QMaxCal: Path-Space Regularization for Open Quantum Control via Girsanov's Theorem

Technische Samenvatting: QMaxCal: Path-Space Regularisatie voor Open Kwantumcontrole via de Stelling van Girsanov

Probleemstelling
Betrouwbare kwantumcontrole in realistische omgevingen wordt gehinderd door decoherentie—de irreversibele koppeling van een kwantumsysteem aan zijn omgeving. Hoewel bestaande methoden voor kwantumoptimale controle (bijv. GRAPE, Krotov-methode, Reinforcement Learning) effectief controlepulsen voor fideliteit optimaliseren, behandelen zij decoherentie vaak als een statische kostenpost of passen zij generieke straffen toe op controle-fluëntie (energie) of gladheid. Deze benaderingen houden niet expliciet rekening met de manier waarop verschillende controlebeleid (control policies) het systeem door de Hilbertruimte leiden, wat het systeem potentieel blootstelt aan variërende graden van omgevingsruis. De centrale uitdaging is het ontwikkelen van controlebeleid die het systeem actief stuurt naar toestanden of subruimten waar de observeerbare gevolgen van decoherentie worden geminimaliseerd, in plaats van enkel de controle-amplitude te minimaliseren.

Methodologie
De auteurs stellen QMaxCal voor, een framework voor path-space regularisatie dat direct opereert op de distributie van kwantumtrajecten. De methode maakt gebruik van de Stochastische Schrödinger-vergelijking (SSE) om open kwantumsystemen onder continue monitoring te modelleren. In dit framework genereert de interactie van het systeem met de omgeving klassieke meetrecords. Cruciaal is dat voor twee evoluties die dezelfde decoherentiekanalen (Lindblad-operatoren) delen, deze records alleen verschillen in hun drifttermen, terwijl ze dezelfde onderliggende ruisstructuur (Wiener-incremementen) delen.

De kern van de theoretische innovatie is de toepassing van de Stelling van Girsanov om een gesloten vorm, differentieerbare estimator af te leiden van de Kullback-Leibler (KL) divergentie tussen de trajectdistributies van een gecontroleerde evolutie en een referentiemaat. Dit maakt het mogelijk om het optimalisatiedoel te gebruiken om de "observeerbare gevolgen" van de controle op de decoherentiekanalen te bestraffen.

Het framework instantiëert deze algemene estimator met twee fysisch gemotiveerde referentiamaten, wat resulteert in twee onderscheidende regularisaties:

1. Wiener KL (KLW): Gebruikt de Wiener-maat (zuivere Brownse beweging met nul-drift) als referentie. Deze regularisator stuurt het systeem naar de gezamenlijke kernel van de Lindblad-operatoren (waar de drift $\alpha_k = \langle L_k + L_k^\dagger \rangle = 0$). Dit is het meest effectief wanneer het systeem door een decoherentievrije subruimte (DFS) kan worden geleid (waar de ruis volledig verdwijnt).
2. Drift-Variance (RDV): Gebruikt het dichtstbijzijnde proces met een constante drift als referentie. Deze regularisator minimaliseert de variantie van de drift over de tijd en over verschillende ruisrealisaties. Dit stuurt het systeem naar elke decoherentievrije subruimte, zelfs die met een niet-nul constante drift (waar de staat een eigenwaarde is van de Lindblad-operatoren, maar niet noodzakelijkerwijs in hun kernel zit).

De totale verliesfunctie combineert de standaard eindtoestand-fideliteit met deze regularisaties en een standaard fluëntie-straf:
$$\mathcal{L}(\theta) = 1 - \mathbb{E}_{P_\theta}[F(\psi(T))] + \lambda_{KLW} KLW + \lambda_{RDV} RDV + \lambda_{flu} Flu$$

Belangrijkste Bijdragen

1. Gesloten Forme KL-Estimator: De auteurs leiden een gesloten vorm estimator af voor de KL-divergentie over de kwantumtrajectruimte (Eq. 8) die geldig is voor elke paar evoluties die dezelfde Lindblad-operatoren delen, gebruikmakend van de stelling van Girsanov.
2. Nieuwe Regularisatoren: De introductie van KLW en RDV, die de koppeling aan de omgeving bestraffen (via de drift van de meetrecord) in plaats van de controle-amplitude zelf. Deze zijn kwalitatief verschillend van bestaande straffen op fluëntie of gladheid.
3. Empirische Validatie: Het framework wordt getest op vijf open-systeem benchmarks, waaronder single-qubit amplitude damping, STIRAP (Stimulated Raman Adiabatic Passage), een vier-niveau "diamant"-systeem, een synthetische qubit-keten met locatie-afhankelijke ruis, en een zes-qubit keten gekalibreerd op de IBM Kingston processor.

Resultaten
De regularisatoren laten significante verbeteringen zien ten opzichte van ongeregulariseerde gradiëntgebaseerde baselines en beperkte (constrained) Reinforcement Learning (PPO) baselines:

• Fideliteitswinsten: Over de benchmarks heen verminderen de regularisatoren de infideliteit met wel 50%. In de op IBM Kingston gekalibreerde keten bereikte de drift-variance regularisator een reductie in infideliteit van $\sim 16\%$ vergeleken met de baseline.
• Robuustheid tegen Ruis-mismatch: De methoden vertonen superieure robuustheid wanneer het trainingsruismodel verschilt van de testomgeving. Voor het diamant-systeem behield een beleid getraind op een specifiek ruisniveau een hoge fideliteit onder een $2,5\times$ sterkere ruismismatch, waarbij het de baseline met +27 procentpunten (pp) versloeg.
• Traject-routing: In de amplitude damping benchmark slaagde de Wiener KL-policy erin het traject door de grondtoestand (de kernel van de Lindblad-operator) te leiden, waardoor de tijd-geïntegreerde populatievariantie met een factor 15 werd verminderd ten opzichte van de baseline. In het diamant-systeem dwong de regularisator de optimizer om een veilige indirecte route via een hulptoestand te ontdekken, waardoor een verlieslatende directe koppeling werd vermeden die de baseline in een lokaal minimum gevangen hield.
• Computationele Efficiëntie: Door te opereren op toestandsvectoren (trajecten) in plaats van dichtheidsmatrices, profiteert de SSE-gebaseerde aanpak van een kwadratisch geheugenvoordeel, waardoor simulaties van systemen tot 12 qubits mogelijk zijn op een enkele GPU, terwijl dichtheidsmatrix-solvers bij deze schaal het geheugen tekortkomen.

Significantie en Claims
De paper claimt dat QMaxCal een fundamentele manier biedt om decoherentie-bewustzijn in kwantumcontrole te integreren zonder dat daarvoor systeem-specifieke beloningsengineering (reward engineering) nodig is. Door de observeerbare gevolgen van de controle op de decoherentiekanalen te bestraffen, ontdekt de methode van nature beleid dat decoherentievrije subruimten exploiteert of de blootstelling aan verlieslatende toestanden minimaliseert.

De auteurs merken op dat de effectiviteit van de regularisatoren afhankelijk is van de ruisstructuur: zij leveren de meest significante winst wanneer een bereikbare decoherentievrije subruimte (DFS) bestaat (bijv. amplitude damping, diamant-systeem) of wanneer er een uitgesproken asymmetrie in de ruisrates is (bijv. IBM Kingston keten). In scenario's met kleine ruis of geen exploiteerbare DFS, zijn de winsten minimaal of afwezig, wat consistent is met de theoretische afleiding dat de regularisatoren exact verdwijnen bij decoherentievrije evoluties.

Het werk wordt gepresenteerd als een bijdrage aan het veld van Machine Learning toegepast op kwantumoptimale controle, waarbij het principe van Maximum Caliber wordt uitgebreid naar open kwantumsystemen via de stelling van Girsanov. De auteurs beperken hun reikwijdte expliciet tot diffuse unravellings (homodyne/heterodyne detectie) en Markoviaanse omgevingen, waarbij zij opmerken dat uitbreidingen naar jump unravellings en niet-Markoviaanse settings toekomstig werk blijven.