Deep Neural Network-assisted improvement of quantum compressed sensing tomography

Resumo Técnico: Melhoria da tomografia de compressão quântica assistida por Redes Neurais Profundas

Definição do Problema
A tomografia de estado quântico (QST) enfrenta um desafio fundamental de escalabilidade devido ao crescimento exponencial da dimensão do espaço de Hilbert ($d=2^n$) com o número de qubits ($n$). Embora a Compressão Quântica (CS) ofereça uma solução para matrizes de densidade de baixo posto ao reduzir as medições necessárias para $O[rd \log^2(d)]$ (onde $r$ é o posto), sua eficácia é limitada a regimes de completude informacional ou casos onde o número de observáveis de Pauli medidos ($K$) satisfaz limites teóricos específicos. Em cenários de completude informacional incompleta, onde $K$ é insuficiente para uma reconstrução de CS bem-sucedida garantida, a estimativa resultante ($\rho_{cs}$) pode ser imprecisa. Além disso, a otimização padrão de CS é um problema convexo que não considera inerentemente a distribuição estatística específica dos estados quânticos, podendo gerar reconstruções subótimas quando os dados são escassos.

Metodologia
Os autores propõem um protocolo híbrido que concatena a otimização convexa (CS) com uma etapa de pós-processamento baseada em Redes Neurais Profundas (DNN), seguida por uma projeção no espaço de matrizes densidade viáveis. O fluxo de trabalho consiste em três estágios principais:

1. Reconstrução Inicial: Um algoritmo de CS padrão (minimização da norma de traço) gera uma estimativa inicial $\rho_{cs}$ a partir de um subconjunto de correladores de Pauli medidos. Este estado serve como uma entrada "ruidosa".
2. Denoising Supervisionado por DNN: Uma DNN, treinada como um denoiser supervisionado, mapeia o vetor de correladores de entrada $\vec{c}_{cs}$ (derivado de $\rho_{cs}$) para um vetor alvo $\vec{c}_{org}$ (derivado do estado real $\rho_{org}$). A arquitetura da rede combina camadas convolucionais com um encoder-transformer, utilizando funções de ativação GELU. O conjunto de dados de treinamento consiste em pares de vetores de correladores derivados de estados puros de Haar-random e suas correspondentes reconstruções de CS baseadas em um subconjunto limitado de medições.
3. Projeção Viável: Como a saída da DNN é não restringida e pode violar as condições de semidefinitude positiva (PSD) ou de traço unitário, o estado denoisado $\rho_{den}$ é projetado de volta para o conjunto viável $\Omega$ (o conjunto de matrizes densidade válidas compatíveis com os dados medidos) usando uma etapa de projeção euclidiana. Isso produz a estimativa física final $\rho_{denproj}$.

Os autores também investigam a inferência em loop, onde as etapas de denoising e projeção são iteradas (abordagem de ponto fixo) para refinar ainda mais a estimativa do estado. Adicionalmente, eles exploram capacidades de Distribuição Fora do Padrão (OOD), testando se um modelo treinado exclusivamente em estados puros ($p=0$) pode reconstruir efetivamente estados mistos sujeitos a ruído de despolarização ($p > 0$) sem retreinamento.

Principais Resultados
Simulações numéricas foram realizadas em sistemas de 4 qubits usando 45 correladores derivados de configurações de medição homogêneas ($X^{\otimes4}, Y^{\otimes4}, Z^{\otimes4}$).

• Desempenho In-Distribution (ID): Para estados alvo puros, o protocolo aumentou a fidelidade quântica média em aproximadamente 4,7% e a pureza média em aproximadamente 13% em comparação com a reconstrução CS bruta.
• Desempenho Out-of-Distribution (OOD): Quando aplicado a estados mistos com ruído de despolarização ($p \in [0, 0.2]$) usando um modelo treinado apenas em estados puros, a inferência de etapa única mostrou ganhos de fidelidade para baixos níveis de ruído ($p \le 0.1$), com o desempenho degradando conforme o ruído aumentava.
• Inferência em Loop: Implementar um loop de ponto fixo (iterando as etapas de denoising e projeção, por exemplo, $n_l=3$) aumentou significativamente a robustez. Esta abordagem alcançou um ganho de fidelidade de ~11% para estados puros e manteve ganhos positivos mesmo para estados mistos com força de despolarização de até $p=0.2$.
• Faixa de Aplicabilidade: O método é eficaz quando o número de correladores é suficiente para fornecer uma base de CS não trivial, mas insuficiente para uma reconstrução perfeita (aproximadamente entre 20 e 64 correladores para 4 qubits). Se $K$ for muito baixo, a entrada é ruidosa demais para a rede aprender; se $K$ for muito alto, a reconstrução de CS já está próxima da perfeição.

Significância e Alegações
O artigo afirma que esta abordagem oferece um método viável para melhorar a reconstrução de estado quântico em regimes onde os protocolos de CS padrão não são garantidos para ter sucesso, sem exigir novos dados experimentais. As principais contribuições são:

• Eficiência de Dados: O método aproveita a distribuição estatística dos estados quânticos codificada na DNN para "denoizar" reconstruções de CS incompletas, aumentando a precisão sem medições adicionais.
• Generalização: Ao utilizar princípios de detecção OOD, o protocolo demonstra a capacidade de reconstruir estados mistos usando um modelo treinado apenas em estados puros, eliminando a necessidade de retreinar a rede para diferentes níveis de ruído.
• Refinamento Iterativo: A introdução de um loop de inferência de ponto fixo permite maiores ganhos de desempenho, estendendo o potencial de aplicação do aprendizado supervisionado em tomografia.
• Consistência Física: A integração de uma etapa de projeção convexa garante que a saída final seja uma matriz densidade fisicamente válida, abordando o problema comum de saídas não físicas em abordagens de redes neurais sem restrições.

Os autores concluem que, embora o presente trabalho assuma uma estimativa de correlador perfeita, o framework fornece uma base para extensões futuras para cenários de ruído de amostragem e potencialmente para tomografia de canais quânticos ou de detectores.