Tensor Train Quantum State Tomography using Compressed Sensing

Technische Samenvatting: Tensor Train Quantum State Tomography met behulp van Compressed Sensing

Probleemstelling
Quantum State Tomography (QST) is essentieel voor het benchmarken en verifiëren van quantumapparaten door de dichtheidsmatrix van een quantumsysteem te schatten op basis van meetgegevens. De standaard schattingsmethoden kampen echter met de "vloek van dimensionaliteit": naarmate het aantal qubits ($N$) toeneemt, groeit het aantal parameters in de dichtheidsmatrix exponentieel ($D = 2^N$, wat $O(D^2)$ parameters vereist). Hoewel veel quantumtoestanden van belang (bijv. grondtoestanden van lokale Hamiltonia, bijna zuivere toestanden) een lage-rangstructuur bezitten die efficiënte reconstructie met minder metingen mogelijk maakt, hebben bestaande schaalbare methoden beperkingen. Convex optimalisatiemethoden met nucleaire norm-regularisatie worden computationeel onhaalbaar voor grote systemen. Factorisatiemethoden (bijv. Burer-Monteiro) verbeteren de efficiëntie, maar hebben vaak moeite om noodzakelijke fysieke restricties (Hermitischheid, positieve semidefinitheid en een eenheidstrace) af te dwingen zonder complexe projecties. Bovendien, hoewel tensor netwerkrepresentaties zoals Matrix Product States (MPS) efficiënt zijn voor zuivere toestanden, blijft het uitdagend om deze naar gemengde toestanden uit te breiden terwijl deze restricties behouden blijven.

Methodologie
De auteurs stellen een nieuw QST-raamwerk voor dat de dichtheidsmatrix $\rho$ parametriseert met behulp van een Block Tensor Train (Block-TT) decompositie. Deze aanpak combineert principes van compressed sensing met tensor netwerkalgebra.

1. Parametrisatie: In plaats van te optimaliseren over de volledige dichtheidsmatrix, representeert de methode $\rho$ als de contractie van een Block-TT netwerk $A$ met zijn Hermitische transponte $A^H$ (d.w.z. $\hat{\rho}_{TT} = A \bullet_n A^H$).

   • Het netwerk $A$ is een $(N+1)$-de orde tensor waarbij de meeste cores van de derde orde zijn, behalve één vierde-orde core op een specifieke positie $n$ die een hulp-index $K$ draagt.
   • Deze constructie garandeert inherent dat de resulterende dichtheidsmatrix positief semidefinit (PSD) en Hermitisch is, analoog aan een Cholesky-decompositie voor matrices, zonder dat er expliciete restricties tijdens de optimalisatie nodig zijn.
   • De eenheidstrace-restrictie wordt beheerd via een Frobenius-norm restrictie op de factor $A$ ($\|A\|_F \leq 1$).

2. Optimalisatie: Het QST-probleem wordt geherformuleerd als een niet-convex optimalisatieprobleem dat de kleinste-kwadraten-fout minimaliseert tussen de geobserveerde meetresultaten en de modelvoorspellingen.

   • Doelfunctie: $\min_A \frac{1}{2} \|y - \mathcal{M}(\hat{\rho}_{TT})\|_2^2$ onder de voorwaarde $\|A\|_F \leq 1$.
   • Algoritme: Een eenvoudig Gradient Descent (GD) algoritme wordt toegepast. In elke iteratie wordt de gradiënt berekend met behulp van tensor netwerk contracties, en de bijgewerkte factor wordt geprojecteerd terug op het Block-TT formaat met behulp van een getrunceerde SVD (TT-SVD) om orthogonaliteit te handhaven en de rangen te controleren. Een momentumfactor wordt gebruikt om de convergentie te verbeteren.

3. Efficiëntie: De methode maakt gebruik van de TT-algebra om verwachtingswaarden ($\text{Tr}(\rho E_m)$) efficiënt te berekenen. De computationele complexiteit voor het evalueren van metingen schaalt als $O((4R^2 + 2R^3)(\log_2 D + K))$, waarbij $R$ de TT-rang is. Dit is aanzienlijk efficiënter dan de $O(D^2)$ complexiteit van standaard matrix-trace berekeningen voor grote $N$, mits de toestand een lage TT-rang heeft.

Kernbijdragen

• Block-TT Parametrisatie: Introductie van een Block-TT representatie voor dichtheidsmatrices die inherent positieve semidefinitheid behoudt, waardoor de noodzaak voor complexe projectiestappen die bij andere factorisatiemethoden voorkomen, wordt geëlimineerd.
• Schaalbaarheid: Demonstratie dat de aanpak de vloek van dimensionaliteit mitigeert voor een brede klasse van quantumtoestanden (zuivere, bijna zuivere en grondtoestanden) door de parameterverdeling te reduceren van exponentiële naar logaritmische schaling ten opzichte van de systeemgrootte.
• Algoritmisch Raamwerk: Ontwikkeling van een gradiënt-gebaseerd optimalisatiealgoritme op maat voor Block-TT netwerken, gebruikmakend van TT-SVD voor rang-truncatie en normalisatie.
• Vergelijkende Analyse: Een uitgebreide vergelijking met state-of-the-art methoden, inclus\nzijnde Convex Optimization (CVX), Maximum Likelihood Estimation (MLE) en Low-Rank Projected Gradient (LR) methoden.

Resultaten
Numerieke experimenten werden uitgevoerd op systemen variërend van 3 tot 12 qubits met willekeurige Pauli-metingen en Gaussische ruis (SNR = 60 dB).

• Nauwkeurigheid: De voorgestelde Block-TT methode behaalde competitieve nauwkeurigheid bij het reconstrueren van gemengde toestanden. Wat betreft Fidelity en Trace Distance presteerde het beter dan MLE en vertoonde het een algemeen vergelijkbare prestatie als de Low-Rank (LR) geprojecteerde gradiëntmethode.
• Sampling Efficiëntie: Bij lage sampling ratio's ($M/D^2 < 0.3$) presteerde de convex optimalisatiemethode (CVX) het best, maar de Block-TT methode bleef competitief.
• Computationele Efficiëntie: De meest significante bevinding was de computationele tijd. Terwijl matrix-gebaseerde metingsevaluatie exponentieel schaalt met het aantal qubits, schaalt de Block-TT benadering bijna lineair. Dit stelt de methode in staat om grootschalige systemen (bijv. 12 qubits) aan te pakken waar matrix-gebaseerde methoden computationeel onhaalbaar worden.

Betekenis en Claims
Het artikel beweert dat de voorgestelde Block-TT QST-aanpak een praktische oplossing biedt voor grootschalige quantumtoestandschatting door een balans te vinden tussen geheugenefficiëntie, computationele snelheid en fysieke validiteit.

• Bescheiden Claims: De auteurs geven expliciet aan dat hun methode specifiek efficiënt is voor quantumtoestanden die goed benaderd kunnen worden door lage-rang tensor netwerken. Zij erkennen dat het huidige algoritme een eenvoudige gradient descent is en dat geavanceerdere optimalisatie over TT-manifolds de prestaties verder zou kunnen verbeteren.
• Toekomstige Richtingen: Het artikel suggereert dat toekomstig werk kan bestaan uit een rigoureuze theoretische analyse van recovery garanties en de ontwikkeling van gestructureerde tensor completion benaderingen voor deterministische reconstructie.
• Conclusie: Het werk demonstreert dat het parametriseren van dichtheidsmatrices via Block-TT netwerken een levensvatbaar, geheugen- en computationeel efficiënt alternatief is voor traditionele tomografie, in staat om nauwkeurige gemengde toestanden te reconstrueren zonder extra restricties op te leggen buiten de inherente structuur van de decompositie.