Higher moment theory and learnability of bosonic states

Probleemstelling

Kwantumtoestandstomatografie lijdt over het algemeen aan een intrinsieke exponentiële monster- en tijdscomplexiteit naarmate de systeemgrootte schaalt. Hoewel er efficiënte leeralgoritmen bestaan voor specifieke klassen toestanden (bijv. stabilizer-toestanden, circuits met lage diepte of Gaussische toestanden), bleef een belangrijke open vraag bestaan met betrekking tot Fock-toestanden die worden onderworpen aan willekeurige Gaussische unitairiteiten. Deze klasse van toestanden staat centraal in BosonSampling-experimenten, die zijn ontworpen om kwantumvoordeel aan te tonen.

Eerdere resultaten toonden aan dat fermionische Fock-toestanden onderworpen aan Gaussische unitairiteiten Gaussische toestanden zijn en dus volledig worden gespecificeerd door hun tweede momenten, wat efficiënt leren mogelijk maakt. Echter, bosonische Fock-toestanden onderworpen aan Gaussische unitairiteiten zijn niet Gaussische toestanden. Bijgevolg zijn bestaande efficiënte leeralgoritmen die vertrouwen op tweede momenten (covariantie-matrices) of klassieke simuleerbaarheid niet van toepassing. Dit artikel adresseert de vraag: Bestaat er een monster- en tijdsefficiënt algoritme om elke bosonische Fock-toestand te leren die wordt onderworpen aan een willekeurige Gaussische unitairiteit?

Methodologie en Theoretisch Kader

1. Hogere Momententheorie en $G_t$-toestanden
De auteurs introduceren een hiërarchie van toestandsklassen gedefinieerd door hun momenten. Ze definiëren een $G_t$-toestand als een bosonische gemengde toestand die de thermische toestand is van een Hamiltoniaan met graad $\le t$ in de kwadratuur-operatoren (of de grondtoestand van een dergelijke Hamiltoniaan voor zuivere toestanden).

• Belangrijk theoretisch inzicht: Terwijl Gaussische toestanden ($t=2$) volledig worden gespecificeerd door eerste en tweede momenten, bewijzen de auteurs dat Fock-toestanden onderworpen aan willekeurige Gaussische unitairiteiten volledig worden gespecificeerd door hun eerste vier momenten (specifiek de tweede en vierde momenten, aangezien oneven momenten verdwijnen voor Fock-toestanden).
• Reconstructie: Ze stellen vast dat als een toestand beloofd is een $G_t$-toestand te zijn, het kennen van de eerste $t$ momenten volstaat voor de volledige reconstructie van de toestand (via maximal-entropie principes voor gemengde toestanden of grondtoestand-uniciteit voor zuivere toestanden).

2. Symplectische Invarianten
Om de relatie tussen toestanden onder Gaussische unitairiteiten te karakteriseren, ontwikkelen de auteurs een spectrum van symplectische invarianten.

• Ze definiëren moment-tensoren $\Sigma^{(t)}$ en hervormde operatoren $\Lambda^{(s)}$.
• Ze construeren een collectie invarianten $\lambda(\rho)$ afgeleid van de eigenwaarden van specifieke operatoren die de symplectische vorm $\Omega$ en permutatie-operatoren involvolleren.
• Resultaat: Ze tonen aan dat elke polynomiale invariant onder Gaussische unitairiteiten kan worden uitgedrukt als een functie van deze symplectische invarianten. Dit biedt noodzakelijke voorwaarden voor twee toestanden om gerelateerd te zijn door een Gaussische unitairiteit (Gaussische converteerbaarheid). Ze demonstreren dat tweede-moment-invarianten (symplectische eigenwaarden van de covariantie-matrix) onvoldoende zijn om bepaalde niet-Gaussische toestanden te onderscheiden, wat hogere momenten noodzakelijk maakt.

3. Leeralgoritme
De kernbijdrage is een expliciet algoritme om de onbekende Gaussische unitairiteit $\mathcal{U}_S$ en de onbekende initiële Fock-toestand $|f\rangle$ te leren, gegeven toegang via monsters (samples) tot de toestand $|\psi\rangle = \mathcal{U}_S |f\rangle$.

• Stap 1: Momentenschatting. Het algoritme schat de eerste en tweede moment-matrices ($\Lambda^{(1)}$ en $\Lambda^{(2)}$) met behulp van heterodyne-metingen.
• Stap 2: Identificatie van de Fock-toestand. Door een Williamson-decompositie uit te voeren op het reële deel van de eerste moment-matrix (de covariantie-matrix), extraheert het algoritme de symplectische eigenwaarden. Deze eigenwaarden bepalen uniek de fotonnummers in de initiële Fock-toestand $|f\rangle$ (op een permutatie na).
• Stap 3: Herstel van de Unitariteit. Zod actuele structuur van de initiële toestand is geïdentificeerd, "ondermijnt" het algoritme het actieve (squeezing) deel van de Gaussische unitairiteit met behulp van de symplectische diagonaliserende matrix. Dit reduceert het probleem tot het leren van een passieve Gaussische unitairiteit (lineaire optica) werkend op een bekende Fock-toestand.
• Stap 4: Leren van de Passieve Unitariteit. Voor het passieve geval gebruikt het algoritme de vierde moment-matrix. Het construeert een specifieke matrix $A$ uit de vierde momenten en de bekende Fock-toestandparameters. Door $A$ te diagonaliseren en een simultane diagonalisatie van afgeleide matrices uit te voeren, herstelt het algoritme de onbekende unitaire matrix $W$ (op een permutatie en globale fasen na).

Belangrijkste Resultaten

1. Efficiënt Leeralgoritme
Het artikel presenteert Stelling 2 (en gedetailleerde versies in het Aanvullend Materiaal, Stellingen S1–S3), die bewijst dat een onbekende Fock-toestand $|f\rangle$ onderworpen aan een onbekende Gaussische unitairiteit $\mathcal{U}_S$ efficiënt geleerd kan worden.

• Monstercomplexiteit (Sample Complexity): Het aantal benodigde heterodyne-monsters schaalt polynomiaal met het aantal modi $n$, het maximale fotonaantal $f_{\max}$, en de squeezing-parameter $e^s$. Specifiek voor de standaard BosonSampling-gevallen (passieve unitairiteiten, $f_{\max}=1$), is de monstercomplexiteit $\tilde{O}(n^8)$.
• Tijdscomplexiteit: De klassieke post-verwerkingstijd is polynomiaal in $n$, $f_{\max}$ en $e^s$. Het algoritme steunt op standaard lineaire algebra-routines: matrixdiagonalisatie, singular value decomposition (SVD) en Williamson-decompositie.

2. Oplossing van een Open Vraag
Het werk lost de open vraag op die door Aaronson en Grewal werd gesteld over de leerbaarheid van BosonSampling-toestanden. Hoewel eerdere algoritmen voor "$t$-doped" Gaussische toestanden of classical shadows bestonden, hadden deze ofwel een exponentiële tijdscomplexiteit of waren ze niet van toepassing op deze specifieke niet-Gaussische klasse. Dit werk levert het eerste monster- en tijdsefficiënte algoritme voor deze klasse.

3. Numeriek Bewijs
Numerieke simulaties op willekeurige unitairiteiten suggereren dat de praktische schaling van het vereiste aantal monsters dichter bij $O(n^6)$ ligt, wat beter is dan de strikte worst-case grens van $O(n^8 \log n)$.

Betekenis en Claims

De auteurs beweren dat hun werk een nieuw kader voor het leren van kwantumtoestanden vestigt op basis van hogere momenten, waarmee de beperkingen van Gaussische toestandstomatografie worden overstegen.

• Complementariteit: De resultaten zijn complementair aan andere leeralgoritmen (zo.v. voor $t$-doped toestanden of classical shadows) die van toepassing zijn op andere klassen van niet-Gaussische toestanden.
• Invarianten: De afgeleide symplectische invarianten bieden een instrument om Gaussische converteerbaarheid te bepalen zonder een Fock-ruimte afkapwaarde (cutoff), een probleem waarbij eerdere methoden computationeel veeleisend waren of beperkt waren.
• Toekomstige Richtingen: Het artikel suggereert bescheiden dat deze moment-gebaseerde methoden uitgebreid kunnen worden naar het leren van andere $G_t$-toestanden (bijv. $t=6$) en dat de invarianten nut kunnen vinden in hulpbronnetheorieën waar Gaussische operaties als "gratis" worden beschouwd. Het merkt ook op dat de definitie van $G_t$-toestanden en de momententechnieken gegeneraliseerd kunnen worden naar fermionische systemen.

Het artikel stelt geen nieuwe experimentele opstellingen voor, maar biedt een theoretische en algoritmische oplossing voor het probleem van het karakteriseren van toestanden die gegenereerd worden in bestaande BosonSampling-architecturen, waarmee wordt aangetoond dat zij ondanks hun niet-Gaussische aard nog steeds efficiënt leerbaar blijven.