Arbitrary state preparation in quantum harmonic oscillators using neural networks

Resumo Técnico: Preparação de Estados Arbitrários em Osciladores Harmônicos Quânticos Usando Redes Neurais

Enunciado do Problema
A preparação de estados específicos é um pré-requisito fundamental para algoritmos quânticos, aprendizado de máquina e simulações. Embora existam vários métodos para determinar as interações físicas necessárias para transicionar um sistema de um estado inicial para um estado alvo (ex: métodos de Krotov, direcionamento quântico, aprendizado por reforço), eles tipicamente exigem a resolução de um problema de otimização separado para cada estado alvo individual. Essa otimização por instância torna-se computacionalmente proibitiva para aplicações que exigem a preparação rápida ou repetida de estados para muitos alvos diferentes, como no aprendizado de máquina quântico. Além disso, técnicas analíticas frequentemente geram equações distintas para cada alvo, limitando sua praticidade. O desafio específico abordado neste trabalho é a preparação de estados arbitrários em sistemas $n$-dimensionais (qudits) realizados via um oscilador harmônico (OH) truncado, um sistema que não é totalmente controlável sob um conjunto finito de etapas sem interação auxiliar.

Metodologia
Os autores propõem uma metodologia geral utilizando uma rede neural feed-forward para prever parâmetros de controle para um OH acoplado a um qubit auxiliar. O sistema é modelado como uma interação do tipo Jaynes–Cummings, onde tanto o OH quanto o qubit são excitados por lasers com modulação de fase dependente do tempo.

• Modelo Físico: O sistema evolui sob um Hamiltoniano onde o qubit e o OH interagem com constante de acoplamento $g$. O controle consiste em uma sequência de $N$ pulsos com fases de constante por partes ($\phi_i$ para o OH, $\varphi_i$ para o qubit) e tempos de comutação ($t_i$). Assume-se que as amplitudes sejam constantes e iguais. O objetivo é evoluir o estado inicial $|0, 0\rangle$ para um estado separável onde o OH esteja em um estado alvo desejado $|\psi_{target}\rangle$ dentro de um manifold truncado de $n$ níveis.
• Arquitetura da Rede Neural: A rede recebe o estado alvo como entrada e fornece os parâmetros de controle $\Theta = \{\phi_i, \varphi_i, t_i\}$.
  • Representação de Entrada: O estado alvo é codificado como os valores de expectativa dos $d = n^2 - 1$ geradores da base $SU(n)$.
  • Saída: A rede prevê as fases e os tempos de comutação para uma sequência de $N$ pulsos.
• Pipeline de Treinamento: A rede é treinada usando gradiente descendente estocástico para minimizar a infidelidade média ($1 - F$) sobre um conjunto de dados de estados alvo aleatórios amostrados da medida de Haar. A infidelidade é definida como o sobreposto (overlap) entre o estado alvo e o estado obtido após traçar os graus de liberdade do qubit do estado final evoluído.
• Distinção Fundamental: Diferente dos métodos convencionais de controle ótimo que iteram para encontrar parâmetros para um alvo específico, este framework desloca o fardo computacional para uma fase de treinamento offline de etapa única. Uma vez treinada, a rede realiza uma única passagem direta (forward pass) para gerar parâmetros de controle para qualquer novo estado alvo dentro da dimensão treinada.

Principais Contribções e Resultados
O artigo apresenta resultados numéricos para a preparação de estados arbitrários em qubits ($n=2$), qutrits ($n=3$) e qudits ($n=4$) usando a abordagem de rede neural proposta.

• Métricas de Desempenho: O método alcança altas fidelidades médias através de 1000 estados alvo aleatórios distribuídos por Haar:
  • Qubits ($n=2$): 99,99% de fidelidade (0,01% de infidelidade) usando $N=9$ pulsos.
  • Qutrits ($n=3$): 99,5% de fidelidade (0,5% de infidelidade) usando $N=11$ pulsos.
  • Qudits ($n=4$): 98,9% de fidelidade (1,1% de infidelidade) usando $N=13$ pulsos.
• Análise de Sequência de Pulsos: O estudo confirma que aumentar o número de pulsos geralmente reduz a infidelidade, embora exista um ponto ótimo além do qual pulsos adicionais geram retornos decrescentes. Os padrões de comutação de fase aprendidos são não triviais e não seguem regras analíticas simples, indicando que a rede aprende estratégias de controle complexas para compensar erros acumulados.
• Visualização: Para qubits, a trajetória na esfera de Bloch mostra que pulsos iniciais podem levar o sistema para longe do alvo para estados intermediários antes que os pulsos finais alinhem a trajetória. Para qutrits e qudits, a análise da função de Wigner demonstra que a rede reproduz com sucesso o suporte de fase-espaço dominante e as estruturas não clássicas (ex: padrões de interferência e regiões negativas) dos estados alvo, incluindo estados de Bell codificados no subspace do oscilador.

Significância e Alegações
Os autores alegam que este trabalho fornece uma solução prática para a preparação de estados "sob demanda". A principal vantagem é a eliminação da otimização por instância, reduzindo o tempo de inferência online para aproximadamente 100 ms em uma CPU padrão. Isso contrasta fortemente com métodos de controle ótimo iterativos (como Krotov ou GRAPE), que podem levar minutos ou horas por estado alvo.

O artigo enfatiza que o método é particularmente adequado para cenários que exigem a codificação rápida de informação em estados quânticos, como fluxos de trabalho de aprendizado de máquina quântico onde o estado alvo muda a cada entrada. A abordagem é fundamentada na controlabilidade teórica da dinâmica de Jaynes–Cummings dentro de um manifold truncado (Pinna e Panati), garantindo que os protocolos previstos correspondam a estados fisicamente preparáveis dentro das restrições do modelo.

Limitações e Direções Futuras
Os autores observam modestamente que o aumento observado na infidelidade com a dimensão $n$ reflete a crescente complexidade do mapeamento, o que pode ser teoricamente mitigado aumentando o tamanho da rede e a contagem de pulsos. No entanto, uma restrição mais fundamental é o custo de gerar dados de treinamento via simulação clássica, que escala mal com a dimensão do espaço de Hilbert. O artigo reconhece que, para dimensões maiores (ex: códigos bosônicos requerendo dezenas ou centenas de níveis), a simulação direta pode se tornar um gargalo, necessitando de estratégias futuras como redes de tensores ou treinamento hardware-in-the-loop. Adicionalmente, os resultados atuais assumem condições ideais; trabalhos futuros devem abordar a dinâmica de sistemas abertos, decoerência e não-idealidades específicas de hardware (ex: largura de banda finita, jitter de fase) para determinar a robustez do método em configurações experimentais.