Learning symmetry-protected topological order from trapped-ion experiments

Resumo Técnico: Aprendizado de Ordem Topológica Protegida por Simetria a partir de Experimentos com Íons Presos

Declaração do Problema
Os dispositivos quânticos atuais de escala intermediária ruidosa (NISQ) possuem operações de alta fidelidade e conectividade universal, mas permanecem limitados em tamanho e propensos a erros, carecendo de tolerância total a falhas. Um desafio central é determinar se esses dispositivos podem fornecer utilidade prática em uma era pré-tolerante a falhas, especificamente na extração de informações valiosas a partir de medições quânticas limitadas. Embora o aprendizado de máquina (ML) clássico tenha se mostrado útil para pós-processamento de dados quânticos, algoritmos padrão frequentemente exigem treinamento prévio (aprendizado supervisionado) e são heurísticos ou difíceis de interpretar. Além disso, conjuntos de dados quânticos típicos são pequenos demais para treinar modelos de aprendizado profundo sofisticados para tarefas como tomografia completa de estado. O problema específico abordado aqui é a classificação e caracterização não supervisionadas de fases quânticas — especificamente, distinguir entre fases topológicas protegidas por simetria (SPT) e fases triviais — diretamente a partir de dados experimentais ruidosos, sem rotulagem prévia.

Metodologia
Os autores empregam uma Máquina de Vetores de Suporte com Kernel Tensorial (TK-SVM), um algoritmo de ML não supervisionado e interpretável, para analisar dados de computadores quânticos com íons presos. A metodologia prossegue através de várias etapas-chave:

1. Preparação de Estado: O estudo investiga duas famílias de Estados Produto de Matriz (MPS) com baixa dimensão de ligação, que podem ser preparados via circuitos quânticos rasos.
   • Família Spin-1/2: Um conjunto parametrizado de estados que interpola entre um estado de cluster (fase SPT) e um estado produto trivial, governado por um parâmetro $g$.
   • Família Spin-1: Um conjunto correspondente de estados em um espaço de Hilbert spin-1, que inclui o estado Affleck-Kennedy-Lieb-Tasaki (AKLT) como um exemplo paradigmático de SPT.
2. Implementação Experimental: Esses estados são preparados em duas plataformas distintas de íons presos:
   • Uma máquina baseada em qubits (usando íons $^{40}\text{Ca}^+$) simulando estados spin-1 via pares de qubits.
   • Uma máquina baseada em qutrits (também usando $^{40}\text{Ca}^+$) utilizando sistemas nativos de três níveis.
   • Os circuitos são implementados em cadeias de até 8 qubits e 5 qutrits.
3. Protocolo de Medição: O experimento utiliza uma Medida de Operador Positivo de Informação Completa (POVM) baseada em Bases Mutuamente Inviés (MUB). Para cada sistema, unitárias aleatórias de sítio único rotacionam os graus de liberdade físicos para uma das MUBs, seguidas por medições projetivas na base computacional. Isso gera "instantâneos" do estado quântico.
4. Pipeline de Aprendizado de Máquina:
   • Extração de Características: Amostras brutas de MUB são processadas via tomografia de sombra para estimar observáveis locais e suas correlações (monômios) até uma ordem específica $r$ em um cluster de $n$ sítios. Estas formam vetores de características $\phi$.
   • Classificação Binária (Não Supervisionada): A TK-SVM é aplicada a pares de conjuntos de dados amostrados em diferentes parâmetros ($g$ e $g'$). O algoritmo tenta encontrar um hiperplano separador. Se os conjuntos de dados pertencem a fases diferentes, a SVM encontra uma solução com um parâmetro de viés $|b| \lesssim 1$. Se pertencem à mesma fase, os conjuntos de dados são inseparáveis, e $|b| \gg 1$.
   • Construção do Diagrama de Fase: Ao testar todos os pares de valores de $g$, um grafo ponderado é construído onde os pesos das arestas refletem o viés. A teoria de Fiedler (agrupamento espectral) é aplicada a este grafo para particionar o espaço de parâmetros em fases distintas.
   • Caracterização: Uma vez identificadas as fases, a TK-SVM é treinada para distinguir uma fase específica de amostras uniformes aleatórias. Os coeficientes resultantes da função de decisão revelam os operadores locais específicos (parâmetros de ordem) que caracterizam a fase.

Principais Contribuições

• Detecção Não Supervisionada de Fases: O trabalho demonstra que a TK-SVM pode identificar com sucesso o diagrama de fase de sistemas quânticos sem conhecimento prévio das fronteiras de fase ou rótulos, eliminando efetivamente a necessidade de treinamento supervisionado.
• Interpretabilidade: Ao contrário de modelos de aprendizado profundo de "caixa preta", a TK-SVM fornece parâmetros de treinamento interpretáveis. O termo de viés determina a separação de fases, enquanto o vetor de coeficientes da função de decisão codifica explicitamente os parâmetros de ordem de string que caracterizam as fases SPT.
• Validação Experimental em Hardware NISQ: O método é aplicado a dados experimentais reais e ruidosos de duas arquiteturas distintas de íons presos (qubits e qutrits), distinguindo com sucesso SPT de fases triviais apesar das imperfeições experimentais.
• Extensão para Sistemas Spin-1: O estudo estende trabalhos anteriores sobre modelos de cluster spin-1/2 para o modelo AKLT spin-1 mais complexo, validando a abordagem em hardware de qutrits.

Resultados

• Classificação de Fases: A TK-SVM distinguiu com sucesso a fase SPT ($g < 0$) da fase paramagnética trivial ($g > 0$) para ambas as famílias spin-1/2 e spin-1 em todos os conjuntos de dados experimentais ruidosos.
• Extração de Parâmetro de Ordem:
  • Para a fase SPT spin-1/2, o algoritmo identificou parâmetros de ordem de string não triviais da forma $Z_i Y_{i+1} (\prod X_j) Y_{r-1} Z_r$.
  • Para a fase SPT spin-1, identificou parâmetros de ordem de string envolvendo operadores $\tau^z$, consistentes com a ordem de string AKLT conhecida.
  • Para as fases triviais, o algoritmo identificou parâmetros de ordem locais (por exemplo, $\langle X \rangle$ para spin-1/2 e $(\tau^x)^2 + (\tau^y)^2$ para spin-1), confirmando a proximidade com estados produto.
• Comparação de Plataformas: A implementação em qubits produziu resultados de classificação de fases ligeiramente mais consistentes do que a implementação em qutrits, atribuído a maiores fidelidades de portas de dois qubits e menor diafonia na configuração de qubits. No entanto, ambas as plataformas identificaram com sucesso os observáveis locais corretos que caracterizam as fases.
• Robustez: O método provou ser robusto contra ruído experimental, identificando corretamente as fases mesmo com preparação de estado e medição imperfeitas.

Significado e Alegações
O artigo alega que o aprendizado de máquina clássico, especificamente a abordagem TK-SVM, é uma ferramenta poderosa para a investigação eficiente de diagramas de fase quânticos na era NISQ. Os autores enfatizam que seu método é escalável e não requer modificação para ser aplicado a sistemas quânticos maiores, sugerindo um caminho para vantagem quântica prática mesmo sem correção de erros. O trabalho destaca a utilidade de combinar tomografia de sombra com ML interpretável para extrair insights físicos (como parâmetros de ordem de string) diretamente de dados experimentais ruidosos, contornando a necessidade de tomografia completa de estado ou rotulagem teórica prévia. Os resultados servem como uma prova de conceito de que dispositivos NISQ podem ser usados como simuladores quânticos onde o valor primário reside na extração de informações físicas específicas, em vez de simular a função de onda completa de muitos corpos.