La ricostruzione di 5 stati da Pauli locali misurati su hardware ha prodotto una fedeltà di $0.971$, superando significativamente la baseline del solo prior ($0.283$) e dimostrando robustezza al rumore del dispositivo.
• Calibrazione dell'Incertezza: Gli intervalli riconformalizzati raggiungono una copertura quasi nominale del $90\%$ con ampiezze strette, anche per gli osservabili mai misurati nel protocollo.

5. Significato e Rivendicazioni

Il documento sostiene di fornire il primo estimatore MPS amortizzato e condizionato alle misurazioni per la QST che includa l'incertezza calibrata distribution-free. La sua importanza si basa su tre pilastri:

1. Rigore Metodologico: Stabilisce che le affermazioni di "efficienza di misurazione" nella QST appresa sono invalide senza i controlli $k=0$ e della misurazione rimescolata. Il documento dimostra che molti metodi "prior + inferenza" falliscono questi controlli su famiglie concentrate.
2. Il Design prevale sull'Architettura: Il guadagno di prestazioni è attribuito al design delle misurazioni locali informative e alla parametrizzazione del core MPS, non all'architettura della rete neurale (un semplice MLP eguaglia complessi encoder di set).
3. Utilità Pratica: Offre una pipeline computazionalmente scalabile (fino a 20 qubit), fornisce l'incertezza calibrata per gli osservabili non misurati e viene validata su hardware quantistico reale.

Gli autori sono modesti riguardo al loro ambito: il metodo è legato a un protocollo di misurazione informativo fisso e funziona meglio su famiglie diverse (dove il solo prior è insufficiente). Essi dichiarano esplicitamente che su famiglie concentrate, la baseline del solo prior è quasi ottimale, e il vantaggio del metodo appreso risiede principalmente nel fornire l'incertezza calibrata e l'amortizzazione (singolo passaggio in avanti rispetto all'ottimizzazione per stato). Non pretendono di risolvere il problema generale della QST per stati arbitrari o design di misurazione arbitrari, ma di fornire una soluzione robusta e calibrata per famiglie strutturate a bassa entanglement sotto un protocollo informativo fisso.