Tensor Train Quantum State Tomography using Compressed Sensing

Resumo Técnico: Tomografia de Estado Quântico em Tensor Train usando Compressed Sensing

Enunciado do Problema
A Tomografia de Estado Quântico (QST) é essencial para o benchmarking e a verificação de dispositivos quânticos ao estimar a matriz de densidade de um sistema quântico a partir de dados de medição. No entanto, os métodos de estimativa padrão enfrentam a "maldição da dimensionalidade": à medida que o número de qubits ($N$) aumenta, o número de parâmetros na matriz de densidade cresce exponencialmente ($D = 2^N$, exigindo $O(D^2)$ parâmetros). Embora muitos estados quânticos de interesse (por exemplo, estados fundamentais de Hamiltonianos locais, estados quase puros) possuam estruturas de baixo posto que permitem uma recuperação eficiente com menos medições, os métodos escaláveis existentes possuem limitações. Abordagens de otimização convexa usando penalização de norma nuclear tornam-se computacionalmente proibitivas para sistemas grandes. Métodos de fatoração (ex: Burer-Monteiro) melhoram a eficiência, mas frequentemente lutam para impor as restrições físicas necessárias (Hermiticidade, semidefinitude positiva e traço unitário) sem projeções complexas. Além disso, embora as representações de redes de tensores como Matrix Product States (MPS) sejam eficientes para estados puros, estender essas técnicas para estados mistos mantendo tais restrições continua sendo um desafio.

Metodologia
Os autores propõem um novo framework de QST que parametriza a matriz de densidade $\rho$ usando uma decomposição Block Tensor Train (Block-TT). Esta abordagem combina princípios de compressed sensing com álgebra de redes de tensores.

1. Parametrização: Em vez de otimizar sobre a matriz de densidade completa, o método representa $\rho$ como a contração de uma rede Block-TT $A$ com sua transposta Hermitiana $A^H$ (ou seja, $\hat{\rho}_{TT} = A \bullet_n A^H$).

   • A rede $A$ é um tensor de ordem $(N+1)$, onde a maioria dos núcleos são de terceira ordem, exceto por um núcleo de quarta ordem em uma posição específica $n$ que carrega um índice auxiliar $K$.
   • Esta construção garante inerentemente que a matriz de densidade resultante seja semidefinida positiva (PSD) e Hermitiana, de forma análoga a uma decomposição de Cholesky para matrizes, sem exigir restrições explícitas durante a otimização.
   • A restrição de traço unitário é gerenciada via uma restrição de norma de Frobenius no fator $A$ ($\|A\|_F \leq 1$).

2. Otimização: O problema de QST é reformulado como um problema de otimização não convexa que minimiza o erro de mínimos quadrados entre os resultados de medição observados e as predições do modelo.

   • Objetivo: $\min_A \frac{1}{2} \|y - \mathcal{M}(\hat{\rho}_{TT})\|_2^2$ sujeito a $\|A\|_F \leq 1$.
   • Algoritmo: Um algoritmo simples de Gradiente Descendente (GD) é empregado. Em cada iteração, o gradiente é computado usando contrações de redes de tensores, e o fator atualizado é projetado de volta no formato Block-TT usando um TT-SVD para manter a ortogonalidade e controlar os postos (ranks). Um fator de momentum é usado para melhorar a convergência.

3. Eficiência: O método aproveita a álgebra TT para computar valores esperados ($\text{Tr}(\rho E_m)$) de forma eficiente. A complexidade computacional para avaliar medições escala como $O((4R^2 + 2R^3)(\log_2 D + K))$, onde $R$ é o posto TT. Isso é significativamente mais eficiente do que a complexidade $O(D^2)$ de computações de traço de matriz padrão para grandes $N$, desde que o estado possua um baixo posto TT.

Principais Contribuições

• Parametrização Block-TT: Introdução de uma representação Block-TT para matrizes de densidade que preserva inerentemente a semidefinitude positiva, eliminando a necessidade de etapas de projeção complexas exigidas por outros métodos de fatoração.
• Escalabilidade: Demonstração de que a abordagem mitiga a maldição da dimensionalidade para uma ampla classe de estados quânticos (puros, quase puros e estados fundamentais) ao reduzir a contagem de parâmetros de um escalonamento exponencial para logarítmico em relação ao tamanho do sistema.
• Framework Algorítmico: Desenvolvimento de um algoritmo baseado em gradiente adaptado para redes Block-TT, utilizando TT-SVD para truncamento de posto e normalização.
• Análise Comparativa: Uma comparação abrangente com métodos de última geração, incluindo Otimização Convexa (CVX), Estimativa de Máxima Verossimilhança (MLE) e métodos de Gradiente Projetado de Baixo Posto (LR).

Resultos
Experimentos numéricos foram conduzidos em sistemas variando de 3 a 12 qubits com medições de Pauli aleatórias e ruído Gaussiano (SNR = 60 dB).

• Acurácia: O método Block-TT proposto alcançou uma acurácia competitiva na recuperação de estados mistos. Em termos de Fidelidade e Distância de Traço, superou o MLE e apresentou desempenho global similar ao método de Gradiente Projetado de Baixo Posto (LR).
• Eficiência de Amostragem: Em baixas razões de amostragem ($M/D^2 < 0.3$), o método de otimização convexa (CVX) apresentou o melhor desempenho, mas o método Block-TT permaneceu competitivo.
• Eficiência Computacional: O achado mais significativo foi o tempo computacional. Enquanto a avaliação de medições baseada em matriz escala exponencialmente com o número de qubits, a abordagem Block-TT escala de forma quase linear. Isso permite que o método lide com sistemas de grande escala (ex: 12 qubits) onde métodos baseados em matrizes tornam-se computacionalmente intratáveis.

Significância e Alegações
O artigo afirma que a abordagem de QST via Block-TT oferece uma solução prática para a estimativa de estados quânticos de grande escala, equilibrando eficiência de memória, velocidade computacional e validade física.

• Alegações Modestas: Os autores explicitamente declaram que o método é eficiente especificamente para estados quânticos que podem ser bem aproximados por redes de tensores de baixo posto. Eles reconhecem que o algoritmo atual é um gradiente descendente simples e que otimizações mais avançadas sobre variedades (manifolds) TT poderiam melhorar ainda mais o desempenho.
• Direções Futuras: O artigo sugere que trabalhos futuros poderiam incluir uma análise teórica rigorosa de garantias de recuperação e o desenvolvimento de abordagens de completamento de tensores estruturados para recuperação determinística.
• Conclusão: O trabalho demonstra que parametrizar matrizes de densidade via redes Block-TT é uma alternativa viável, eficiente em termos de memória e computação para a tomografia tradicional, capaz de recuperar estados mistos precisos sem impor restrições adicionais além da estrutura inerente da decomposição.