Technische Samenvatting: Collisie-bewuste Bayesiaanse Mitigatie van Fotonverlies in Lineaire Optische Kwantumcircuits

1. Probleemstelling

Fotonverlies is de dominante ruisbron in lineaire optische kwantumcircuits (LOQC), met name in Boson Sampling-experimenten. In tegenstelling tot dephasering zorgt verlies ervoor dat fotonen volledig verdwijnen, wat de ideale $n$-foton outputpatronen transformeert naar uitkomsten met minder fotonen. Deze vervorming maakt de ideale verliesvrije distributie exponentieel zeldzaam naarms de fotonenaantallen groeien, waardoor standaard postselectie (het verwerpen van verliesgevoelige gebeurtenissen) inefficiënt is bij realistische verliespercentages.

Bestaande klassieke mitigatiestrategieën, specifief het "recycling"-framework voorgesteld door Mills en Mezher (geïmplementeerd in Quandela's photon_recycling), proberen verliesvrije waarschijnlijkheden te herstellen door verliesgevoelige samples te herwegen. Dit proces lijdt echter onder twee kritieke beperkingen:

1. Statistische Bias: De recycling-schatters zijn inherent bevooroordeeld door benaderingen in hun reconstructie (bijv. het vervangen van interferentietermen door verwachtingswaarden en heuristische exponentiële extrapolatie). Deze bias verdwijnt niet, zelfs niet als het aantal samples $N \to \infty$.
2. Structurele Beperking: De recycling-kernel gaat uit van de "no-collision" (NC) sector, waarbij elk output-mode hoogstens één foton bevat. Realistische Boson Sampling-outputs vertonen echter vaak "collision"-toestanden (meerdere fotonen in een enkele mode) als gevolg van Hong–Ou–Mandel clustering. Recycling kan deze samples niet verwerken; het verwerpen van deze data betekent het opofferen van aanzienlijke data en informatie, vooral in regimes waar collision-patronen een groot deel van de verliesvrije output-massa vormen (bijv. 71% bij $n=4, m=10$).

2. Methodologie

De auteurs stellen een collisie-bewust Bayesiaans framework voor dat de ruwe verliesgevoelige detector-tellingen behandelt als Multinomiale observaties onder een per-foton Bernoulli-verliesmodel.

Forward Model

De methode modelleert fotonverlies als een onafhankelijk per-foton Bernoulli-kanaal met een overlevingskans $1-\eta$.

• No-Collision Regime: Het model herstelt de recycling-kernel als een randgeval waarbij de input- en outputvectoren binair zijn ($s, y \in \{0, 1\}^m$).
• Collision-Aware Regime: Het framework breidt uit naar de volledige ruimte van zwakke composities ($s \in \mathbb{Z}_{\ge 0}^m$ met $\sum s_i = n$). Het incorporeert een per-mode binomiale verliesfactor, $\binom{s_i}{y_i}$, die de uitwisselbaarheid van fotonen binnen een mode rekening houdt. De likelihood voor het observeren van uitkomst $y$ gegeven de ideale distributie $p$ en verliespercentage $\eta$ is:
  $$\pi_y(p, \eta) = \eta^k (1-\eta)^{n-k} \sum_{s \in G_{\text{coll}}(y)} \left[ \prod_{i=1}^m \binom{s_i}{y_i} \right] p(s)$$
  waarbij $k$ het aantal verloren fotonen is en $G_{\text{coll}}(y)$ de verzameling geldige verliesvrije toestanden is die $y$ zouden kunnen produceren.

Inferentie

In plaats van punt-schatters af te leiden via herweging, leiden de auteurs de gezamenlijke posterior af van de ideale distributie $p$ en het verliespercentage $\eta$ met behulp van de stelling van Bayes:
$$\Pr(p, \eta \mid c) \propto \prod_{y \in Y} \pi_y(p, \eta)^{c(y)} \cdot \Pr(p) \cdot \Pr(\eta)$$

• Priors: Symmetrische Dirichlet-prior voor $p$ ($\alpha=1$) en Beta-prior voor $\eta$ ($\beta=1$).
• Sampling: De posterior wordt gesampled met de No-U-Turn Sampler (NUTS) op een ijle incidentie-representatie van de kernel. Deze representatie reduceert de computationele kosten van de inner loop van $O(K \cdot |Y|)$ naar $O(E + K)$, waardoor inferentie tractabel wordt voor patroonruimtes tot $K \approx 8855$.

3. Belangrijkste Bijdragen

Het paper levert drie primaire bijdragen:

1. Reductie van Reconstructiefout: Door het forward model direct te fitten via een Multinomiale likelihood, vermijdt de Bayesiaanse aanpak de specifieke herwegingsbenaderingen en substituties van interferentietermen die inherent zijn aan recycling-schatters. Dit resulteert in een lagere Kullback-Leibler (KL) divergentie en Mean Squared Error (MSE) vergeleken met zowel recycling als postselectie.
2. Support voor het Collision-Regime: Het framework handelt collision-toestanden natuurlijk af, waar recycling-methoden dit niet kunnen. In collision-rijke regimes herstelt de Bayesiaanse posterior de verliespercentages en de waarschijnlijkheden van collision-patronen die recycling niet kan schatten, terwijl het een lagere reconstructiefout behoudt.
3. Actieve Onzekerheidskwantificering: In tegenstelling tot de punt-schatter baselines, biedt de gezamenlijke posterior betrouwbaarheidsintervallen voor zowel de gereconstrueerde distributie $p$ als het verliespercentage $\eta$. Dit maakt retrospectieve dekkinganalyse mogelijk, wat onthult hoe goed de intervallen de werkelijke distributie vangen onder verschillende ruiscondities.

4. Experimentele Resultaten

Experimenten werden uitgevoerd met data van de onafhankelijke Perceval simulator (SLOS engine) op schalen die overeenkomen met eerder werk: $n=4$ fotonen in $m=20$ modes (no-collision headline) en $n=4$ in $m=10$ modes (collision-aware).

• No-Collision Benchmark ($n=4, m=20$):

  • De Bayesiaanse posterior bereikte de laagste KL-divergentie bij elk getest verliespercentage ($\eta \in \{0.3, 0.7, 0.9\}$) en ononderscheidbaarheidsniveau ($V \in \{1.0, 0.8\}$).
  • Recycling-schatters vertoonden een "reconstructiefout-plateau" (bijv. KL $\approx 0.31-0.33$ nats bij $\eta=0.3$) dat niet afnam met een toenemend aantal samples $N$, wat hun inherente bias bevestigt.
  • De Bayesiaanse fout bleef afnemen naarmate $N$ toenam (bijv. van 0.348 bij $N=10^4$ naar 0.068 bij $N=2\times 10^5$), waardoor het gat met recycling werd vergroot.
  • Postselectie presteerde slecht bij hoog verlies door de ineenstorting van de effectieve steekproefomvang.

• Collision-Aware Benchmark ($n=4, m=10$):

  • Recycling-methoden waren structureel onbruikbaar (vereisten het verwerpen van 71% van de verliesvrije output-massa).
  • De Bayesiaanse posterior herstelde het verliespercentage exact ($\hat{\eta} = \eta$) en bereikte een aanzienlijk lagere KL-divergentie dan postselectie bij hoog verlies.
  • Bij laag verlies was de Bayesiaanse methode vergelijkbaar met postselectie, met lichte variaties afhankelijk van de ononderscheidbaarheid.

• Onzekerheidskwantificering:

  • De 95% betrouwbaarheidsintervallen vertoonden een empirische dekking van 0.88–0.96 op de no-collision headline.
  • In regimes met gedeeltelijke foton-onderscheidbaarheid ($V < 1$), dekten de intervallen de gedeeltelijk onderscheidbare distributie $p_V$ (de werkelijke data-genererende distributie) correct af, maar vertoonden ze onderdekking voor de ideale verliesvrije distributie $p^*$, wat de verschuiving in het doelwit reflecteert in plaats van een falen van de estimator.

5. Betekenis en Claims

Het paper claimt dat dit Bayesiaanse framework een finite-sample voordeel biedt ten opzichte van bestaande klassieke mitigatietechnieken voor lineaire optische kwantumcircuits.

• Superioriteit over Recycling: Het elimineert de structurele bias veroorzaakt door interferentieterm-benaderingen en het dataverlies door het verwerpen van collision-events.
• Schaalbaarheid: Hoewel exacte NUTS-sampling computationele limieten ondervindt bij zeer grote $N$ of $K$ (wat toekomstige benaderende inferentiemethoden zoals variational inference vereist), is de huidige implementatie tractabel voor de schalen van huidige experimentele demonstraties ($n=4$).
• Robuustheid: De methode degradeert gracieus onder multiphoton emissie en identificeert correct de verschuiving van de doelverdeling onder gedeeltelijke onderscheidbaarheid.
• Beperkingen: De auteurs geven expliciet aan dat de resultaten verbeteringen in eindige steekproeven aantonen, en geen asymptotische onbevooroordeeldheid (die een populatie-limiet analyse zou vereisen). De methode neemt momenteel een uniforme per-foton verlies aan en modelleert geen mode-afhankelijk verlies of gedeeltelijke onderscheidbaarheid binnen de likelihood zelf (hoewel het de resulterende data-verschuivingen afhandelt).

Dit werk vestigt een nieuwe baseline voor fotonverlies-mitigatie die geldig is in het collision-regime en zorgt voor rigoureuze onzekerheidskwantificering, waarmee de belangrijkste hiaten in de huidige state-of-the-art recycling-methoden worden geadresseerd.