Efficient Hamiltonian, structure and trace distance learning of Gaussian states

Resumo Técnico: Aprendizado Eficiente de Hamiltoniano, Estrutura e Distância de Traço de Estados Gaussianos

Enunciado do Problema
Este trabalho inicia o estudo do aprendizado de Hamiltoniano para estados gaussianos bosônicos de temperatura positiva, abordando a generalização quântica do aprendizado de modelos gráficos gaussianos. Embora o aprendizado clássico de modelos gráficos discretos e modelos gráficos gaussianos seja bem estabelecido, protocolos quânticos eficientes para inferir os parâmetros de Hamiltonianos quadráticos subjacentes a partir de dados de medição permaneceram amplamente inexplorados, particularmente para sistemas de variáveis contínuas (CV). O desafio principal reside na ausência de estruturas de independência condicional exatas em estados quânticos e na complexa dependência funcional entre a matriz de covariância e o Hamiltoniano, o que obstrui estratégias de inversão direta utilizadas em contextos clássicos. O artigo visa desenvolver protocolos que sejam eficientes tanto em complexidade de amostra quanto de computação para:

1. Aprender os parâmetros do Hamiltoniano quadrático subjacente.
2. Aprender o grafo de interação que define o Hamiltoniano.
3. Aprender o próprio estado gaussiano em distância de traço.

Metodologia
A abordagem proposta baseia-se em medições de heterodino, que são experimentalmente viáveis, para obter estimativas empíricas da matriz de covariância ($V$) e do vetor de média ($t$). A inovação técnica central é o desenvolvimento de uma técnica de inversão local combinada com novos limites de continuidade para estados gaussianos.

1. Estimativa de Covariância: O protocolo realiza medições de heterodino em cópias do estado $\rho$, gerando amostras de uma distribuição gaussiana multivariada com covariância $V + I/2$. Inequações de concentração padrão são usadas para estimar as entradas de $V$ e $t$ com alta probabilidade. Um passo de programação semidefinida (SDP) garante que a matriz de covariância estimada seja fisicamente válida (semidefinida positiva e satisfazendo relações de incerteza).

2. Técnica de Inversão Local: Ao contrário dos métodos clássicos onde inversões locais bastam devido à independência condicional, os estados quânticos exigem a consideração de correlações de longo alcance. Os autores introduzem um método onde a inversa global da matriz $(2V - i\Omega)$ é aproximada por "costurar juntos" as inversas de submatrizes locais correspondentes a vizinhanças de tamanho $l$.

   • O tamanho da vizinhança $l$ é escolhido para escalar logaritmicamente com o inverso da precisão ($\log(\epsilon^{-1})$), em vez do tamanho do sistema.
   • Ao utilizar expansões de série de Taylor da matriz logarítmica que relaciona $V$ e o Hamiltoniano $H$, e limitar o erro da aproximação de inversas de matrizes aproximadamente esparsas, os autores mostram que inversões locais em vizinhanças de tamanho $l \sim \frac{\log(\epsilon^{-1})}{\log\log(\epsilon^{-1})}$ são suficientes para reconstruir as entradas do Hamiltoniano com erro $\epsilon$.
   • Isso evita a necessidade de estimativas globais precisas da matriz de covariância, que de outra forma exigiriam uma complexidade de amostra escalando polinomialmente com o número de modos.

3. Limites de Continuidade: O trabalho deriva vários novos limites de perturbação (limites de continuidade) relacionando a distância entre matrizes de covariância e a distância entre seus respectivos Hamiltonianos (e vice-versa). Esses limites dependem de parâmetros como os autovalores simpléticos ($d_{min}, d_{max}$) e o parâmetro de squeezing ($\|S\|_\infty$), garantindo que pequenos erros na estimativa da covariância se traduzam em erros controlados na reconstrução do Hamiltoniano.

Principais Contribuições e Resultados

• Aprendizado de Hamiltoniano: O artigo fornece o primeiro protocolo eficiente para aprender os parâmetros de um Hamiltoniano quadrático em $m$ modos com um grafo de interação conhecido de grau máximo $\Delta-1$.

  • Complexidade de Amostra: O número de amostras necessárias escala como $O(\epsilon^{-2+\gamma} \log(m))$ para qualquer $\gamma > 0$, assumindo temperatura, squeezing, deslocamento e grau de grafo limitados. Isso representa um escalonamento logarítmico no tamanho do sistema, uma melhoria significativa em relação ao escalonamento polinomial.
  • Complexidade Computacional: O pós-processamento é polinomial em $m$.

• Aprendizado de Grafo: Os autores apresentam um protocolo para aprender o grafo de interação $G$ do Hamiltoniano sob suposições brandas (especificamente, um limite inferior $\kappa$ na força das interações existentes).

  • Complexidade de Amostra: Semelhante ao aprendizado de Hamiltoniano, a complexidade de amostra escala logaritmicamente com o número de modos, $O(\kappa^{-2-\gamma} \log(m))$.
  • Algoritmo: O algoritmo itera sobre vizinhanças candidatas, realizando inversões locais em vizinhanças ampliadas para detectar interações não nulas com base em um limiar.

• Aprendizado de Distância de Traço: O trabalho estabelece os primeiros resultados para aprender estados gaussianos em distância de traço com um escalonamento quadrático em precisão ($\epsilon^{-2}$).

  • A complexidade de amostra escala polinomialmente com o número de modos ($O(m^3)$) e quadraticamente com $1/\epsilon$.
  • Este resultado assume energia limitada e valores limitados do autovalor simplético máximo (relacionado à pureza), observando que o aprendizado de estados puros não é coberto.

• Validação Numérica: Simulações numéricas em Hamiltonianos 1D com até 1200 modos demonstram que o método de inversão local supera os métodos de estimativa de plug-in global, mantendo o erro de reconstrução independente do número de modos, enquanto os métodos globais degradam com o tamanho do sistema.

Significância e Alegações
Os autores alegam que este trabalho avança significativamente o campo do aprendizado de Hamiltoniano quântico ao:

1. Unir o Aprendizado Clássico e Quântico: Adapta o framework bem-sucedido de aprendizado de modelos gráficos gaussianos para o domínio quântico, superando a falta de independência condicional através da técnica de inversão local.
2. Escalabilidade: Ao alcançar uma complexidade de amostra logarítmica no número de modos, os protocolos são altamente escaláveis para grandes sistemas de variáveis contínuas, uma propriedade anteriormente desconhecida para o aprendizado geral de Hamiltoniano quântico a partir de estados de Gibbs.
3. Viabilidade Experimental: A dependência exclusiva de medições de heterodino torna os protocolos experimentalmente viáveis em plataformas atuais (ex: redes ópticas, íons aprisionados ou circuitos supercondutores).
4. Limites Fundacionais: Os limites de continuidade derivados para matrizes de covariância e Hamiltoniano são de interesse independente para a teoria da informação quântica e análise de perturbação.

O artigo reconhece limitações, incluindo a dependência de parâmetros de número de condição ($d_{min}$) e a suposição de squeezing e temperatura limitados. Nota-se que, embora o escalonamento com a precisão seja próximo do ótimo ($\epsilon^{-2}$), a dependência de outros parâmetros (como o grau do grafo) pode ser superexponencial no pior caso, embora polinomial para estruturas de rede fisicamente relevantes. O trabalho abre novos caminhos para a pesquisa em aprendizado de sistemas quânticos de variáveis contínuas e metrologia de muitos corpos.