Deep Neural Network-assisted improvement of quantum compressed sensing tomography

技術要約：量子圧縮センシング・トモグラフィーの深層ニューラルネットワークによる改善

問題提起
量子状態トモグラフィー（QST）は、量子ビット数（$n$）に対してヒルベルト空間の次元（$d=2^n$）が指数関数的に増大するという、根本的なスケーラビリティの課題に直面している。量子圧縮センシング（CS）は、低ランク密度行列に対しては、必要な測定回数を$O[rd \log^2(d)]$（ここで$r$はランク）に削減することで解決策を提供するが、その有効性は、情報が完全に含まれるレジーム、あるいは測定されたパウリ観測量（$K$）が特定の理論的境界を満たす場合に限定されている。CSによる再構成が成功するための保証がない情報不完全なシナリオでは、得られる推定値（$\rho_{cs}$）は不正確になる可能性がある。さらに、標準的なCS最適化は凸最適化問題であり、量子状態の特定の統計分布を本質的に考慮していないため、データが乏しい場合には最適ではない再構成をもたらす可能性がある。

手法
著者らは、凸最適化（CS）と深層ニューラルネットワーク（DNN）によるポストプロセッシング（後処理）を連結させ、その後に実行可能空間への射影を行うハイブリッド・プロトコルを提案している。ワークフローは主に以下の3つのステージで構成される：

1. 初期再構成： 標準的なCSアルゴリズム（トレースノル最小化）を用いて、測定されたパウリ相関関数のサブセットから初期推定値 $\rho_{cs}$ を生成する。この状態は「ノイズを含んだ」入力として機能する。
2. 深層教師ありデノイジング： 教師ありデノイザーとして訓練されたDNNが、入力相関ベクトル $\vec{c}_{cs}$（$\rho_{cs}$ から導出）をターゲットベクトル $\vec{c}_{org}$（真の状態 $\rho_{org}$ から導出）へと写像する。ネットワーク・アーキテクチャは、GELU活性化関数を利用した畳み込み層とエンコーダー・トランスフォーマーを組み合わせている。訓練データセットは、純粋なハール乱数状態から導出された相関ベクトルと、それらに対応する限定的な測定に基づくCS再構成のペアで構成されている。
3. 実行可能射影： DNNの出力は制約がなく、正定値性（PSD）やトレース1の条件に違反する可能性があるため、ユークリッド射影ステップを用いて、$\rho_{den}$ を実行可能集合 $\Omega$（測定データと互換性のある有効な密度行列の集合）へと射影する。これにより、最終的な物理的推定値 $\rho_{denproj}$ が得られる。

また、著者らは、デノイジングと射影のステップを反復させることで状態推定をさらに精緻化する**ループ推論（looped inference）**についても調査している（不動点アプローチ）。さらに、モデルが純粋状態（$p=0$）のみで訓練されている場合に、再訓練なしで脱分極ノイズ（$p > 0$）の影響下にある混合状態を効果的に再構成できるかどうかを検証するため、**分布外（OOD）**能力についても検討している。

主な結果
数値シミュレーションは、4つの相関関数（$X^{\otimes4}, Y^{\otimes4}, Z^{\otimes4}$）を用いた均質な測定設定に基づく4量子ビット系に対して行われた。

• イン・ディストリビューション（ID）性能： 純粋なターゲット状態に対し、本プロトコルは生のCS再構成と比較して、平均量子フィデリティを約4.7%、平均純粋度を約**13%**向上させた。
• アウト・オブ・ディストリビューション（OOD）性能： 純粋状態のみで訓練されたモデルを、脱分極ノイズ（$p \in [0, 0.2]$）を伴う混合状態に適用した場合、1ステップの推論では低ノイズレベル（$p \le 0.1$）においてフィデリティの向上が見られたが、ノイズが増加するにつれて性能は低下した。
• ループ推論： デノイジングと射影のステップを反復させる不動点ループ（例：$n_l=3$）を実装することで、堅牢性が大幅に向上した。このアプローチは、純粋状態に対しては約**11%**のフィデリティ向上を達成し、脱分極強度 $p=0.2$ までの混合状態に対しても正の利得を維持した。
• 適用範囲： 本手法は、$K$（相関関数の数）が非自明なCSベースラインを提供するには十分だが、完全な再構成には不十分な領域（4量子ビットに対しておよそ20から64個の相関関数の間）で効果的である。$K$が低すぎると、入力がノイズに支配されすぎてネットワークが学習できず、$K$が高すぎると、CS再構成がすでにほぼ完璧な状態となる。

意義および主張
本論文は、このアプローチが、標準的なCSプロトコルが成功することが保証されていない領域において、新しい実験データを必要とせずに量子状態再構成を改善する実行可能な手法を提供すると主張している。主な貢献は以下の通りである：

• データの効率性： 本手法は、DNNにエンコードされた量子状態の統計的分布を活用することで、不完全なCS再構成を「デノイズ」し、追加の測定なしに精度を高める。
• 汎用性： OOD検出の原理を利用することで、本プロトコルは、純粋状態のみで訓練されたモデルを使用して混合状態を再構成できることを示しており、異なるノイズレベルに合わせてネットワークを再訓練する必要を排除している。
• 反復的な精緻化： 不動点推論ループの導入により、さらなる性能向上が可能となり、教師あり学習の潜在的な適用範囲を拡大させている。
• 物理的一貫性： 凸射影ステップの統合により、最終的な出力が物理的に妥当な密度行列であることを保証しており、これは制約のないニューラルネットワークのアプローチにおける一般的な問題に対処している。

著者らは、現在の研究は完全な相関関数の推定を前提としているものの、本フレームワークは、サンプリングノイズを伴うシナリオや、量子チャネルまたは検出器トモグラフィーへの将来的な拡張のための基礎を提供するものであると結論付けている。