Inferring the Number of Quantum State Transfers with Neural Networks

技术摘要：利用神经网络推断量子态传输次数

问题陈述
量子态传输（QST）通常在单次使用范式下运行，即在每次传输之间会对自旋链进行重置。然而，在不进行重置的连续运行过程中，残余激发会在传输通道内累积，从而产生“记忆”效应。因此，控制第 $n$ 次传输的完全正映射取决于传输次数（$n$）以及读取时机。本文解决了这样一个逆问题：仅给定单次传输的输入（发送方）和输出（接收方）布洛赫矢量，能否推断出该通道已被使用的次数？这种能力使得仅通过传输数据即可恢复通道使用历史（元数据），而无需额外的探测或中断通信。

方法论
作者对一个重复使用的 QST 协议进行了建模，该协议采用长度为 $N=10$ 的 XX 自旋链，并经过完美态传输（PST）工程设计。在不重置中间位点的情况下，该链最多被使用五次（$n=1$ 到 $5$）。为了模拟实验中的缺陷，读取时机相对于最优传输时间$t^*$存在固定的分数误差$\epsilon \in [0, 0.2]$。

1. 数据生成： 输入态是从哈尔测度（Haar measure）中采样的纯态。对于每种组合的次数 $n$ 和时机偏移 $\epsilon$，系统进行演化，并记录接收方的状态。数据集由三元组 $(r, r', n)$ 组成，其中 $r$ 和 $r'$ 分别是发送方和接收方的布洛赫矢量。
2. 输入参数化： 测试了两种输入表示形式：
   • 原始（Raw）： 六维矢量 $(r_x, r_y, r_z, r'_x, r'_y, r'_z)$。
   • 简化（Reduced）： 四维矢量 $(r_\perp, r_z, r'_\perp, r'_z)$，其中 $r_\perp = \sqrt{r_x^2 + r_y^2}$。这种简化利用了通道的 $U(1)$ 对称性，即通道在绕 $z$ 轴旋转下具有协变性，这使得方位角对于区分使用次数而言是多余的。
3. 分类器： 使用全连接前馈神经网络进行训练，根据输入布洛赫矢量对使用次数进行分类（编码为类别 0–4）。网络架构包含三个隐藏层（分别为 64、32、16 个神经元），采用 ReLU 激活函数和 Softmax 输出层。
4. 评估： 通过模型对未见过的状态和时机偏移的泛化能力进行评估。性能通过分类准确率、混淆矩阵以及用于量化误分类严重程度（即错误是发生在相邻还是相距较远的次数之间）的推土机距离（Earth-Mover Distance，即 1-Wasserstein 距离）来衡量。

主要贡献与结果

• 高准确度的使用次数恢复： 一个简单的前馈神经网络可以高精度地识别重复使用 QST 通道的次数。使用原始布洛赫矢量时，模型在包含未见状态和时机的母测试集上达到了 92.6% 的准确率。
• 对称性简化的益处： 利用 $U(1)$ 对称性使用简化的两分量表示法，将准确率提升至 95.4%。这种简化还显著降低了数据需求；简化后的参数化方案仅需 6,000 个样本即可达到 90% 的目标准确率，而原始参数化方案则需要 24,000 个样本（实现了 4–7 倍的缩减）。
• 数据效率与泛化能力： 分类准确率主要取决于采样状态数（$N_s$）与采样时机数（$N_t$）的乘积，而非它们的各自数值。这意味着状态和时机在训练中具有同等重要性。此外，该网络表现出强大的泛化能力，即使在稀疏网格上进行训练，也能在时机偏移处实现平滑插值，这表明它学习的是底层的物理映射而非仅仅记忆特定的时间点。
• 残余误差的性质： 误分类并非随机发生。大约三分之二的错误发生在相邻的使用次数之间（例如，将第 3 次使用误判为第 2 次或第 4 次）。简化参数化方案的推土机距离（0.074 次使用）明显低于原始方案（0.114 次使用）。
• 误差来源： 最严重的错误（偏差超过两次使用）主要发生在时机偏移接近 $\epsilon = 0$（即完美传输时间）时。在此处，记忆效应消失（$\Phi_{n,0} = \Phi_{1,0}$），使得各类别变得不可区分。随着时机偏移的增加，记忆特征变得清晰，准确率也随之大幅上升。

意义
本文证明了量子通道的“记忆”（通常被视为保真度下降的来源）同时编码了通道使用历史的记录。作者展示了如何仅通过监督学习，利用输入-输出传输数据来检索这一历史信息。这一发现为校准量子总线、监测资源使用情况以及在无需额外物理探测或中断通信任务的情况下诊断设备漂移提供了一条实用的路径。本研究强调了将物理对称性（如 $U(1)$ 协变性）引入机器学习模型，可以极大地提高处理量子信息任务时的效率和准确性。