Learning mixed quantum states in large-scale experiments

De auteurs presenteren en testen een efficiënt protocol dat klassieke schaduwen van lokale willekeurige metingen gebruikt om de matrix-product-operator-representatie van experimenteel voorbereide kwantumtoestanden te leren, wat zij succesvol demonstreren door verstrengelde toestanden van tot 96 qubits op een supergeleidende kwantumprocessor te reconstrueren.

De kern

De Grote Uitdaging: Een foto maken van een spook

Stel je voor dat je een quantumcomputer hebt met 96 "qubits" (de bouwstenen van de quantumwereld). Dit is als een enorm, ingewikkeld machinekamer vol met 96 dansende spookjes. Je wilt weten hoe deze spookjes precies bewegen en met elkaar interageren.

Het probleem? In de quantumwereld kun je niet zomaar een foto maken. Als je naar één spookje kijkt, verandert het gedrag van de rest. Om het hele plaatje te krijgen, moet je het systeem duizenden keren meten. Bij 96 qubits zou dit normaal gesproken zo veel metingen vereisen dat het langer duurt dan de leeftijd van het heelal. Het is alsof je probeert een heel boek te herschrijven door één letter per seconde te raden, terwijl het boek elke keer verandert als je kijkt.

De Oplossing: Een slimme schatting (De "Shadow" methode)

De onderzoekers gebruiken een slimme truc die "klassieke schaduwen" heet.

• De Analogie: Stel je voor dat je in een donkere kamer staat met een groot, wazig schilderij. Je kunt het schilderij niet direct zien, maar je kunt er een zaklamp op schijnen vanuit willekeurige hoeken. Door te kijken waar de schaduwen vallen op de muren, kun je met een computerprogramma reconstrueren hoe het schilderij eruit moet hebben gezien.
• In dit geval zijn de "schaduwen" de metingen die ze doen. Ze kijken niet naar alles tegelijk, maar naar kleine stukjes, willekeurig gekozen.

Het Geniale Deel: De "Lego-muur" (MPO)

Nu hebben ze duizenden schaduwen, maar hoe bouw je daar een compleet beeld van?
De onderzoekers gebruiken een methode die lijkt op het bouwen van een muur van Lego-stenen.

• In de quantumwereld wordt een complexe toestand vaak beschreven als een lange keten van blokken (dit noemen ze een Matrix Product Operator of MPO).
• De Analogie: In plaats van te proberen het hele 96-qubit-systeem in één keer te begrijpen (wat onmogelijk is), bouwen ze het stuk voor stuk op. Ze nemen één blokje (één qubit), kijken naar de schaduwen van de buren, en passen dat blokje aan zodat het perfect past. Dan gaan ze naar het volgende blokje, en zo verder.
• Dit doen ze net als een DMRG-algoritme (een bekende techniek uit de fysica), wat vergelijkbaar is met het stapelen van een toren: je legt de eerste steen, dan de tweede, en als je ziet dat de toren scheef staat, pas je de vorige steen een beetje aan voordat je verder gaat.

Wat hebben ze gedaan?

Ze hebben dit protocol getest op een echte quantumcomputer van IBM (met 96 qubits).

1. De Test: Ze lieten de computer een complex quantum-experiment doen (een "geklopt Ising-model", wat klinkt als een danspas, maar het is eigenlijk een simpele manier om verstrengeling te creëren).
2. Het Resultaat: Ze gebruikten hun "Lego-methode" om de toestand van de 96 qubits te leren kennen.
3. De Prestatie: Vroeger konden wetenschappers dit soort dingen alleen doen met ongeveer 13 qubits. Ze hebben dit nu 7 keer groter gemaakt (96 qubits).

Waarom is dit zo belangrijk?

1. Het is een "Quantum-naar-Klassieke" vertaler
Stel je voor dat je een gesprek hebt met iemand die in een andere taal spreekt. Deze methode vertaalt het ingewikkelde quantumgedrag naar een compacte, begrijpelijke beschrijving (de Lego-muur) die op een gewone computer past. Je hoeft niet elke meting opnieuw te doen om een nieuw vraag te beantwoorden; je hebt nu het "model" en kunt daar alles mee berekenen.

2. Fouten opsporen en repareren
Quantumcomputers maken veel fouten (ruis). De onderzoekers hebben hun methode gebruikt om te kijken waar die fouten zaten.

• De Analogie: Het is alsof je een gebreide trui hebt die ergens een gat heeft. In plaats van de hele trui weg te gooien, kun je met deze methode precies zien waar het gat zit en de draden eromheen zo herschikken dat het gat bijna onzichtbaar wordt. Ze hebben laten zien dat ze de "echte" toestand van de computer kunnen reconstrueren, zelfs als de metingen ruis bevatten.

3. De toekomst
Dit opent de deur voor veel grotere experimenten. Het betekent dat we in de toekomst quantumcomputers van honderden of duizenden qubits kunnen gebruiken en begrijpen, zonder dat we in de war raken door de enorme hoeveelheid data. Het is een stap in de richting van het bouwen van een echte, betrouwbare quantumcomputer.

Samenvattend

De onderzoekers hebben een slimme manier bedacht om een enorm, complex quantum-systeem te "lezen" door er willekeurig naar te kijken (schaduwen) en het vervolgens stap voor stap op te bouwen als een Lego-muur. Ze hebben dit succesvol getest op een machine met 96 qubits, wat een wereldrecord is voor dit soort analyse, en het helpt ons om fouten in quantumcomputers beter te begrijpen en te corrigeren.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Learning mixed quantum states in large-scale experiments" in het Nederlands.

Probleemstelling

Het karakteriseren van de kwantumtoestand van een systeem met $N$ qubits is een cruciale, maar uitdagende stap in kwantumsimulatie en -computatie. Traditionele methoden voor kwantumtoestands-tomografie (QST) vereisen een exponentieel aantal metingen ($O(2^N)$) en zijn onhaalbaar voor grote systemen.
Hoewel klassieke schaduwen (classical shadows) een efficiëntere aanpak bieden voor het schatten van lokale eigenschappen en entanglement, blijft het lastig om de volledige gemengde toestand (mixed state) van een groot systeem te reconstrueren. Bestaande methoden voor het leren van Matrix Product Operators (MPO's) uit data missen vaak analytische prestatiegaranties of zijn niet compatibel met de robuustheid en efficiëntie van het klassieke-schaduw-framework. Er is dus behoefte aan een protocol dat:

1. Schaalbaar is naar grote systemen (honderden qubits).
2. Wiskundig bewezen efficiënt is onder realistische experimentele omstandigheden (ruis, eindige correlatielengtes).
3. Direct toegang biedt tot globale eigenschappen zonder het dataset herhaaldelijk te hoeven verwerken.

Methodologie

De auteurs introduceren een protocol om de Matrix Product Operator (MPO) representatie van een experimenteel voorbereide kwantumtoestand $\rho$ te leren, gebruikmakend van data verkregen via lokale gerandomiseerde metingen.

Kerncomponenten van het protocol:

1. Input (Klassieke Schatten): Het protocol gebruikt twee datasets van gerandomiseerde metingen: een leer-set ($N_u^L$) en een test-set ($N_u^T$). Uit deze metingen worden klassieke schaduwen $\hat{\rho}$ gegenereerd.
2. MPO Ansatz: De te leren toestand $\sigma$ wordt gemodelleerd als een MPO met tensor $M^{(j)}$ en een bond-dimension $\chi'$.
   $$\sigma = \sum_{\{s_j\},\{s'_j\}} M^{(1)}_{s_1,s'_1} \dots M^{(N)}_{s_N,s'_N} |\{s_j\}\rangle\langle\{s'_j\}|$$
3. Sequential Tensor Optimization: De optimalisatie gebeurt sequentieel, vergelijkbaar met het Density Matrix Renormalization Group (DMRG) algoritme.
   • Het doel is het maximaliseren van de geometrisch-gemiddelde fideliteit ($F_{GM}$) tussen de experimentele toestand $\rho$ en de MPO $\sigma$.
   • In plaats van de volledige toestand te gebruiken, wordt elke tensor $M^{(j)}$ geüpdatet door een lineair systeem op te lossen dat alleen afhankelijk is van de gereduceerde dichtheidsmatrix van een lokaal gebied $I_j = [j-\ell, j+\ell]$.
   • De update-regel is: $\text{tr}_{I_j\setminus j}[\sigma_{I_j} \partial_{M^{(j)}} \sigma_{I_j}] = \text{tr}_{I_j\setminus j}[\rho_{I_j} \partial_{M^{(j)}} \sigma_{I_j}]$.
   • Dit vereist dat de correlatielengte van de toestand kleiner is dan de windowgrootte $\ell$.
4. Efficiënte Validatie (AFC): Om de kwaliteit van de geleerde toestand te testen zonder de volledige toestand te reconstrueren, gebruiken de auteurs Approximate Factorization Conditions (AFC).
   • Onder de aanname dat de toestand een eindige correlatielengte heeft, kan de globale fideliteit $F_{max}(\rho, \sigma)$ worden benaderd door het product van lokale fideliteiten over overlappende blokken.
   • Dit maakt het mogelijk om de fideliteit en zuiverheid (purity) te schatten met een polynomiaal aantal metingen ($O(N)$), in plaats van exponentieel.

Belangrijkste Bijdragen

1. Schaalbaarheid: Het eerste experimentele bewijs van het leren van verstrengelde kwantumtoestanden tot $N=96$ qubits op een supergeleidende kwantumprocessor (IBM Brisbane). Dit is een aanzienlijke stap vooruit ten opzichte van eerdere beperkingen tot $N \approx 13$ qubits voor gerandomiseerde metingen.
2. Theoretische Garantie: Het protocol is wiskundig bewezen efficiënt onder technische voorwaarden die typisch zijn voor kort-bereik-correlaties en thermische toestanden. De auteurs bewijzen dat de statistische fouten onafhankelijk zijn van de totale systeemgrootte $N$, mits het aantal metingen per tensor lokaal wordt gehouden.
3. MIXED-STATE LEARNING: In tegenstelling tot veel eerdere methoden die zich richten op zuivere toestanden, leert dit protocol expliciet gemengde toestanden, wat essentieel is voor het modelleren van ruis in NISQ-apparaten.
4. Error Mitigation: Het protocol maakt Quantum Principal Component Analysis (QPCA) mogelijk. Door de MPO $\sigma$ te gebruiken als input voor een DMRG-algoritme op de Hamiltoniaan $H = -\sigma$, kunnen de auteurs de zuivere hoofdcomponent (de toestand met het grootste eigenwaarde) extraheren, wat effectief ruis reduceert.

Experimentele Resultaten

De auteurs testten het protocol op een "kicked Ising model" circuit met diepte $D=1$ en $D=2$ op 96 qubits.

• Fideliteit: De geleerde MPO $\sigma$ bereikte een maximale fideliteit van ongeveer 75% voor $D=1$ en 50% voor $D=2$ ten opzichte van de experimentele toestand $\rho$. Dit is aanzienlijk hoger dan de fideliteit ten opzichte van de ideale, ruisvrije doelttoestand $|\psi\rangle$, wat aantoont dat het protocol de experimentele ruis correct heeft gekarakteriseerd.
• Fysieke Eigenschappen: De verwachtingswaarden van magnetisatie en 2-ligging correlatiefuncties die uit de geleerde MPO werden berekend, kwamen uitstekend overeen met de waarden geschat via klassieke schaduwen van de testset.
• Entropie: De tweede Rényi-entropie ($S_2$) werd geschat en toonde een zwakke volume-wet ($S_2 \propto N$), wat consistent is met de verwachte ruis in het systeem.
• Error Mitigation: Door QPCA toe te passen op de geleerde MPO, konden de auteurs een zuivere toestand reconstrueren met een fideliteit van >90% ten opzichte van de ideale doelttoestand (voor $D=1$), wat een dramatische verbetering toont ten opzichte van de ruwe experimentele data.

Significantie en Toekomstperspectief

Dit werk markeert een doorbraak in de kwantumtoestands-tomografie voor grote systemen.

• Van Kwantum naar Klassiek: Het protocol fungeert als een "converter" die ruwe meetdata comprimeert tot een compacte klassieke beschrijving (de MPO).
• Herbruikbaarheid: Eenmaal de MPO is geleerd, kunnen diverse fysieke eigenschappen worden berekend zonder de oorspronkelijke dataset opnieuw te hoeven verwerken.
• Toepassingen: De methode opent de deur voor geavanceerde toepassingen zoals:
  • Error Mitigation: Het verwijderen van ruis uit experimentele data via tensor-netwerk methoden.
  • Circuit Cutting: Het opslaan van tussentijdse toestanden van een kwantumalgoritme als een MPO en het hervatten van de berekening op een ander apparaat.
  • Hybride Experimenten: Het gebruik van een fouttolerante kwantumcomputer om toestanden te analyseren die zijn voorbereid op een ruisige simulator.

Samenvattend biedt dit papier een robuust, schaalbaar en theoretisch onderbouwd raamwerk om de complexe, gemengde toestanden van moderne kwantumprocessors volledig te karakteriseren en te corrigeren.