Optical Quantum Mixed-State Reconstruction With Multiple Deep Learning Approaches

Resumo Técnico: Reconstrução de Estados Quânticos Mistos Ópticos com Múltiplas Abordagens de Aprendizado Profundo

Declaração do Problema
A tomografia de estado quântico (QST) é uma técnica fundamental para a caracterização de sistemas quânticos, essencial para aplicações em computação quântica, química e comunicação segura. No entanto, a QST enfrenta desafios significativos relacionados às demandas de recursos, particularmente para sistemas em grande escala, onde o número de medições necessárias escala com a dimensão do espaço de Hilbert. Embora o aprendizado de máquina, especificamente o aprendizado profundo (DL), tenha mostrado promessa em melhorar a eficiência e a precisão da QST, os métodos existentes frequentemente carecem de versatilidade. As abordagens atuais lutam para fornecer um quadro unificado capaz de lidar com estados quânticos puros e mistos em diferentes esquemas de medição (homodina e heterodina) sem depender de conhecimento prévio específico ou sofrer com generalização limitada sob ruído.

Metodologia
Os autores propõem duas arquiteturas distintas de redes neurais projetadas para abordar as limitações dos métodos existentes de QST:

1. Rede Neural Baseada em Recursos Restritos (RFB-Net):

   • Arquitetura: Uma extensão da QST-NN, a RFB-Net enquadra a QST como um problema de aprendizado multitarefa. Ela utiliza uma rede neural convolucional profunda (CNN) com seis cabeças convolucionais, intercaladas com ruído gaussiano, dropout e ativações Leaky ReLU.
   • Mecanismo: A rede se divide em duas caudas: uma cauda de classificação para prever a classe do estado e uma cauda de regressão para extrair características específicas do estado. Essas características são alimentadas em um módulo "Reconstrutor" que sintetiza a matriz de densidade final.
   • Treinamento: O modelo é treinado usando uma função objetivo conjunta que combina perda de entropia cruzada para classificação e Erro Absoluto Médio (MAE) para as partes real e imaginária das características do estado. Ele aproveita o conhecimento prévio das classes de estado para guiar a reconstrução.

2. Rede Neural de Estados Mistos (MS-NN):

   • Arquitetura: Derivada do gerador do QST-conditional GAN (QST-CGAN), a MS-NN é projetada para lidar com estados mistos de forma mais direta. Ela processa vetores de medição achatados e rótulos codificados one-hot.
   • Mecanismo: O modelo emprega um decodificador multiescala com normalização em lote e ativações Leaky ReLU. Uma inovação chave é a decomposição de Cholesky generalizada. Diferentemente dos métodos tradicionais que utilizam apenas a matriz triangular inferior ($L$) para garantir a semidefinição positiva, a MS-NN simula uma decomposição para ambos os componentes triangular inferior ($L$) e triangular superior ($U$). A matriz de densidade final é construída via $\rho = (LL^\top - UU^\top) \oslash \text{diag}(LL^\top - UU^\top)$, permitindo que o modelo represente estados que podem ser indefinidos ou que requeiram a subtração de estados coerentes (por exemplo, estados Cat ímpares).
   • Treinamento: A função de perda é uma combinação linear ponderada do MAE entre as expectativas de medição verdadeiras e previstas e o MAE das componentes real e imaginária do operador de densidade. O componente da matriz de densidade é fortemente ponderado ($\alpha = 100$) para impor consistência física.

Principais Contribuições

• Reconstrução Versátil: O artigo apresenta a primeira abordagem de aprendizado profundo capaz de lidar com estados quânticos puros e mistos em configurações de medição homodina e heterodina.
• Aprendizado Multitarefa: A RFB-Net introduz um quadro de aprendizado multitarefa que realiza discriminação quântica (classificação) e reconstrução simultaneamente, melhorando a precisão ao aproveitar informações de classe.
• Decomposição Generalizada: Os autores generalizam a decomposição de Cholesky tradicional para acomodar estados mistos e códigos quânticos específicos (como estados Cat ímpares) através da nova formulação $LL^\top - UU^\top$ na MS-NN.
• Robustez ao Ruído: O estudo demonstra que o treinamento com aumento explícito de ruído (ruído de estado misto, perda de fótons e ruído de pimenta) melhora significativamente a robustez do modelo, permitindo que os modelos se generalizem para distribuições de ruído não vistas através de princípios de adaptação de domínio.

Resultados
Os modelos foram avaliados em um conjunto de dados sintético compreendendo 10.000 medições em vários estados quânticos (estados Fock, Coerentes, Térmicos, Cat, Num, Binomiais e GKP) com um corte de espaço de Hilbert de $N_c=32$.

• Precisão: Ambos os modelos propostos superaram significativamente a Estimativa de Máxima Verossimilhança (MLE) tradicional e a QST-CGAN de base.
  • RFB-Net alcançou a maior fidelidade: 0,9221 (homodina) e 0,9532 (heterodina).
  • MS-NN alcançou fidelidades de 0,8901 (homodina) e 0,9041 (heterodina).
  • Esses resultados representam uma melhoria de aproximadamente 4,5 vezes sobre a QST-CGAN e 10 vezes sobre a MLE.
• Desempenho com Ruído: Sem treinamento consciente do ruído, as fidelidades caíram significativamente (por exemplo, para ~0,2–0,4). No entanto, com treinamento consciente do ruído, ambos os modelos recuperaram altas fidelidades (>0,85), com a MS-NN atingindo fidelidades próximas à unidade (0,92–0,95) em todos os tipos de ruído testados.
• Eficiência: A RFB-Net ofereceu um equilíbrio favorável entre precisão e custo computacional, exigindo menos memória e tempo de processamento do que a MS-NN, que, embora altamente precisa, incorreu em maior sobrecarga computacional.

Significado e Alegações
Os autores afirmam que este trabalho representa um passo significativo em direção a uma tomografia de estado quântico versátil e escalável. Ao demonstrar que arquiteturas de aprendizado profundo podem reconstruir efetivamente diversos estados quânticos (incluindo estados mistos) e se adaptar a ambientes ruidosos, o artigo sugere que as redes neurais podem superar os gargalos de recursos da QST tradicional. Os autores enfatizam que sua abordagem é escalável para sistemas quânticos maiores e que a combinação de redes neurais com tomografia quântica tem grande potencial para avançar o processamento de informação quântica. Eles notam, no entanto, que, embora os resultados sejam robustos em dados sintéticos, validação adicional usando experimentos físicos de óptica quântica é necessária para confirmar a aplicabilidade prática.