Tomography of approximately Gaussian mixed states

Nel mondo della fisica quantistica, esiste una classe speciale di stati noti come stati gaussiani. Questi sono i motori pulsanti della moderna tecnologia quantistica, poiché costituiscono l'ossatura di sistemi utilizzati per la comunicazione sicura, la sensoristica ultra-precisa e la teletrasporto di informazioni. Il loro grande vantaggio è la semplicità: possono essere descritti completamente da solo due pezzi di informazione, proprio come un rapporto meteorologico potrebbe riassumere una giornata complessa con solo una temperatura media e una misura di quanto fluttui la temperatura. Grazie a questa descrizione compatta, gli scienziati possono ricostruire questi stati in modo efficiente utilizzando misurazioni standard, senza dover mappare ogni singolo dettaglio di un sistema infinitamente complesso. Tuttavia, il mondo reale è raramente perfetto. Negli esperimenti reali, l'ambiente introduce tremolii e fluttuazioni casuali, in particolare nella fase delle onde luminose utilizzate per trasportare informazioni. Mentre uno spostamento di fase singolo e fisso è innocuo, una fase casuale e variabile che cambia da un esperimento all'altro crea una miscela disordinata. Questa miscela non è più uno stato gaussiano pulito; diventa un oggetto non gaussiano complesso che gli strumenti standard e semplici non possono descrivere perfettamente.

Ciò crea un problema reale per i ricercatori che cercano di verificare i loro dispositivi quantistici. Possono misurare le proprietà medie e le fluttuazioni della luce, che indicano uno stato gaussiano specifico e ideale. Ma la luce che esce effettivamente dalla macchina è un insieme leggermente diverso e imperfetto. Lo scarto tra la descrizione ideale e la realtà disordinata è l'errore intrinseco, mentre l'incertezza causata dal prendere un numero limitato di misurazioni è l'errore statistico. Finora, è stato difficile separare queste due fonti di errore e sapere esattamente quanti misuramenti siano necessari per ottenere un'immagine affidabile del sistema. Un team di ricercatori ha sviluppato un nuovo framework per risolvere questo problema. Trattano il problema come un compito di apprendimento in cui il modello è leggermente errato, e forniscono un metodo rigoroso per certificare esattamente quanto possa essere distante la ricostruzione.

I ricercatori si sono concentrati su uno scenario in cui un segnale quantistico attraversa un canale con rumore di fase casuale. Anche se l'input è un perfetto stato gaussiano, l'output diventa uno stato misto non gaussiano perché il rumore rimescola la fase in modo diverso ogni volta. Per comprendere questo output, il team ha proposto una strategia in due fasi. Per prima cosa, calcolano la migliore ipotesi gaussiana basata sulle medie e sulle fluttuazioni misurate. Successivamente, utilizzano una tecnica matematica chiamata troncamento dello spazio di Fock per misurare la distanza tra questa ipotesi e lo stato reale e disordinato. Questa tecnica funziona tagliando il calcolo a un certo livello di energia, ignorando efficacemente gli eventi estremamente rari ad alta energia che sono improbabili. Facendo ciò, possono calcolare un limite inferiore e superiore certificato sull'errore, dimostrando esattamente quanta informazione viene persa fingendo che lo stato disordinato sia un pulito stato gaussiano.

La seconda parte del loro lavoro affronta il lato statistico del problema. Si sono chiesti quanti misuramenti siano necessari per garantire che le medie e le fluttuazioni stimate siano abbastanza vicine ai valori reali. Assumendo che gli esiti delle misurazioni seguano un particolare schema statistico in cui gli outlier estremi sono molto rari, hanno derivato una nuova regola per il numero di campioni necessari. La loro analisi mostra che il numero di misurazioni richieste cresce in modo prevedibile man mano che l'errore consentito diminuisce. Fondamentalmente, hanno scoperto che quando il sistema è ben educato, l'errore nella ricostruzione dipende linearmente dagli errori nelle misurazioni, il che rappresenta un miglioramento significativo rispetto ai metodi precedenti che suggerivano che l'errore sarebbe cresciuto molto più velocemente. Ciò significa che per molti sistemi pratici, gli scienziati possono raggiungere un'elevata precisione con meno misurazioni di quanto precedentemente ritenuto necessario.

Per testare le loro idee, il team ha applicato il loro framework a un protocollo specifico progettato per ridurre il rumore di fase. In questo protocollo, un segnale quantistico viene diviso in diversi canali, elaborato e poi ricombinato. Se la ricombinazione ha successo, un segnale "herald" indica che è stato prodotto un output pulito. Tuttavia, anche dopo questo processo di pulizia, lo stato rimanente è ancora leggermente non gaussiano a causa della natura casuale del rumore. I ricercatori hanno utilizzato il loro nuovo metodo per quantificare esattamente quanto questo stato pulito sia non gaussiano e quanti tenti di successo siano necessari per ricostruirlo con un determinato livello di precisione. Hanno scoperto che, sebbene il protocollo di pulizia migliori la qualità dello stato, il rumore residuo richiede comunque un numero specifico di misurazioni per essere caratterizzato accuratamente. Il loro metodo fornisce un certificato che dice all'esperimentatore esattamente quanta fiducia riporre nello stato ricostruito, separando l'errore di approssimazione inevitabile dal rumore statistico del processo di misurazione.

La significatività di questo lavoro risiede nella sua capacità di fornire una garanzia matematica chiara per esperimenti che erano precedentemente troppo disordinati per essere analizzati rigorosamente. Separando l'errore causato dai limiti del modello dall'errore causato dai dati limitati, i ricercatori forniscono agli sperimentatori uno strumento per sapere quando hanno raccolto informazioni sufficienti. Hanno dimostrato che, per sistemi con energia limitata e specifiche caratteristiche di rumore, il numero di misurazioni necessarie scala in modo gestibile. Ciò consente la progettazione di esperimenti quantistici più efficienti, dove le risorse non vengono sprecate in una raccolta di dati non necessaria, e dove i limiti di ciò che può essere conosciuto sono chiaramente definiti. Il framework non pretende di correggere il rumore o di rendere lo stato perfettamente gaussiano; invece, offre un modo preciso per misurare l'imperfezione e per comprendere il costo del lavorarci.

In definitiva, questa ricerca colma il divario tra il mondo idealizzato della teoria quantistica e la realtà rumorosa del laboratorio. Riconosce che gli stati gaussiani perfetti sono una finzione utile, ma una che può essere usata efficacemente se sappiamo esattamente quanto la finzione devia dalla realtà. Fornendo un metodo per certificare questa deviazione e per calcolare lo sforzo necessario per superare l'incertezza statistica, il team ha offerto un nuovo standard per la verifica dei dispositivi quantistici. I loro risultati suggeriscono che, anche in presenza di un rumore inevitabile, possiamo comunque costruire tecnologie quantistiche affidabili e ad alta precisione, a patto di avere gli strumenti giusti per misurare la distanza tra ciò che ci aspettiamo e ciò che effettivamente vediamo.