Experimental quantum state learning with pairs of photons

本論文は、単一光子を測定し、到着時刻に基づいてそれらを遡及的にペアリングすることにより、2状態の量子ビット混合物の構成純粋状態とその重みを一意に特定するプロトコルを、約10,000個の光子を用いて、同一の混合状態の異なる調製間における高忠実度な識別を実現することで実験的に実証するものである。

要約

あなたは、謎めいたスープの秘密のレシピを推測しようとしていると想像してください。あなたはスープを味わうことができますが、一つ問題があります。そのスープは、「トマト」と「バジル」という2種類の異なるブロス（出汁）の完璧なブレンドです。

ただ一口食べて味見をしたとしても、それが混合物であることは分かります。トマトの風味とバジルの風味の比率は測定できます。しかし、どのような特定のトマトやバジルが使われたのかを100%正確に特定することはできません。なぜなら、多くの異なる材料の組み合わせが、全く同じ味を作り出すことができるからです。量子物理学の世界では、これは「密度行列」と呼ばれます。それは混合物の統計を示しますが、個々の材料の正体は隠してしまいます。

「ペアリング」のトリック
この論文は、混合された状態であっても、どのようにして正確な材料を特定できるかという、巧妙な実験について記述しています。

ここで例え話をしましょう。
アリスはボブに対して、スープのスプーンの列を送っています。彼女は、すべてのスプーンには純粋な「トマト」か純粋な「バジル」のどちらかが入っていると約束していますが、それらをランダムに混ぜ合わせて送ります。

• 問題点: もしボブがスプーンを一つずつ味わったとしても、彼は（比率などの）「割合」を知ることはできます（例：トマト50%、バジル50%）。しかし、その「トマト」が特定のブドウ科の植物によるものか、あるいは「バジル」が特定の庭園のものなのかまでは知ることができません。
• 解決策: アリスには秘密があります。彼女は、彼女が送るすべての「トマト」のスプーンは、密かに別の「トマト」のスプーンとペアになっていることを知っています。そして、すべての「バジル」のスプーンも、別の「バジル」のスプーンとペアになっています。彼女はこれを事前にボブに教えることはありません。ただ、スプーンを送るだけです。
• 魔法のステップ: ボブがすべてのスプーンを味わい、記録し終えた後、アリスはリストを送ります。「よし、スプーン#1とスプーン#42はペアでした。スプーン#5とスプーン#99はペアでした」と。

スプーンを後からグループ化することで、ボブはデータを異なる視点から見ることができるようになります。単なる「ぼやけた混合物」として見る代わりに、「スプーン#1がトマトだったとき、そのパートナーであるスプーン#42もまたトマトであった」ということが分かるのです。この追加の情報層によって、彼は2つの材料を数学的に分離し、それらの正確な状態と出現確率を特定できるようになります。

研究所で行われたこと
科学者たちはスープではなく、**光子（光の粒子）**を使用しました。

1. 光源: 彼らは特殊な結晶を用いて、光子のペアを作り出しました。
2. 混合: 彼らは、光子の偏光（光の波が振動する方向）を操作することで、2つの特定の状態（例えば垂直振動と水平振動）のランダムな混合物を作り出しました。
3. 測定: 彼らは光子を一つずつ測定し、それぞれの到着時刻を正確に記録しました。
4. ペアリング: その後、到着時刻を利用して、先ほどのアリスがボブにリストを送った時のように、光子を「ペアリング」しました。
5. 結果: この「ペアリングされたデータ」を用いることで、彼らは2つの隠された状態の正確な正体と、それがどの程度の頻度で現れるかを特定することに成功しました。

どれほどの精度だったのか？
チームは、2つの状態がどれほど近くなると区別が不可能になるかをテストしました。

• 彼らは、もし2つの状態があまりにも似ている場合（例：ほとんど区別がつかない2つの赤色のような場合）、それらを識別するためには膨大なデータが必要になることを発見しました。
• 彼らは、約10,000組の光子ペアがあれば、99.99%の精度で状態を特定できることを突き止めました。
• また、限界も見つけました。もし2つの状態が「光の色輪」上で15度未満の差しかない場合、その手法では信頼性を持って区別することができなくなります。

なぜこれが重要なのか？
この論文は、「到着時刻」の情報を使って、測定した後に粒子をペアとしてグループ化することで、標準的な測定だけでは不可能だと考えられていたレベルまで、量子系についてより多くのことを学べることを示しています。これは、パズルのピースを一度は個別に、そして次にどのピースが組み合わさっているかを知った後にもう一度見ることで、パズルを解くようなものです。

研究者たちはまた、これらの混合物にどれだけの情報を詰め込めるかについても調査しました。彼らは、状態を非常に近く設定することで、より多くの「ビット」の情報を詰め込める一方で、それらを正しく読み取るためには指数関数的に多くの光子が必要になることを発見しました。これはトレードオフです。より密度の高いメッセージを送ることはできますが、それを解読するためにはるかに大きな体積の光を送らなければなりません。

まとめ
この実験は、ある理論的アイデアを証明しています。もし、量子粒子の流れがあり、どの粒子がペアで来たのかを知っていれば、混合物を構成する特定の状態を一意に特定できるということです。これは、単一の粒子測定だけでは通常不可能なことです。彼らはこれを生きた技術として、光を用いて実証しました。「ペアから学ぶ」という手法が、実際に機能することを示したのです。

技術概要

技術要約：光子対を用いた実験的な量子状態学習

問題提起
標準的な量子状態トモグラフィーは、同一に準備された量子系のアンサンブルを記述する密度行列（$\rho$）の推定を可能にする。しかし、混合状態の密度行列は、一般にその構成要素である純粋状態への一意な分解を持たないという根本的な限界が存在する。その結果、観測者（ボブ）は単一粒子測定のみから、統計的な混合状態 $\rho_{single} = p_0 |\psi_0\rangle\langle\psi_0| + p_1 |\psi_1\rangle\langle\psi_1|$ を決定することはできるが、特定の純粋状態 $|\psi_0\rangle$ および $|\psi_1\rangle$、ならびにそれらの確率 $p_0$ および $p_1$ を一意に特定することはできない。

Agarwalら [12] は、この制限を克服するための理論的プロトコルを提案した。彼らは、もし量子ビットがペアで到着し、かつペアの両者が同じ状態にある場合、結果として得られる二量子ビット密度行列 $\rho_{pair} = p_0 |\psi_0\psi_0\rangle\langle\psi_0\psi_0| + p_1 |\psi_1\psi_1\rangle\langle\psi_1\psi_1|$ が、純粋な積状態への一意な分解を許容することを実証した。これにより、観測者は特定の純粋状態とその重みを推論することが可能となる。本論文では、光子の偏光を用いたこの「ペアからの学習（learning-from-pairs）」の概念の実験的な実証を提示する。

手法
実験では、縮退した808 nmの光子対を生成するために自発的パラメトリック下方変換（SPDC）光源を利用する。一方の光子（アイドラー）はトリガーとして機能し、もう一方の光子（シグナル）は偏光準備段階へと送られる。液晶波長板（LCWP）が印加電圧に基づいてシグナル光子の偏光を変調し、2つの設定を切り替えることで、2つの異なる偏光状態 $|\psi_0\rangle$ と $|\psi_1\rangle$ の統計的混合を生成する。

シグナル光子は単一光子偏光トモグラフィーを受け、6つの基底（H/V, R/L, D/A）における投影を測定される。極めて重要な点として、実験では検出されたすべての光子の到着時刻を記録する。光子は個別に測定されるものの、時間スタンプのデータは、既知の生成統計に基づき、測定後に光子を「ペアリング」するために使用される。このペアリングにより、単一光子の検出データから二量子ビット密度行列 $\rho_{pair}$ を再構成することが可能となる。文献 [12] のプロトコルに従い、この $\rho_{pair}$ を分解することで、$|\psi_0\rangle$、 $|\psi_1\rangle$、 $p_0$、および $p_1$ を一意に特定する。

主要な結果
著者らは、様々な条件下でのプロトコルの性能を調査した：

1. フィデリティとサンプルサイズ： 直交状態（例：$|H\rangle$ と $|V\rangle$）において、等確率または不等確率の場合、再構成された状態のフィデリティは、約 $10^4$ 個の検出された光子対を用いて99.99%に達する。フィデリティは $1 - F \propto 1/N$ としてスケールし、これは理論的予測と一致している。
2. 非直交状態： 2つの状態が非直交である場合（ポアンカレ球上で $\pi/2$ 離れている場合）、同等のフィデリティを得るためにより多くのペアが必要となる。本プロトコルは、$15^\circ$ という小さな角度まで離れた状態を識別することに成功した。この閾値を下回ると、2つの状態の曲線が重なり、与えられたサンプルサイズでは識別不能であることを示している。
3. 状態識別： 実験では、同一の単一量子ビット混合状態（基礎となる純粋状態が異なるもの）の2つの異なる準備を区別する能力をテストした。純粋状態間の角度 $\theta$ を変化させることで、著者らは $N \sim 10^4$ において、角度が $5^\circ$ 未満の混合状態の識別が困難になることを発見した。
4. 情報容量： 本研究では、符号化および識別可能な異なる混合状態の数を計算した。分離角 $\theta$ に対して、識別可能な混合状態の数は $8/\theta^2$ に比例してスケールし、ビット容量は $\log_2(8/\theta^2)$ となる。$\theta$ を小さくすることで、シンボルあたりのビット数は増加するが、必要な光子数は $1/\theta^2$ に比例して増加するため、光子あたりのビット数は減少する。

意義と主張
本論文は、「ペアからの学習」プロトコルを実験的に検証したことを主張しており、ペアリング情報へのアクセス（たとえ測定後に到着時刻を通じて決定されるものであっても）が、混合状態の純粋成分への一意な分解を可能にすることを実証している。これは、標準的な単一粒子トモグラフィーに固有の非一意性を事実上回避するものである。

著者らは、このアプローチが、密度行列の非線形関数（具体的には純粋状態への分解）の推論を可能にすることを強調している。これは単一粒子測定のみでは到達不可能な領域である。本研究は、実用的な識別限界を確立している。約 $10^4$ 個のペアを用いて、システムは $15^\circ$ 離れた純粋状態を解像し、直交状態の異なる混合状態を $5^\circ$ 未満の角度で識別できる。結果は、通信設定において、$\theta$ を小さくすることで高い情報密度が得られることは理論的に可能であるが、リソースコスト（光子数）が二次関数的に増大するため、より小さなシンボル・アルファベットを選択することが有利になる可能性を示唆している。