Resumo Técnico: Reconstrução Adaptativa de Estados Quânticos Bosônicos

Definição do Problema

Sistemas quânticos bosônicos oferecem um paradigma de eficiência de hardware para o processamento de informação quântica devido aos seus grandes espaços de Hilbert, permitindo a correção de erros quânticos de forma eficiente em termos de recursos. No entanto, a caracterização desses estados é inerentemente desafiadora. A tomografia de estado tradicional requer a reconstrução completa da função de Wigner, o que é intensivo em recursos e demanda um grande número de medições. Além disso, os métodos existentes de estimativa de fidelidade visam tipicamente um único estado fixo. Isso é insuficiente para aplicações práticas onde estados fisicamente equivalentes diferem por translações no espaço de fase, rotações ou outras transformações. Adicionalmente, configurações experimentais realistas sofrem com contribuições de Hamiltoniano não contabilizadas, imperfeições de calibração e derivas do sistema, o que limita a eficácia das estratégias de controle de malha aberta (otimizadas por modelo). Há uma necessidade crítica de protocolos de reconstrução que possam identificar a fidelidade ideal dentro de uma família relevante de estados, permaneçam robustos a deslocamentos no espaço de fase e operem dentro das estritas restrições de tempo (minutos) exigidas pelo controle ótimo quântico (QOC) de malha fechada.

Metodologia

Os autores introduzem uma técnica de reconstrução adaptativa que combina um modelo paramétrico informado pela física com inferência bayesiana, reamostragem bootstrap e aprendizado ativo. O fluxo de trabalho central envolve:

1. Modelo Paramétrico Informado pela Física: Em vez de uma reconstrução não paramétrica, a função de Wigner é modelada usando uma forma paramétrica adaptada para estados de gato de Schrödinger. O modelo consiste em três componentes gaussianas (esquerda, centro e direita) com amplitudes, médias e matrizes de covariância, além de um termo de cosseno para contabilizar a interferência de franjas. Isso reduz a dimensionalidade do problema e garante reconstruções fisicamente plausíveis.
2. Inferência Bayesiana com MAP e Bootstrap: O algoritmo emprega a estimativa de Máxima A Posteriori (MAP) com uma priori de Wishart para restringir os parâmetros a regimes realistas. Para quantificar a incerteza epistêmica sem o custo computacional de um MCMC (Markov Chain Monte Carlo) completo, o método utiliza uma abordagem bootstrap. Múltiplos modelos são treinados em conjuntos de dados reamostrados com reposição a partir das medições originais.
3. Amostragem Ativa via Distribuição de Boltzmann: A variância (desacordo) entre os modelos bootstrapped em cada ponto do espaço de fase serve como uma métrica de incerteza. Novos pontos de medição são selecionados adaptativamente de regiões de maior incerteza. Especificamente, uma distribuição de Boltzmann é construída com base no desvio padrão estimado, onde a "temperatura" (temperatura inversa $\beta_B$) é ajustada para manter uma faixa de entropia específica. Isso evita que a amostragem se torne muito uniforme (não informativa) ou muito aguda (correndo o risco de falha na amostragem por rejeição).
4. Integração de Malha Fechada: A reconstrução é integrada em um framework de QOC de malha fechada. Pulsos de controle são refinados iterativamente com base em uma Figura de Mérito (FoM) derivada da fidelidade do estado reconstruído. A FoM inclui um termo de penalidade para contabilizar imperfeições do estado, como a elipticidade gaussiana causada por não linearidades de Kerr.

Principais Contribuições

• Framework de Reconstrução Adaptativa: O artigo apresenta um método que estima a fidelidade em relação a uma família de estados bosônicos (invariantes sob translações e rotações no espaço de fase), em vez de um único estado alvo fixo.
• Eficiência e Velocidade: A técnica reconstrói mapas de Wigner de alta fidelidade em poucos minutos usando um pequeno número de medições, significativamente mais rápido do que a amostragem de grade de alta resolução convencional.
• Robustez ao Desajuste: O método demonstra robustez a deslocamentos e rotações substanciais no espaço de fase, mesmo quando a priori usada para a reconstrução está desalinhada com o estado real.
• Sensibilidade a Imperfeições: Além da fidelidade, a reconstrução é sensível a sutis imperfeições do estado, como a elipticidade das componentes gaussianas, que são frequentemente ignoradas por métricas de fidelidade isoladas.
• Demonstração Experimental: A abordagem é implementada em uma plataforma de eletrodinâmica quântica de circuitos (cQED) usando uma cavidade supercondutora e um qubit transmon. Foi testada em estados de gato de Schrödinger com amplitudes $\alpha \in [1, 3]$.

Resultados

• Qualidade da Reconstrução: O algoritmo produz mapas de Wigner reproduzíveis que capturam características distintas de mapas de alta resolução (que levam horas para serem adquiridos) em aproximadamente 3,5 minutos. A infidelidade (1 - $F_2$) é minimizada com hiperparâmetros específicos: 100 médias por ponto, um tamanho de lote de 5 e um limiar de entropia de 1,5.
• Comparação com Estratégias de Amostragem:
  • Amostragem de Grade: Embora seja imparcial, a amostragem de grade é ineficiente para aplicações de malha fechada devido aos longos tempos de aquisição e ao risco de perder estados deslocados se a grade não for pré-definida corretamente.
  • Amostragem Ótima ($p_{sq}$ e $p_{abs}$): Estas estratégias funcionam bem para estados próximos ao alvo, mas falham em reconstruir precisamente estados que estão significativamente deslocados ou rotacionados no espaço de fase, pois carecem de pontos de amostragem nas regiões relevantes.
  • Amostragem Adaptativa: O método proposto supera as estratégias existentes em cenários de malha fechada, prevendo com sucesso a fidelidade para estados rotacionados e deslocados onde a amostragem ótima falha.
• Otimização de Malha Fechada: Em experimentos de prova de conceito, a reconstrução adaptativa foi utilizada como o mecanismo de feedback para um otimizador dCRAB (dressed Chopped Random Basis). O sistema conseguiu reduzir distorções induzidas por Kerr (melhorando a elipticidade gaussiana) e melhorar a fidelidade de preparação de estado para vários tamanhos e fases de gatos. A inclusão de um termo de penalidade na FoM mostrou-se crucial para corrigir distorções específicas, embora tenha introduzido um compromisso com a fidelidade bruta em algumas execuções.

Significância e Alegações

O artigo afirma que este trabalho fornece a primeira técnica de reconstrução que satisfaz simultaneamente os três requisitos críticos para a otimização de estado bosônico em malha fechada: erro de estimativa mínimo, alta reprodutibilidade entre tentativas e um tempo total de reconstrução limitado a alguns minutos.

A significância reside em permitir a otimização autônoma de estados bosônicos. Ao fornecer um estimador de fidelidade rápido, robusto e adaptativo que considera transformações no espaço de fase, o método permite o controle direto baseado em feedback que compensa derivas experimentais e não linearidades sem exigir conhecimento prévio preciso do Hamiltoniano do sistema. Os autores posicionam isso como um passo fundamental para protocolos de malha fechada mais gerais, sugerindo que a integração futura com aprendizado por reforço informado pela física pode aumentar ainda mais a eficiência e a capacidade de controle adaptativo para sistemas quânticos bosônicos. Os autores mantêm-se modestos quanto aos ganhos de otimização atuais, atribuindo melhorias limitadas às restrições de algoritmos de busca direta, mas enfatizam a utilidade do método como uma ferramenta para uma ampla gama de experimentos de estados bosônicos.