Error-mitigated quantum state tomography using neural networks

Titel: Foutgecorrigeerde kwantumtoestandstomografie met behulp van neurale netwerken

Auteurs: Yixuan Hu, Mengru Ma en Jiangwei Shang
Instelling: Beijing Institute of Technology, China

---

1. Het Probleem

Kwantumtoestandstomografie (QST) is een fundamentele taak in de kwantuminformatiewetenschap om onbekende kwantumtoestanden te reconstrueren op basis van meetgegevens. Hoewel QST een standaardkader biedt, wordt de nauwkeurigheid in realistische experimentele omgevingen ernstig aangetast door:

• Experimentele ruis: Meetfouten en omgevingsruis vervuilen de data, wat leidt tot vertekende of onnauwkeurige reconstructies.
• Beperkingen van bestaande methoden:
  • Process-tomografie: Vereist extra metingen en gaat uit van stabiele ruis.
  • Compressed sensing: Is afhankelijk van een 'low-rank' aanname en werkt niet voor algemene toestanden.
  • Traditionele ML-methoden: Vaak beperkt tot specifieke ruismodellen of vereisen expliciete kennis van het ruisproces.

Er is behoefte aan een schaalbare, datagedreven methode die onbekende ruis kan mitigeren zonder expliciete aannames over het ruismodel of de meetopstelling.

2. Methodologie

De auteurs stellen een schaalbare tomografiemethode voor die gebaseerd is op Multilayer Perceptrons (MLP's) en toezichtloos leren (supervised learning). De kern van de aanpak is dat het neurale netwerk de ruis direct leert uit de data, zonder dat er een analytisch model van de ruis nodig is.

Het Kader (Figuur 1):
Het proces omvat twee parallelle paden:

1. Fysisch pad: Een ideale, ruisvrije toestand $\rho$ wordt blootgesteld aan ruis (kan willekeurig zijn), wat resulteert in een ruizige toestand $\rho_n$. Vervolgens worden metingen uitgevoerd, wat een datavector $D$ oplevert.
2. Numeriek pad (Encodering): Om de fysische beperkingen van dichtheidsmatrices te waarborgen en redundantie te verminderen, wordt de reconstructie getransformeerd:
   • Cholesky-decompositie: De dichtheidsmatrix wordt geschreven als $\rho = RR^\dagger$, waarbij $R$ een ondertriangulaire matrix is. Alleen de onafhankelijke elementen van $R$ worden behouden als een reëel parametervector $\alpha$.
   • Normalisatie: Bij het decoderen wordt genormaliseerd via $\rho' = RR^\dagger / \text{tr}(RR^\dagger)$ om te garanderen dat de output een geldige dichtheidsmatrix is.
   • Verbeterde Encodering: Om numerieke stabiliteit te vergroten, wordt een aangepaste "one-hot"-inspiratie encodering gebruikt. Continue parameters worden gediscretiseerd in sectoren en weergegeven als een convexe combinatie van twee buren, wat de trainingsstabiliteit verbetert.

Neuraal Netwerk Architectuur:

• Input: De meetdatavector $D$ (ruizige metingen).
• Output: De parametervector $\alpha$ (die de ruisvrije toestand $\rho$ representeert).
• Structuur: Er worden MLP's gebruikt met verborgen lagen. De activatiefunctie is de Leaky ReLU.
• Training: Het netwerk wordt getraind met de Mean Squared Error (MSE) verliesfunctie en de Adam-optimizer. Het leert de niet-lineaire mapping van ruizige metingen naar de onderliggende ruisvrije toestand.

Ruis- en Meetmodellen:

• De methode is model-onafhankelijk. Voor simulaties worden echter standaardkanalen gebruikt (depolariserend, bit-flip, phase-flip, amplitude-damping) met willekeurige sterktes.
• Als metingen worden lokale Pauli-projectieve metingen gebruikt (een coars-grained kubusmeting), wat de inputdimensie verlaagt en de schaalbaarheid verbetert.

3. Belangrijkste Bijdragen

• Model-onafhankelijke ruismitigatie: De methode vereist geen expliciete kennis van het ruisproces of de meetapparatuur. Het leert de ruispatronen puur uit de trainingsdata.
• Schaalbaarheid: De aanpak werkt effectief voor systemen van 6 tot 10 qubits en toont geen systematische degradatie naarmate het aantal qubits toeneemt.
• Efficiëntie bij Pure Toestanden: Voor gestructureerde pure toestanden (zoals GHZ- en Dicke-toestanden) volstaat een onvolledige set metingen (minder dan informatie-compleet) voor nauwkeurige reconstructie, wat de benodigde meetbronnen aanzienlijk verlaagt.
• Behoud van fysische eigenschappen: Door de Cholesky-decompositie en normalisatie wordt gegarandeerd dat de output een geldige dichtheidsmatrix is.

4. Resultaten

De auteurs hebben hun methode getest op zowel pure als gemengde toestanden:

• Pure Toestanden (GHZ- en Dicke-toestanden):

  • Voor 6 tot 10 qubits werd een gemiddelde fideliteit van $\bar{F} > 0.995$ bereikt.
  • Zelfs in de slechtste gevallen bleef de fideliteit boven de 0.975.
  • De methode bleek zeer effectief in het mitigeren van ruis, zelfs met een subset van informatie-compleet metingen.

• Gemengde Toestanden (Twee-qubit systemen):

  • Voor 1000 willekeurige gemengde toestanden toonde de fideliteit van de gereconstrueerde toestand ($F_{rec}$) een duidelijke verbetering ten opzichte van de ruizige input ($F_{noisy}$).
  • Foutanalyse: De afwijkingen in zuiverheid (purity) en negativiteit (entanglement) bleven gematigd, zelfs bij hogere infideliteiten. Bij een infideliteit < 0.1 waren de afwijkingen < 0.06.
  • Interessant fenomeen: De beste resultaten werden behaald bij toestanden met een gemiddelde ruissterkte, niet bij bijna ruisvrije toestanden. Dit komt doordat het netwerk conservatief "ontruist"; bij zeer weinig ruis interpreteert het netwerk soms ruisvrije data als ruizig en past het onnodige correcties toe, wat de fideliteit licht verlaagt.
  • Meetstatistieken: Het verhogen van het aantal meetherhalingen ($m$) verbeterde de fideliteit en verlaagde de variantie, wat consistent is met theoretische verwachtingen.

5. Betekenis en Toekomstperspectief

• Praktische Toepasbaarheid: Deze methode biedt een krachtig hulpmiddel voor experimenten met beperkte meetbronnen en in omstandigheden met onbekende of complexe ruis. Het maakt nauwkeurige reconstructie mogelijk zonder uitgebreide kalibratie van het ruisproces.
• Schaalbaarheid: De aanpak is geschikt voor grotere kwantumsystemen, wat essentieel is voor de ontwikkeling van kwantumcomputers.
• Toekomstige Richtingen:
  • Uitbreiding naar tijdsafhankelijke of gecorreleerde ruis (huidige aanname is stationaire ruis). Dit zou recurrente neurale netwerken (RNN's) kunnen vereisen.
  • Integratie van physics-informed neural networks om fysische constraints nog sterker te integreren en de nauwkeurigheid verder te verhogen.

Conclusie:
Het artikel demonstreert dat neurale netwerken, specifiek MLP's met een zorgvuldig ontworpen encodering, een robuust en schaalbaar alternatief bieden voor traditionele QST-methoden. Ze kunnen onbekende ruis effectief mitigeren en leiden tot hoge fideliteit reconstructies van kwantumtoestanden, zelfs in complexe en ruizige experimentele settings.