[論文レビュー] Efficient Quantum Tomography with Fidelity Estimation.

Zhaoyu Han, Jun Wang+5 more|arXiv (Cornell University)|Dec 8, 2017

Quantum Information and Cryptography被引用数 3

ひとこと要約

本稿では、内蔵されたfideliy推定を備えた純粋状態のための機械学習ベースの量子トモグラフィー手法を提案する。測定スケーリングが指数的未満であるため、大規模な量子状態トモグラフィーを実用的に可能にする。

ABSTRACT

We propose a quantum tomography scheme for pure states which adopts machine learning methods, along with a built-in fidelity estimation approach to assess the reliability of the tomographic state. We prove the validity of the scheme theoretically and perform numerically simulated experiments on several typical target quantum states such as W, cluster and dimer states. We find that the required number of measurements to meet the convergence criterion does not grow exponentially in the number of qubits, thus the scheme achieves high efficiency that is crucial for large-scale quantum states tomography in a laboratory.

研究の動機と目的

• 大規模な量子系における量子状態トモグラフィーの高いリソースオーバーヘッドの課題に対処すること。
• 再構成された量子状態の高精度を維持しながら測定要件を最小限に抑える手法を開発すること。
• 完全なトモグラフィーを実施せずに再構成状態の信頼性を評価できる信頼性の高いFidelity推定メカニズムを統合すること。
• 現実的な実験環境において、W状態、クラスター状態、ジマー状態などの複雑なエンタングル状態のスケーラブルなトモグラフィーを可能にすること。

提案手法

• 測定データから純粋量子状態を再構成するための機械学習技術を採用する。
• 再構成状態の信頼性を、測定結果のサブセットのみを用いて評価するFidelity推定モジュールを設計する。
• 状態再構成プロセスの最適化を図るための変分的手法を用いることで、必要な測定回数を削減する。
• Fidelityを正則化制約として用いる最適化問題として再構成問題を定式化する。
• W状態、クラスター状態、ジマー状態を含むベンチマークエンタングル状態に対して、数値的検証を実施する。
• 収束性およびFidelity推定の正確性に関する厳密な理論的妥当性を保証する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いることで、Fidelityを損なわずに純粋状態トモグラフィーに必要な測定回数を削減できるか？
• RQ2 部分的な測定データのみを用いて、再構成された量子状態のFidelityをどの程度正確に推定できるか？
• RQ3 提案手法は、キュービット数の増加に伴い効率的にスケーリング可能であり、指数的測定増加を回避できるか？
• RQ4 シミュレーションにおいて、W状態やクラスター状態などの複雑なエンタングル状態を信頼性高く再構成できるか？
• RQ5 異なる種類のターゲット量子状態に対して、Fidelity推定メカニズムは頑健かつ自己整合的か？

主な発見

• 提案手法は、キュービット数の増加に伴い指数的増加しない測定回数で収束を達成する。
• Fidelity推定が再構成プロセスにうまく統合され、リアルタイムでの信頼性評価が可能になった。
• 数値的シミュレーションにより、W状態、クラスター状態、ジマー状態の高精度な再構成が確認された。
• 本手法はスケーラビリティを示し、大規模量子トモグラフィーの実用的実現を可能にした。
• 理論的妥当性が厳密に証明されており、実験的応用における信頼性を裏付けた。
• 従来の量子トモグラフィー方式と比較して、リソースオーバーヘッドを顕著に削減した。