技术摘要：线性光学量子电路中针对碰撞效应的贝叶斯光子损耗缓解方法

1. 问题陈述

光子损耗是线性光学量子电路（LOQC）中主要的噪声来源，特别是在玻色采样（Boson Sampling）实验中。与退相干不同，损耗会导致光子完全消失，从而将理想的 $n$ 光子输出模式转化为光子数较少的输出结果。这种失真使得在实际损耗率下，通过标准后选择（即丢弃有损耗事件）来恢复理想无损分布变得极其低效。

现有的经典缓解策略，特别是 Mills 和 Mezher 提出的“回收”（recycling）框架（由 Quandela 的 photon_recycling 实现），试图通过对有损样本进行重加权来恢复无损概率。然而，该方法存在两个关键局限性：

1. 统计偏差： 由于其重建过程中的近似处理（例如，用期望值替代干涉项以及启发式的指数外推），回收估计量本质上是存在偏差的。即使当样本数 $N \to \infty$ 时，这种偏差也不会消失。
2. 结构限制： 回收内核假设处于“无碰撞”（no-collision, NC）扇区，即每个输出模式最多包含一个光子。然而，真实的玻色采样输出经常表现出“碰撞”状态（单个模式内含有多个光子），这是由于 Hong–Ou–Mandel 聚集效应导致的。回收方法无法处理这些样本；丢弃这些样本意味着牺牲了大量的数据和信息，尤其是在碰撞模式占据大量无损输出质量的机制下（例如，$n=4, m=10$ 时占比达 71%）。

2. 方法论

作者提出了一个具备碰撞感知能力的贝叶斯框架，将原始的有损探测计数视为基于单光子伯努利损耗模型的多元分布（Multinomial）观测。

前向模型

该方法将光子损耗建模为独立的单光子伯努利通道，生存概率为 $1-\eta$。

• 无碰撞机制： 该模型在输入和输出向量均为二进制（$s, y \in \{0, 1\}^m$）时，退化为回收内核。
• 碰撞感知机制： 该框架扩展到了完整的弱组合空间（$s \in \mathbb{Z}_{\ge 0}^m$，且 $\sum s_i = n$）。它引入了一个每模式二项式损耗因子 $\binom{s_i}{y_i}$，以解释模式内光子的可交换性。观测到输出 $y$ 的似然函数（给定理想分布 $p$ 和损耗率 $\eta$）为：
  $$\pi_y(p, \eta) = \eta^k (1-\eta)^{n-k} \sum_{s \in G_{\text{coll}}(y)} \left[ \prod_{i=1}^m \binom{s_i}{y_i} \right] p(s)$$
  其中 $k$ 是丢失的光子数，$G_{\text{coll}}(y)$ 是能够产生 $y$ 的有效无损状态集合。

推断

作者利用贝叶斯定理推断理想分布 $p$ 和损耗率 $\eta$ 的联合后验分布：
$$\Pr(p, \eta \mid c) \propto \prod_{y \in Y} \pi_y(p, \eta)^{c(y)} \cdot \Pr(p) \cdot \Pr(\eta)$$

• 先验分布： 对 $p$ 使用对称狄利克雷先验（$\alpha=1$），对 $\eta$ 使用 Beta 先验（$\beta=1$）。
• 采样： 使用无转向采样器（NUTS）在内核的稀疏关联表示（sparse incidence representation）上进行后验采样。这种表示法将内层循环的计算复杂度从 $O(K \cdot |Y|)$ 降低到 $O(E + K)$，使得在模式空间高达 $K \approx 8855$ 时进行推断依然可行。

3. 核心贡献

本文主要有三项贡献：

1. 降低重建误差： 通过通过多元似然函数直接拟合前向模型，贝叶斯方法避免了回收估计量中固有的重加权近似和干涉项替换问题。这使得其 Kullback-Leibler (KL) 散度和均方误差 (MSE) 均低于回收法和后选择法。
2. 支持碰撞机制： 该框架能够自然处理碰撞状态，而回收方法无法处理此类状态。在碰撞丰富的机制下，贝叶斯后验能够恢复回收方法无法估计的损耗率和碰撞模式概率，同时保持较低的重建误差。
3. 可操作的不确定性量化： 不同于点估计基准，该联合后验提供了关于理想分布 $p$ 和损耗率 $\eta$ 的置信区间。这使得回顾性覆盖率分析成为可能，从而揭示在各种噪声条件下，区间捕捉真实分布的效果。

4. 实验结果

实验使用 Perceval 模拟器（SLOS 引擎）生成的数据进行，规模与前人工作一致：$n=4$ 光子在 $m=20$ 个模式中（无碰撞基准）以及 $n=4$ 在 $m=10$ 个模式中（碰撞感知基准）。

• 无碰撞基准测试 ($n=4, m=20$)：

  • 在所有测试的损耗率（$\eta \in \{0.3, 0.7, 0.9\}$）和不可分辨度水平（$V \in \{1.0, 0.8\}$）下，贝叶斯后验均实现了最低的 KL 散度。
  • 回收估计量表现出“重建误差平台期”（例如，在 $\eta=0.3$ 时 KL $\approx 0.31-0.33$ nats），且该误差不会随样本数 $N$ 的增加而减小，证实了其固有的偏差。
  • 贝叶斯误差随 $N$ 的增加而持续下降（例如，从 $N=10^4$ 时的 0.348 下降到 $N=2\times 10^5$ 时的 0.068），拉大了与回收法的差距。
  • 后选择法在高损耗下表现极差，因为有效样本量大幅萎缩。

• 碰撞感知基准测试 ($n=4, m=10$)：

  • 回收方法在此场景下结构上无法应用（需要丢弃 71% 的无损输出质量）。
  • 贝叶斯后验成功精确恢复了损耗率（$\hat{\eta} = \eta$），并在高损耗下实现了比后选择法显著更低的 KL 散度。
  • 在低损耗下，贝叶斯方法的表现与后选择法相当，其差异取决于不可分辨度的变化。

• 不确定性量化：

  • 95% 置信区间在无碰撞基准测试中显示出 0.88–0.96 的经验覆盖率。
  • 在部分光子不可分辨（$V < 1$）的机制下，区间正确覆盖了部分可分辨分布 $p_V$（即实际的数据生成分布），但对理想无损分布 $p^*$ 显示出欠覆盖，这反映了目标分布本身的偏移而非估计器的失效。

5. 重要性与主张

本文声称，该贝叶斯框架为线性光学量子电路提供了一种优于现有经典缓解技术的有限样本优势。

• 优于回收法： 它消除了由干涉项近似引起的结构性偏差，并解决了因丢弃碰撞事件而导致的数据损失问题。
• 可扩展性： 虽然精确的 NUTS 采样在 $N$ 或 $K$ 非常大时面临计算限制（需要未来的变分推断等近似推断方法），但目前的实现对于当前实验演示的规模（$n=4$）是可行的。
• 鲁棒性： 该方法在多光子发射下表现出平滑退化，并能正确识别在部分不可分辨情况下的目标分布偏移。
• 局限性： 作者明确指出，其结果展示的是有限样本下的改进，而非渐近无偏性（后者需要总体极限分析）。目前该方法假设均匀的单光子损耗，并且没有在似然函数内部对模式相关损耗或部分不可分辨性进行建模（尽管它能处理由此产生的分布偏移）。

这项工作建立了一个新的光子损耗缓解基准，该基准在碰撞机制下依然有效，并提供了严谨的不确定性量化，填补了当前最先进的回收方法的主要空白。