[論文レビュー] Quantum Process Tomography via L1-norm Minimization

Robert L. Kosut|ArXiv.org|Dec 23, 2008

Quantum Information and Cryptography参考文献 2被引用数 14

ひとこと要約

本論文では、圧縮センシングから借用されたℓ₁ノルム最小化を用いて、適切な基底における近似的なスパarsityを活用することで、量子過程行列の再構成をより効率的に行う手法を提案する。この手法は、標準的な最小二乗法を用いた量子過程トモグラフィー（QPT）と比較して、著しく少ない実験的リソースで高い忠実度の過程推定を達成し、2量子ビット系において測定回数と実験回数が10倍以上削減されることを示している。

ABSTRACT

For an initially well designed but imperfect quantum information system, the process matrix is almost sparse in an appropriate basis. Existing theory and associated computational methods (L1-norm minimization) for reconstructing sparse signals establish conditions under which the sparse signal can be perfectly reconstructed from a very limited number of measurements (resources). Although a direct extension to quantum process tomography of the L1-norm minimization theory has not yet emerged, the numerical examples presented here, which apply L1-norm minimization to quantum process tomography, show a significant reduction in resources to achieve a desired estimation accuracy over existing methods.

研究の動機と目的

• 多量子ビット系における標準的量子過程トモグラフィー（QPT）の指数的リソーススケーリングを解決すること。
• 不完全ではあるが適切に設計された量子系は、適切な基底において過程行列がほぼスパースであるという事実を活用すること。
• 圧縮センシング技術——特にℓ₁最小化——を用いて、不完全でランクの低い測定データから過程行列を再構成すること。
• ℓ₁最小化が、リソース効率および推定精度の面で、従来のℓ₂ベースの最小二乗推定を上回ることを実証すること。
• まだQPTへの理論的拡張が正式に確立されていないにもかかわらず、スパース回復を用いた量子ビット数に線形にスケーリング可能なリソースの可能性を検討すること。

提案手法

• 量子過程トモグラフィーを線形逆問題として定式化する：y = Ax、ここでxは過程行列をベクトル化したものであり、Aは測定設定を符号化する。
• 測定確率と整合する最もスパースな解を回復するためにℓ₁最小化を適用する：y = AxおよびCPTP制約のもとで‖x‖₁を最小化する。
• 推定された過程行列が正定値かつトレース保存であることを保証するための凸最適化と制約を組み込む。
• スパース性回復の向上と推定精度の向上を図るために、重み付け再帰法を用いる。
• 有限および無限のデータを用いたシミュレーションにおいて、ℓ₁ベースの再構成と標準的なℓ₂正則化最小二乗推定を比較する。
• さまざまなノイズレベルと測定完全度において、推定された過程行列と真の過程行列との間のℓ₁およびℓ₂誤差指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 圧縮センシングからの理論的拡張が正式に確立されていないにもかかわらず、ℓ₁最小化が量子過程トモグラフィーに効果的に適用可能かどうか。
• RQ2 標準的QPTと比較して、ℓ₁最小化が実験設定数および総測定回数をどの程度削減できるか。
• RQ3 有限データおよびノイズ下でのℓ₁最小化の推定精度が、ℓ₂ベースの最小二乗法と比べてどの程度優れているか。
• RQ4 現実的で不完全な量子系における過程行列の近似的なスパarsityが、圧縮センシングを用いて顕著なリソース削減を可能にするか。
• RQ5 ℓ₁最小化が、完全なランク測定に比べて僅かな実験的リソースで、同等の推定忠実度を達成できるか。

主な発見

• ℓ₁最小化法は、256の完全なケースと比較して36の測定結果しか得られていない状況でも、ℓ₂ベースの最小二乗法の推定誤差の約半分にまで低減した。
• 2量子ビット系では、ℓ₁ベースの再構成は6入力および6出力（合計36設定）で十分であったのに対し、ℓ₂法では16入力および16出力（合計256設定）を必要とし、リソース要件を10倍以上削減した。
• 無限のデータを用いた場合、ℓ₁最小化はわずか36の不完全な測定で真の過程行列を完全に回復したが、同じ不完全なセットを用いたℓ₂ベースのRMS誤差は依然として高く（0.11）保たれた。
• ビット反転ノイズに対してもロバストであり、5%および20%の誤り率において推定誤差はほぼ同一であり、Cramér-Rao下限の√Nスケーリングの予測と整合的であった。
• 重み付け再帰法により、重みなしℓ₁誤差が1/2～1/3にまで低減され、スパース性のより良い利用が示された。
• 結果から、スパarsityの下ではQPTのリソースが量子ビット数に線形にスケーリング可能である可能性が示唆されるが、これはまだ理論的に証明されていない。