A machine learning approach to tomographic pattern generation and classification of quantum states of light

Titel: Een machine learning-benadering voor de generatie en classificatie van tomografische patronen van kwantumtoestanden van licht

1. Het Probleem

De reconstructie van kwantumtoestanden van licht (zoals fotonengetaltoestanden, coherente toestanden en foton-gevoegde toestanden) uit experimentele data is een fundamentele maar uitdagende taak in de kwantumoptica. De traditionele methode, Quantum State Tomography (QST), vereist het reconstrueren van de volledige dichtheidsmatrix of Wigner-functie.

• Uitdagingen: QST is computationeel intensief, vereist een oneindig aantal projecties in theorie (in de praktijk een groot aantal), en wordt extreem moeilijk voor multimode-systemen of systemen met een grote Hilbertruimte.
• Beperkingen van bestaande ML: Bestaande machine learning (ML) methoden voor QST focussen vaak op het reconstrueren van de dichtheidsmatrix zelf, wat nog steeds complex is, of vereisen extra classificatienetwerken om toestanden te onderscheiden.
• Doel: De auteurs willen een alternatieve route vinden waarbij de optische tomogrammen (patronen van waarschijnlijkheidsdichtheden van veldkwantiteiten) direct worden gebruikt om toestanden te genereren en te karakteriseren, zonder de tussenstap van volledige state-reconstructie of extra classificatoren.

2. Methodologie

De auteurs gebruiken een Wasserstein Generative Adversarial Network (WGAN) framework, gekoppeld aan diepe convolutie-neurale netwerken (CNNs).

• Input: Optische tomogrammen worden visualiseerd als 2D-patroonbeelden (met de kwadratuur $X_\theta$ op de x-as en de fase $\theta$ op de y-as). De trainingdata omvat tomogrammen van drie soorten toestanden:
  1. Fock-toestanden $|n\rangle$ (fotonengetaltoestanden).
  2. Coherente toestanden (CS) $|\alpha\rangle$.
  3. Single-photon added coherent states (1-PACS) $|\alpha, 1\rangle$.
• Architectuur:
  • Generator (G): Een CNN die ruwe toevallige invoer omzet in gegenereerde tomografische patronen.
  • Discriminator (Critic) (D): Een CNN die probeert het verschil te vinden tussen echte (invoer) en gegenereerde patronen.
  • Verliesfunctie: In plaats van de standaard GAN-verliesfunctie, gebruiken ze de Wasserstein-afstand (Earth Mover's Distance). Dit biedt een gladde, niet-verdwijnende gradiënt, zelfs wanneer de verdelingen niet overlappen, wat zorgt voor stabielere training.
• Training: Het systeem wordt getraind totdat de Wasserstein-afstand tussen invoer en output laag en stabiel is. Er worden twee foutmodellen toegepast om robuustheid te testen (uniforme en normale ruis).
• Karakterisering zonder extra netwerken: Een cruciaal aspect is dat na training de fysieke eigenschappen (gemiddeld fotonengetal $\langle \hat{n} \rangle$, kwadratuurvariaties $\Delta \hat{X}^2_\theta$, en hogere momenten) direct worden berekend uit de gegenereerde tomogrammen via geïntegreerde formules, zonder een extra classificatie-neuraal netwerk.

3. Belangrijkste Bijdragen

1. Directe Generatie van Tomogrammen: Het bewijs dat een WGAN kan worden getraind om realistische optische tomografische patronen te genereren die overeenkomen met specifieke kwantumtoestanden.
2. Directe Karakterisering: De ontwikkeling van een methode om fysieke observabelen (zoals het gemiddelde aantal fotonen en variances) direct uit de gegenereerde patronen te extraheren. Dit omzeilt de noodzaak voor dure en complexe state-reconstructie (QST).
3. Classificatie via Momenten: Het aantonen dat toestanden kunnen worden onderscheiden (geclassificeerd) puur op basis van de berekende momenten uit de gegenereerde tomogrammen, zelfs wanneer toestanden visueel zeer vergelijkbaar zijn (bijv. versterkte coherente toestanden vs. 1-PACS bij hoge $\alpha$).
4. Robuustheid en Kleurkaarten: Een grondige analyse van de invloed van kleurkaarten (colormaps) op de nauwkeurigheid. Ze tonen aan dat een niet-lineaire kleurkaart met een "regulator" (om artefacten in de staart van de verdeling te onderdrukken) de nauwkeurigheid verbetert, hoewel lineaire kaarten ook bruikbaar zijn.
5. Validatie met Experimentele Data: Het succesvol toepassen van het model op data uit recente experimenten (o.a. over foton-gevoegde toestanden), waarbij de ML-resultaten de experimentele trends in fideliteit en observabelen nauwkeurig weerspiegelen.

4. Resultaten

• Nauwkeurigheid: De gegenereerde toestanden tonen een gemiddeld fotonengetal en kwadratuurvariaties die binnen 4% van de theoretische waarden liggen voor de meeste gegenereerde samples.
• Onderscheid tussen toestanden:
  • Voor Fock-toestanden is de intensiteitsverdeling onafhankelijk van de fase $\theta$, wat correct wordt gereproduceerd.
  • Voor Coherente toestanden en 1-PACS wordt de fase-afhankelijkheid correct weergegeven.
  • Het systeem kan onderscheid maken tussen een versterkte coherente toestand en een 1-PACS, zelfs wanneer hun fideliteit dicht bij 1 ligt (visueel bijna identieke tomogrammen). Dit wordt bereikt door de variatie te meten: de 1-PACS vertoont "squeezing" (variatie < 0.5) bij hoge $\alpha$, terwijl de coherente toestand dit niet doet.
• Robuustheid: Het model blijft presteren onder toevoeging van ruis (tot 25% foutdrempel) en werkt zowel met RGB-beelddata als met ruwe numerieke arrays (hoewel beelden iets beter presteren of vergelijkbaar zijn).
• Non-classicality: Het is mogelijk om direct vanuit de gegenereerde tomogrammen de "non-classical area" (NI) te berekenen, wat een maat is voor de niet-klassieke aard van de toestand, zonder Wigner-functie reconstructie.

5. Betekenis en Toekomstperspectief

Deze studie biedt een viable alternatief voor traditionele kwantumstate-tomografie, vooral voor systemen met een grote Hilbertruimte waar volledige reconstructie onpraktisch is.

• Efficiëntie: Het elimineert de noodzaak voor complexe reconstructie-algoritmen (zoals Maximum Likelihood Estimation) en extra classificatienetwerken.
• Toepasbaarheid: De methode is direct toepasbaar op experimentele data en kan dienen als een "look-up table" voor het karakteriseren van onbekende toestanden.
• Toekomst: De auteurs suggereren dat toekomstig werk zich kan richten op het verminderen van de lichte scheefheid (bias) in de gegenereerde verdelingen (veroorzaakt door de netwerkarctitectuur en kleurtransities) via technieken zoals lokale padding of super-resolutie GANs. Daarnaast kan de methode worden uitgebreid naar multipartite systemen en hybride kwantumsystemen.

Kortom, het papier demonstreert dat machine learning, specifiek WGANs, niet alleen kan worden gebruikt om kwantumtoestanden te reconstrueren, maar dat het direct kan worden gebruikt om de patronen van deze toestanden te genereren en hun fysieke eigenschappen direct af te leiden, wat een nieuwe weg opent voor snelle en robuuste kwantumdiagnostiek.