Nonparametric Learning Non-Gaussian Quantum States of Continuous Variable Systems

Titel: Non-parametrisch leren van niet-Gaussische kwantumtoestanden van systemen met continue variabelen

Auteurs: Liubov Markovich, Xiaoyu Liu en Jordi Tura
Instituut: Instituut-Lorentz, Universiteit Leiden & Applied Quantum Algorithms Leiden

1. Het Probleem

Continue-variabele (CV) kwantumsystemen, zoals lichtvelden in de kwantumoptica, zijn fundamenteel voor kwantumberekening, communicatie en sensing. Het reconstrueren van deze toestanden (kwantumtoestandsreconstructie) is echter uitdagend vanwege de oneindige dimensie van de Hilbertruimte.

• Beperkingen van bestaande methoden: Traditionele methoden zoals Maximum Likelihood Estimation (MLE) vereisen vaak parametrische aannames over de vorm van de toestand (bijvoorbeeld dat deze Gaussisch is of een mengsel van een beperkt aantal Gaussische componenten). Dit leidt tot modelbias: als de werkelijke toestand complex is (bijvoorbeeld niet-Gaussisch, multimodaal, zoals "cat states" of GKP-toestanden), falen deze methoden of geven ze onnauwkeurige resultaten.
• Probleem met tomografie: Hoewel de tomografische weergave (symplectische tomogrammen) een klassieke waarschijnlijkheidsverdeling biedt die compatibel is met statistische methoden, is de reconstructie ervan vaak onstabiel. Methoden zoals histogrammen of Radon-transformaties zijn gevoelig voor ruis en kunnen leiden tot niet-fysische toestanden (bijvoorbeeld negatieve zuiverheid).
• Ruis: Experimentele data bevat onvermijdelijk ruis (detectie-efficiëntie, mode-mismatching), wat de reconstructie verder verstoort.

2. Methodologie: Kernel Quantum State Estimation (KQSE)

De auteurs introduceren een nieuw, non-parametrisch raamwerk genaamd Kernel Quantum State Estimation (KQSE). Deze methode maakt geen enkele aannames over de vorm van de kwantumtoestand en werkt puur op basis van de gemeten data.

De kern van de methode bestaat uit drie stappen:

1. Non-parametrische Kernelschatting (KDE) van het Tomogram:
   In plaats van een parametrisch model te passen, wordt het symplectische tomogram $W(x|\mu, \nu)$ (de waarschijnlijkheidsverdeling van de quadratuur $X_{\mu,\nu}$) geschat met behulp van Kernel Density Estimation (KDE). Dit maakt het mogelijk om complexe, multimodale structuren nauwkeurig te reconstrueren zonder binning-artefacten of modelbias.

2. Kernel Characteristic Function Estimation (KCFE):
   Om de convergentie te optimaliseren en ruis te filteren, schatten de auteurs niet direct het tomogram, maar de karakteristieke functie (CF) $\phi(t; \mu, \nu)$, die de Fourier-getransformeerde is van het tomogram.

   • De CF wordt geschat als een product van de empirische CF van de data en de CF van de kernelfunctie.
   • Ruisfiltratie: De methode integreert een ingebouwde correctiestap voor meetruis. Als de ruis onafhankelijk is en een bekende verdeling heeft (bijvoorbeeld Gaussisch), kan de CF van het signaal worden "ontvouw" (deconvolutie) door te delen door de CF van de ruis. Dit gebeurt analytisch in het domein van de karakteristieke functie, wat veel stabieler is dan in het domein van de verdelingen.

3. Reconstructie van de Dichtematrix en Trace-eigenschappen:
   Vanuit de geschatte CF kunnen alle eigenschappen van de kwantumtoestand worden afgeleid:

   • De dichtematrix $\rho(y, y')$ wordt verkregen via een inverse Fourier-transformatie van de CF.
   • Trace-eigenschappen zoals zuiverheid ($\text{tr}(\rho^2)$), overlap ($\text{tr}(\rho_1\rho_2)$) en de trace-afstand ($D(\rho_1, \rho_2)$) worden direct berekend via integralen van de CF's, zonder de tussenstap van het reconstrueren van de volledige Wigner-functie.

3. Belangrijkste Bijdragen en Theoretische Resultaten

• Universele Ondergrens: De auteurs bewijzen dat de trace-afstand tussen twee kwantumtoestanden ondergrens wordt door de totale variatie tussen hun bijbehorende tomogrammen. Dit geldt voor elke kwantumtoestand, niet alleen Gaussische.
• Convergentiesnelheid:
  • De KQSE-methode bereikt een convergentiesnelheid van $\tilde{O}(T^{-1})$ voor de kwadratische afstand (MSE), waarbij $T$ het totale aantal metingen is.
  • Dit is bijna optimaal en vergelijkbaar met parametrische methoden (zoals MLE), maar dan zonder de noodzaak van een correct parametrisch model.
  • Voor de trace-afstand is het aantal benodigde metingen om precisie $\epsilon$ te bereiken $O(\epsilon^{-5/2})$, wat universeel geldt ongeacht de complexiteit van de toestand.
• Robuustheid: De methode is uiterst robuust voor niet-Gaussische, multimodale toestanden (zoals cat states) en presteert goed in aanwezigheid van meetruis dankzij de ingebouwde deconvolutie in het CF-domein.

4. Resultaten (Simulatie en Experiment)

De auteurs hebben hun methode getest op zowel gesimuleerde data als experimentele homodyne-tomografische data.

• Simulatie (Coherent Cat State):

  • Bij het reconstrueren van een "Cat State" (een superpositie van drie coherent toestanden) faalde MLE met een 2-componenten Gaussisch mengsel (GMM=2) volledig door modelbias. Een 3-componenten model (GMM=3) deed het beter, maar bleef onnauwkeurig.
  • KQSE leverde de nauwkeurigste reconstructie van het tomogram, de karakteristieke functie en de dichtematrix, met een significante vermindering van de fouten in vergelijking met MLE, ongeacht de ruisniveaus.
  • De ingebouwde ruiscorrectie in KQSE herstelde de nauwkeurigheid bijna volledig tot het niveau van ruisvrije data.

• Experiment (Schrödinger Kitten State):

  • De methode werd toegepast op experimentele data van een "kitten state" (een superpositie van vacuüm en één foton) gegenereerd via conditionele metingen.
  • De experimentele data vertoonde asymmetrieën die niet door het ideale theoretische model werden voorspeld.
  • KQSE presteerde beter dan MLE (zowel met 1 als 2 componenten) in het reconstrueren van de karakteristieke functie en de dichtematrixkernel. De fouten (ISE en $L_\infty$) waren het laagst voor KQSE, wat aantoont dat de methode minder gevoelig is voor modelmisspecificatie en experimentele imperfecties.

5. Betekenis en Conclusie

Deze studie biedt een doorbraak in het karakteriseren van kwantumtoestanden voor continue variabelen:

1. Onafhankelijkheid van het model: KQSE elimineert de noodzaak om vooraf te weten of een toestand Gaussisch is of hoeveel componenten een mengsel heeft. Dit is cruciaal voor de ontwikkeling van universele kwantumcomputers en kwantumfoutcorrectie, waar complexe, niet-Gaussische toestanden essentieel zijn.
2. Efficiëntie: De methode bereikt een convergentiesnelheid die vergelijkbaar is met de beste parametrische methoden, maar zonder hun beperkingen.
3. Robuustheid: De ingebouwde techniek voor ruisfiltratie in het karakteristieke functiedomein maakt de methode ideaal voor realistische experimentele setups met imperfecte detectoren.

Kortom, KQSE is een universeel, data-gedreven raamwerk dat de reconstructie van complexe kwantumtoestanden mogelijk maakt met een hoge nauwkeurigheid en stabiliteit, zelfs in de aanwezigheid van ruis en zonder voorafgaande kennis van de toestand.