Quantum Filtering and Stabilization of Dissipative Quantum Systems via Augmented Neural Ordinary Differential Equations

Technische Samenvatting: Kwantumfiltering en Stabilisatie van Dissipatieve Kwantumsystemen via Geaugmenteerde Neural Ordinary Differential Equations

Probleemstelling
De schatting en controle van open kwantumsystemen vormen een fundamentele uitdaging wanneer de Hamiltoniaan van het systeem of het ruismodel niet volledig bekend is. In realistische experimentele settings zijn kwantumtrajecten slechts gedeeltelijk toegankelijk via continue zwakke metingen, terwijl de onderliggende dynamica wordt beïnvloed door verborgen, tijdsafhankelijke en omgevingsafhankelijke dissipatieve processen (niet-Markoviaanse effecten). Traditionele controlestrategieën, zoals optimale controle of Lyapunov-gebaseerde methoden, leunen zwaar op volledige kennis van de Hamiltoniaan en de dissipatieve dynamica van het systeem, wat ze minder geschikt maakt voor scenario's met onvolledige informatie. Bovendien missen standaard machine learning-benaderingen vaak fysieke interpreteerbaarheid en slagen ze er niet in om expliciet onbekende parameters te herstellen, die cruciaal zijn voor het ontwerpen van feedback-controlwetten. De kern van de moeilijkheid ligt in het gelijktijdig reconstrueren van de volledige kwantumtoestand (Bloch-vector) en het afleiden van verborgen dissipatiesnelheden uit onvolledige meetgegevens zonder een expliciet fysiek model.

Methodologie: Het AQNODE-raamwerk
De auteurs introduceren het Augmented Quantum Neural Ordinary Differential Equation (AQNODE) raamwerk, een data-gestuurde benadering die is ontworpen om kwantumtrajecten en dissipatieparameters direct te leren van gedeeltelijke continue meetgegevens.

1. Geaugmenteerde Toestandsrepresentatie: In tegen tegenstelling tot standaard Neural ODE's die alleen observeerbare trajecten leren, definieert AQNODE een geaugmenteerde toestandsvector $Y_{aug}(t) = [x(t), y(t), z(t), \Delta(t), \gamma(t)]^T$. Dit omvat de observeerbare Bloch-vectorcomponenten ($x, y, z$) en de verborgen, tijdsafhankelijke dissipatieparameters: de diffusiesnelheid $\Delta(t)$ en de dissipatiesnelheid $\gamma(t)$. Deze augmentatie transformeert het probleem van pure trajectvoorspelling naar een gezamenlijk systeemidentificatie- en filteringsprobleem.
2. Architectuur: Het raamwerk bestaat uit drie hoofdcomponenten:
   • Encoder: Een neuraal netwerk dat gedeeltelijke meetrecords ($dY(t)$), controle-inputs ($u(t)$) en begincondities in kaart brengt naar een latente representatie $h(t)$.
   • Neural ODE: De latente toestand evolueert continu in de tijd volgens een geleerd vectorveld $\dot{h}(t) = \text{MLP}_\theta([h(t), dY(t), u(t), t])$. Dit stelt het model in staat om de continue-tijd dynamica en de temporele gladheid die inherent zijn aan fysieke systemen te vangen.
   • Decoder: Een neuraal netwerk dat de geëvolueerde latente toestand terugbrengt naar de geaugmenteerde observeerbare ruimte, waarbij schattingen genereert voor zowel de kwantumbit-toestand als de verborgen dissipatieparameters.
3. Training en Verlies: Het model wordt op een gesuperviseerde wijze getraind met gesimuleerde data gegenereerd uit een twee-niveau time-convolutionless (TCL) mastervergelijking met een Ohmic Lorentz-Drude reservoir. De totale verliesfunctie combineert de gemiddelde kwadratische fout (MSE) tussen voorspelde en grondwaarheid-toestrajecten ($L_s$) en parametertrajecten ($L_p$), gewogen door hyperparameters $\kappa$ en $\beta$. De adjoint sensitivity methode wordt gebruikt voor geheugenefficiënte gradiëntberekening via de ODE-solver.
4. Integratie van Feedback-controle: De afgeleide toestand en parameters worden gebruikt voor real-time feedback-controle. De auteurs implementeren twee strategieën:
   • Proportioneel-Afgeleide (PD) Controle: Berekent controlevelden op basis van de fout tussen de geschatte toestand en de doeltoestand.
   • Tijdsafhankelijke Lineair-Quadratische Regelaar (LQR): Past de feedback-gains dynamisch aan door een differentiële Riccati-vergelijking op te lossen om een kostenfunctie te minimaliseren die afwijking in de toestand en controle-energie omvat.

Belangrijkste Bijdragen

• Gelijktijdige Filtering en Identificatie: AQNODE maakt de gelijktijdige reconstructie van de kwantumbit-toestand en de inferentie van verborgen, tijdsafhankelijke dissipatiesnelheden mogelijk vanuit gedeeltelijke zwakke meetgegevens, zonder dat hiervoor een expliciet fysiek model tijdens de inferentie nodig is.
• Fysieke Consistentie en Interpreteerbaarheid: Door het systeem in een latente ruimte in te bedden die evolueert via neural ODE's, waarborgt het raamwerk temporele gladheid en fysieke consistentie, en geeft het expliciet interpreteerbare parameters ($\Delta(t), \gamma(t)$) terug in plaats van enkel een black-box traject-fit.
• Data-gestuurde Controle: Het raamwerk integreert geleerde kwantumfiltering met klassieke controlestrategieën (PD en LQR), en demonstreert dat nauwkeurige toestandreconstructie vanuit gedeeltelijke data voldoende is om dissipatieve kwantumsystemen in real-time naar doeltoestanden te sturen.
• Robuustheid en Generalisatie: De aanpak wordt gevalideerd in zowel binnen-distributie (WD) als buiten-distributie (OOD) regimes, inclusief scenario's met significante variaties in omgevingsparameters ($\alpha, r$) en systeemparameters ($M, \omega_0$), evenals verstoringen in begincondities.

Resultaten
Uit extensieve numerieke simulaties op een enkele gedreven kwantumbit die interageert met een niet-Markoviaanse omgeving, blijkt de effectiviteit van AQNODE:

• Toestand en Parameter Schatting: In het WD-regime bereikt het model een lage gemiddelde kwadratische fout (MSE) voor zowel de toestandcomponenten ($< 10^{-4}$) als de parameters. In het OOD-regime, waar parameters significant afwijken van de trainingsdistributies, behoudt het model een redelijke nauwkeurigheid (MSE $< 10^{-3}$ voor toestanden), wat sterke generalisatiecapaciteiten aantoont.
• Controleprestaties: Wanneer het wordt gebruikt voor feedback-controle om de kwantumbit naar een doeltoestand $|0\rangle$ te sturen, stabiliseren de AQNODE-gebaseerde controllers (zowel PD als LQR) het systeem succesvol.
  • LQR-controle: Demonstreerde superieure prestaties ten opzichte van PD-controle wat betreft convergentiesnelheid, uiteindelijke toestand-afwijking en fidelity ($\geq 0.93$), zelfs onder OOD-condities. Deze verbeterde controleprestatie gaat echter gepaard met een hogere energieverbruik; Tabel III geeft aan dat LQR aanzienlijk grotere controle-energie vereist (bijv. 5624.1 versus 2310.9 voor PD in het WD-regime) vergeleken met PD-controle.
  • Zuiverheid en Coherentie: Het model voorspelt accuraat de evolutie van kwantumzuiverheid en coherentie, waarbij de transiënte oscillaties en steady-state gedragingen geïnduceerd door controlevelden en omgevingsdissipatie worden gevangen.
• Robuustheid tegen Verstoringen: Het raamwerk vertoont robuustheid tegen verstoringen in de initiële kwantumtoestand, waarbij het model zijn voorspellingen in de loop van de tijd corrigeert om in lijn te komen met de grondwaarheid, wat het gedrag van een kwantumfilter nabootst.

Betekenis en Claims
Het artikel claimt dat AQNODE een schaalbaar, differentieerbaar en potentieel experimenteel compatibel raamwerk vestigt voor de real-time modellering en controle van dissipatieve kwantumsystemen. Door machine learning te verbinden met kwantummechanica, biedt het werk een oplossing voor de uitdaging om kwantumsystemen te controleren zonder volledige kennis van hun Hamiltoniaanse of ruismodellen. De auteurs stellen dat dit data-gestuurde paradigma conventionele kwantumcontroletechnieken verenigt met machine learning, en een betrouwbaar instrument biedt voor kwantumtoestand-schatting en stabilisatie. Zij suggereren dat hoewel de huidige studie zich richt op een twee-niveau systeem, het raamwerk uitbreidbaar is naar hogere-dimensie en complexe kwantumsystemen, wat potentieel kan bijdrage aan kwantumfoutcorrectie en NISQ-era simulaties. De betekenis ligt in het vermogen om te fungeren als een "geleerde kwantum-observator", wat adaptieve protocollen mogelijk maakt in omgevingen waar exacte parameterverdelingen onbekend zijn.