Sintesi Tecnica: Ricostruzione Adattiva di Stati Quantistici Bosonici

Definizione del Problema

I sistemi quantistici bosonici offrono un paradigma hardware-efficient per l'elaborazione dell'informazione quantistica grazie ai loro ampi spazi di Hilbert, che consentono una correzione degli errori quantistici efficiente in termini di risorse. Tuttavia, la caratterizzazione di questi stati è intrinsecamente complessa. La tomografia dello stato tradizionale richiede la ricostruzione completa della funzione di Wigner, il che è dispendioso in termini di risorse e richiede un numero elevato di misurazioni. Inoltre, i metodi esistenti di stima della fedeltà mirano tipicamente a un singolo stato fisso. Ciò è insufficiente per applicazioni pratiche in cui stati fisicamente equivalenti differiscono per traslazioni nello spazio delle fasi, rotazioni o altre trasformazioni. Inoltre, gli apparati sperimentali realistici soffrono di contributi hamiltoniani non contabilizzati, imperfezioni di calibrazione e derive del sistema, che limitano l'efficacia delle strategie di controllo a ciclo aperto (ottimizzate su modello). Esiste una critica necessità di protocolli di ricostruzione che possano identificare la fedeltà ottimale all'interno di una famiglia rilevante di stati, rimangano robusti rispetto alle traslazioni nello spazio delle fasi e operino entro i ristretti vincoli temporali (minuti) richiesti dal controllo ottimo quantistico a ciclo chiuso (QOC).

Metodologia

Gli autori introducono una tecnica di ricostruzione adattiva che combina un modello parametrico informato dalla fisica con l'inferenza bayesiana, il bootstrap resampling e l'apprendimento attivo. Il flusso di lavoro principale prevede:

1. Modello Parametrico Informato dalla Fisica: Invece di una ricostruzione non parametrica, la funzione di Wigner viene modellata utilizzando una forma parametrica su misura per gli stati di tipo "Schrödinger cat". Il modello consiste in tre componenti gaussiane (sinistra, centro e destra) con ampiezze, medie e matrici di covarianza, oltre a un termine coseno per tenere conto dell'interferenza delle frange. Ciò riduce la dimensionalità del problema e garantisce ricostruzioni fisicamente plausibili.
2. Inferenza Bayesiana con MAP e Bootstrap: L'algoritmo impiega la stima Maximum A Posteriori (MAP) con un prior di tipo Wishart per vincolare i parametri a regimi realistici. Per quantificare l'incertezza epistemica senza il costo computazionale di un pieno Markov Chain Monte Carlo (MCMC), il metodo utilizza un approccio bootstrap. Più modelli vengono addestrati su dataset campionati con sostituzione a partire dalle misurazioni originali.
3. Campionamento Attivo tramite Distribuzione di Boltzmann: La varianza (disaccordo) tra i modelli bootstrappati in ogni punto dello spazio delle fasi funge da metrica di incertezza. Nuovi punti di misurazione vengono selezionati adattivamente dalle regioni di massima incertezza. Nello specifico, viene costruita una distribuzione di Boltzmann basata sulla deviazione standard stimata, dove la "temperatura" (temperatura inversa $\beta_B$) è regolata per mantenere un intervallo di entropia specifico. Ciò evita che il campionamento diventi troppo uniforme (poco informativo) o troppo concentrato (rischiando il fallimento del campionamento per rifiuto).
4. Integrazione a Ciclo Chiuso: La ricostruzione è integrata in un framework di QOC a ciclo chiuso. Gli impulsi di controllo vengono raffinati iterativamente sulla base di una Figura di Merito (FoM) derivata dallo stato ricostruito. La FoM include un termine di penalità per tenere conto delle imperfezioni dello stato, come l'ellitticità gaussiana causata dalle non linearità di Kerr.

Contributi Chiave

• Framework di Ricostruzione Adattiva: Il documento presenta un metodo che stima la fedeltà rispetto a una famiglia di stati bosonici (invarianti sotto traslazioni e rotazioni nello spazio delle fasi) piuttosto che rispetto a un singolo stato target fisso.
• Efficienza e Velocità: La tecnica ricostruisce mappe di Wigner ad alta fedeltà in pochi minuti utilizzando un numero ridotto di misurazioni, significativamente più veloce del convenzionale campionamento su griglia ad alta risoluzione.
• Robustezza al Disallineamento: Il metodo dimostra robustezza rispetto a sostanziali spostamenti e rotazioni nello spazio delle fasi, anche quando il prior utilizzato per la ricostruzione è disallineato con lo stato reale.
• Sensibilità alle Imperfezioni: Oltre alla fedeltà, la ricostruzione è sensibile a sottili imperfezioni dello stato, come l'ellitticità delle componenti gaussiane, che spesso sfuggono alle metriche di fedeltà da sole.
• Dimostrazione Sperimentale: L'approccio è implementato su una piattaforma di circuit quantum electrodynamics (cQED) utilizzando una cavità superconduttrice e un qubit transmon. È stato testato su stati di Schrödinger cat con ampiezze $\alpha \in [1, 3]$.

Risultati

• Qualità della Ricostruzione: L'algoritmo produce mappe di Wigner riproducibili che catturano caratteristiche distinte delle mappe ad alta risoluzione (che richiedono ore per essere acquisite) in circa 3,5 minuti. L'infedeltà (1 - $F_2$) è minimizzata con i seguenti iperparametri specifici: 100 medie per punto, una dimensione del batch di 5 e una soglia di entropia di 1,5.
• Confronto con le Strategie di Campionamento:
  • Campionamento su Griglia (Grid Sampling): Sebbene non distorto, il campionamento su griglia è inefficiente per le applicazioni a ciclo chiuso a causa dei lunghi tempi di acquisizione e del rischio di mancare stati spostati se la griglia non è predefinita correttamente.
  • Campionamento Ottimale ($p_{sq}$ e $p_{abs}$): Queste strategie funzionano bene per stati vicini al target, ma falliscono nel ricostruire accuratamente stati significativamente spostati o ruotati nello spazio delle fasi, poiché mancano di punti di campionamento nelle regioni rilevanti.
  • Campionamento Adattivo: Il metodo proposto supera le strategie esistenti negli scenari a ciclo chiuso, prevedendo con successo la fedeltà per stati ruotati e spostati dove il campionamento ottimale fallisce.
• Ottimizzazione a Ciclo Chiuso: In esperimenti di prova di concetto, la ricostruzione adattiva è stata utilizzata come meccanismo di feedback per un ottimizzatore dCRAB (dressed Chopped Random Basis). Il sistema ha ridotto con successo le distorsioni indotte da Kerr (migliorando l'ellitticità gaussiana) e ha migliorato la fedeltà della preparazione dello stato per varie dimensioni e fasi dei cat. L'inclusione di un termine di penalità nella FoM si è rivelata cruciale per correggere distorsioni specifiche, sebbene abbia introdotto un compromesso con la fedeltà pura in alcune esecuzioni.

Significato e Rivendicazioni

Il documento afferma che questo lavoro fornisce la prima tecnica di ricostruzione che soddisfa simultaneamente i tre requisiti critici per l'ottimizzazione di stati bosonici a ciclo chiuso: errore di stima minimo, alta riproducibilità tra i trial e un tempo totale di ricostruzione limitato a pochi minuti.

La significatività risiede nel rendere possibile l'ottimizzazione autonoma di stati quantistici bosonici. Fornendo un estimatore di fedeltà veloce, robusto e adattivo che tiene conto delle trasformazioni nello spazio delle fasi, il metodo consente un controllo diretto basato sul feedback che compensa le derive sperimentali e le non linearità senza richiedere una conoscenza precisa dell'Hamiltoniana del sistema. Gli autori pongono questo lavoro come un passo fondamentale verso protocolli più generali a ciclo chiuso, suggerendo che l'integrazione futura con l'apprendimento per rinforzo informato dalla fisica potrebbe potenziare ulteriormente l'efficienza e la capacità del controllo adattivo per i sistemi quantistici bosonici. Gli autori mantengono un atteggiamento modesto riguardo agli attuali guadagni di ottimizzazione, attribuendoli ai vincoli degli algoritmi di ricerca diretta in paesaggi ad alta dimensionalità, ma sottolineano l'utilità del metodo come strumento per una vasta gamma di esperimenti sugli stati bosonici.