Quantum Filtering and Stabilization of Dissipative Quantum Systems via Augmented Neural Ordinary Differential Equations

Resumo Técnico: Filtragem e Estabilização Quântica de Sistemas Quânticos Dissipativos via Equações Diferenciais Ordinárias Neurais Aumentadas

Declaração do Problema
A estimativa e o controle de sistemas quânticos abertos apresentam um desafio fundamental quando o Hamiltoniano do sistema ou o modelo de ruído não são totalmente conhecidos. Em configurações experimentais realistas, as trajetórias quânticas são apenas parcialmente acessíveis através de medições fracas contínuas, enquanto a dinâmica subjacente é influenciada por processos dissipativos ocultos, dependentes do tempo e do ambiente (efeitos não-markovianos). Estratégias de controle tradicionais, como o controle ótimo ou métodos baseados em Lyapunov, dependem fortemente do conhecimento completo do Hamiltoniano do sistema e da dinâmica dissipativa, tornando-as menos adequadas para cenários com informação incompleta. Além disso, abordagens padrão de aprendizado de máquina frequentemente carecem de interpretabilidade física e falham em recuperar explicitamente parâmetros desconhecidos, que são cruciais para projetar leis de controle de feedback. A dificuldade central reside em reconstruir o estado quântico completo (vetor de Bloch) e inferir taxas dissipativas ocultas simultaneamente a partir de dados de medição incompletos sem um modelo físico explícito.

Metodologia: O Framework AQNODE
Os autores introduzem o framework AQNODE (Augmented Quantum Neural Ordinary Differential Equation), uma abordagem baseada em dados projetada para aprender trajetórias quânticas e parâmetros de dissipação diretamente de dados de medição parcial contínua.

1. Representação de Estado Aumentado: Ao contrário das Neural ODEs padrão que aprendem apenas trajetórias observáveis, o AQNODE define um vetor de estado aumentado $Y_{aug}(t) = [x(t), y(t), z(t), \Delta(t), \gamma(t)]^T$. Isso inclui os componentes observáveis do vetor de Bloch ($x, y, z$) e os parâmetros dissipativos ocultos e dependentes do tempo: a taxa de difusão $\Delta(t)$ e a taxa de dissipação $\gamma(t)$. Esta aumentação transforma o problema de uma pura previsão de trajetória em um problema conjunto de identificação de sistema e filtragem.
2. Arquitetura: O framework consiste em três componentes principais:
   • Encoder (Codificador): Uma rede neural que mapeia registros de medição parciais ($dY(t)$), entradas de controle ($u(t)$) e condições iniciais em uma representação latente $h(t)$.
   • Neural ODE: O estado latente evolui continuamente no tempo de acordo com um campo vetorial aprendido $\dot{h}(t) = \text{MLP}_\theta([h(t), dY(t), u(t), t])$. Isso permite que o modelo capture a dinâmica de tempo contínuo e a suavidade temporal inerentes aos sistemas físicos.
   • Decoder (Decodificador): Uma rede neural que mapeia o estado latente evoluído de volta para o espaço observável aumentado, fornecendo estimativas tanto para o estado do qubit quanto para os parâmetros dissipativos ocultos.
3. Treinamento e Perda: O modelo é treinado de forma supervisionada utilizando dados simulados gerados a partir de uma equação mestre de tempo-convolução-menos (TCL) de dois níveis com um reservatório Ohmic Lorentz-Drude. A função de perda total combina o erro quadrático médio (MSE) entre as trajetórias de estado e os parâmetros de verdade fundamental ($L_s$ e $L_p$), ponderados por hiperparâmetros $\kappa$ e $\beta$. O método de sensibilidade adjunta é utilizado para computação de gradiente eficiente em memória através do solver de ODE.
4. Integração de Controle de Feedback: O estado e os parâmetros inferidos são utilizados para controle de feedback em tempo real. Os autores implementam duas estratégias:
   • Controle Proporcional-Derivativo (PD): Computa campos de controle baseados no erro entre o estado estimado e o estado alvo.
   • Regulador Linear-Quadrático Variável no Tempo (LQR): Ajusta dinamicamente os ganhos de feedback resolvendo uma equação de Riccati diferencial para minimizar uma função de custo envolvendo o desvio de estado e a energia de controle.

Principais Contribuições

• Filtragem e Identificação Simultâneas: O AQNODE permite a reconstrução simultânea do estado do qubit e a inferência de taxas dissipativas ocultas e dependentes do tempo a partir de dados de medição fraca parcial, sem exigir um modelo físico explícito durante a inferência.
• Consistência Física e Interpretabilidade: Ao embutir o sistema em um espaço latente evoluído via Neural ODEs, o framework garante suavidade temporal e consistência física, retornando explicitamente parâmetros interpretáveis ($\Delta(t), \gamma(t)$) em vez de apenas um ajuste de trajetória de "caixa-preta".
• Controle Baseado em Dados: O framework integra a filtragem quântica aprendida com estratégias de controle clássico (PD e LQR), demonstrando que a reconstrução precisa do estado a partir de dados parciais é suficiente para conduzir sistemas quânticos dissipativos em direção a estados alvo em tempo real.
• Robustez e Generalização: A abordagem é validada tanto em regimes de dentro da distribuição (WD) quanto fora da distribuição (OOD), incluindo cenários com variações significativas nos parâmetros ambientais ($\alpha, r$) e parâmetros do sistema ($M, \omega_0$), bem como perturbações nas condições iniciais.

Resultados
Simulações numéricas extensas em um único qubit impulsionado interagindo com um ambiente não-markoviano demonstram a eficácia do AQNODE:

• Estimativa de Estado e Parâmetro: No regime WD, o modelo alcança um baixo Erro Quadrático Médio (MSE) tanto para os componentes de estado ($< 10^{-4}$) quanto para os parâmetros. No regime OOD, onde os parâmetros desviam significativamente das distribuições de treinamento, o modelo mantém uma precisão razoável (MSE $< 10^{-3}$ para estados), demonstrando fortes capacidades de generalização.
• Desempenho de Controle: Quando utilizado para controle de feedback para direcionar o qubit ao estado alvo $|0\rangle$, os controladores baseados em AQNODE (tanto PD quanto LQR) estabilizam o sistema com sucesso.
  • Controle LQR: Demonstrou desempenho superior ao controle PD em termos de velocidade de convergência, desvio do estado final e fidelidade ($\geq 0.93$), mesmo sob condições OOD. No entanto, este desempenho de controle melhorado ocorre ao custo de maior gasto energético; a Tabela III indica que o LQR requer significativamente maior energia de controle (ex: 5624.1 vs 2310.9 para PD no regime WD) comparado ao controle PD.
  • Pureza e Coerência: O modelo prevê com precisão a evolução da pureza e coerência quântica, capturando as oscilações transientes e os comportamentos de estado estacionário induzidos pelos campos de controle e pela dissipação ambiental.
• Robustez a Perturbações: O framework exibe robustez contra perturbações no estado quântico inicial, com o modelo corrigindo suas previsões ao longo do tempo para se alinhar com a verdade fundamental, mimetizando o comportamento de um filtro quântico.

Significância e Alegações
O artigo afirma que o AQNODE estabelece um framework escalável, diferenciável e potencialmente compatível experimentalmente para a modelagem e controle em tempo real de sistemas quânticos dissipativos. Ao unir aprendizado de máquina com mecânica quântica, o trabalho oferece uma solução para o desafio de controlar sistemas quânticos sem o conhecimento total de seus Hamiltonianos ou modelos de ruído. Os autores postulam que este paradigma baseado em dados une técnicas convencionais de controle quântico com aprendizado de máquina, fornecendo uma ferramenta confiável para estimativa e estabilização de estados quânticos. Eles sugerem que, embora o trabalho atual foque em um sistema de dois níveis, o framework é extensível para sistemas quânticos de maior dimensão e complexidade, auxiliando potencialmente na correção de erros quânticos e simulações da era NISQ. A significância reside em sua capacidade de funcionar como um "observador quântico aprendido", permitindo protocolos adaptativos em ambientes onde as distribuições exatas de parâmetros são desconhecidas.