Deep Neural Network-assisted improvement of quantum compressed sensing tomography

Technische Samenvatting: Deep Neural Network-ondersteunde verbetering van quantum compressed sensing tomografie

Probleemstelling
Quantum state tomography (QST) staat voor een fundamentele schaalbaarheidsuitdaging door de exponentiële groei van de dimensie van de Hilbertruimte ($d=2^n$) met het aantal qubits ($n$). Hoewel Quantum Compressed Sensing (CS) een oplossing biedt voor laag-rang dichtheidsmatrices door het aantal vereiste metingen te reduceren tot $O[rd \log^2(d)]$ (waarbij $r$ de rang is), is de effectiviteit ervan beperkt tot informatieel volledige regimes of gevallen waar het aantal gemeten Pauli-observabelen ($K$) aan specifieke theoretische grenzen voldoet. In informatieel incomplete scenario's waar $K$ onvoldoende is voor een gegarandeerde succesvolle CS-reconstructie, kan de resulterende schatting ($\rho_{cs}$) onnauwkeurig zijn. Bovendien is standaard CS-optimalisatie een convex probleem dat niet inherent rekening houdt met de specifieke statistische distributie van quantumtoestanden, wat potentieel suboptimale reconstructies kan opleveren wanneer de data schaars is.

Methodologie
De auteurs stellen een hybride protocol voor dat convexe optimalisatie (CS) combineert met een op een Deep Neural Network (DNN) gebaseerde post-processing stap, gevolgd door een projectie op de ruimte van haalbare dichtheidsmatrices. De workflow bestaat uit drie hoofdfasen:

1. Initiële Reconstructie: Een standaard CS-algoritme (trace norm minimalisatie) genereert een initiële schatting $\rho_{cs}$ uit een subset van gemeten Pauli-correlatoren. Deze toestand dient als een "ruisige" input.
2. Deep-Supervised Denoising: Een DNN, getraind als een supervised denoiser, brengt de input-correlatorvector $\vec{c}_{cs}$ (afgeleid van $\rho_{cs}$) in kaart naar een doelvector $\vec{c}_{org}$ (afgeleid van de ware toestand $\rho_{org}$). De netwerkarchitectuur combineert convolutionele lagen met een encoder-transformer en maakt gebruik van GELU-activatiefuncties. De trainingsdataset bestaat uit paren correlatorvectoren afgeleid van zuivere Haar-willekeurige toestanden en hun bijbehorende CS-reconstructies op basis van een beperkte subset van metingen.
3. Haalbare Projectie: Omdat de DNN-output onbeperkt is en de positief semi-definiete (PSD) of trace-1 condities kan schenden, wordt de gedenoised toestand $\rho_{den}$ teruggeprojecteerd op de haalbare verzameling $\Omega$ (de verzameling van geldige dichtheidsmatrices die compatibel zijn met de gemeten data) met behulp van een Euclidische projectiestap. Dit levert de uiteindelijke fysieke schatting $\rho_{denproj}$ op.

De auteurs onderzoeken ook looped inference, waarbij de denoising- en projectiestappen worden geïtegreerd (fixed-point benadering) om de toestandsschatting verder te verfijnen. Daarnaast verkennen ze Out-of-Distribution (OOD) capaciteiten, door te testen of een model dat uitsluitend getraind is op zuivere toestanden ($p=0$) effectief gemengde toestanden kan reconstrueren die onderhevig zijn aan depolariserende ruis ($p > 0$) zonder hertraining.

Belangrijkste Resultaten
Numerieke simulaties werden uitgevoerd op 4-qubit systemen met 45 correlatoren afgeleid van homogene meetinstellingen ($X^{\otimes4}, Y^{\otimes4}, Z^{\otimes4}$).

• In-Distribution (ID) Prestaties: Voor zuivere doeltoestanden verhoogde het protocol de gemiddelde quantumfidelity met ongeveer 4,7% en de gemiddelde zuiverheid (purity) met ongeveer 13% vergeleken met de ruwe CS-reconstructie.
• Out-of-Distribution (OOD) Prestaties: Wanneer toegepast op gemengde toestanden met depolariserende ruis ($p \in [0, 0.2]$ met een model dat alleen getraind is op zuivere toestanden), vertoonde de single-step inference fidelity-winsten voor lage ruisniveaus ($p \le 0.1$), waarbij de prestaties verslechterden naarmate de ruis toenam.
• Looped Inference: Het implementeren van een fixed-point loop (het itereren van de denoising- en projectiestappen, bijvoorbeeld $n_l=3$) verbeterde de robuustheid aanzienlijk. Deze aanpak bereikte een fidelity-winst van ~11% voor zuivere toestanden en behield positieve winsten zelfs voor gemengde toestanden met een depolarisatiekracht tot $p=0.2$.
• Toepasselijkheidsbereik: De methode is effectief wanneer het aantal correlatoren voldoende is om een niet-triviale CS-baseline te bieden, maar onvoldoende is voor een perfecte reconstructie (ongeveer tussen de 20 en 64 correlatoren voor 4 qubits). Als $K$ te laag is, is de input te ruisig voor het netwerk om te leren; als $K$ te hoog is, is de CS-reconstructie al bijna perfect.

Betekenis en Claims
Het artikel claimt dat deze aanpak een levensvatbare methode biedt om de quantum toestand-reconstructie te verbeteren in regimes waar standaard CS-protocollen niet gegarandeerd succesvol zijn, zonder dat er nieuwe experimentele data nodig is. De belangrijkste bijdragen zijn:

• Data-efficiëntie: De methode maakt gebruik van de statistische distributie van quantumtoestanden die in de DNN is gecodeerd om incomplete CS-reconstructies te "denoisen", wat de nauwkeurigheid verhoogt zonder extra metingen.
• Generalisatie: Door gebruik te maken van OOD-detectieprincipes, demonstreert het protocol het vermogen om gemengde toestanden te reconstrueren met een model dat uitsluitend op zuivere toestanden is getraind, wat de noodzaak om het netwerk voor verschillende ruisniveaus te hertrainen elimineert.
• Iteratieve Verfijning: De introductie van een fixed-point inference loop maakt verdere prestatiewinsten mogelijk, waardoor het potentiële toepassingsbereik van supervised learning in tomografie wordt uitgebreid.
• Fysieke Consistentie: De integratie van een convexe projectiestap zorgt ervoor dat de uiteindelijke output een fysiek geldige dichtheidsmatrix blijft, wat het veelvoorkomende probleem van niet-fysieke outputs in onbeperkte neurale netwerkbenaderingen aanpakt.

De auteurs concluderen dat hoewel het huidige werk uitgaat van perfecte correlatieschatting, het framework een fundament biedt voor toekomstige uitbreidingen naar scenario's met sampling-ruis en potentieel naar quantum channel of detector tomografie.