[論文レビュー] Semidefinite Programming for Quantum Channel Learning

Mikhail Gennadievich Belov, Victor V. Dubov+4 more|arXiv (Cornell University)|Jan 18, 2026

Quantum Information and Cryptography被引用数 0

ひとこと要約

論文は、古典データから量子チャネルを再構成する問題を凸セミデフィニット計画問題として定式化できることを示し、さまざまなチャネルタイプの正確な回復を可能にし、データを記述するには通常低いKrausランクで十分であることを示す。

ABSTRACT

The problem of reconstructing a quantum channel from a sample of classical data is considered. When the total fidelity can be represented as a ratio of two quadratic forms (e.g., in the case of mapping a mixed state to a pure state, projective operators, unitary learning, and others), Semidefinite Programming (SDP) can be applied to solve the fidelity optimization problem with respect to the Choi matrix. A remarkable feature of SDP is that the optimization is convex, which allows the problem to be efficiently solved by a variety of numerical algorithms. We have tested several commercially available SDP solvers, all of which allowed for the reconstruction of quantum channels of different forms. A notable feature is that the Kraus rank of the obtained quantum channel typically comprises less than a few percent of its maximal possible value. This suggests that a relatively small Kraus rank quantum channel is typically sufficient to describe experimentally observed classical data. The theory was also applied to the problem of reconstructing projective operators from data. Finally, we discuss a classical computational model based on quantum channel transformation, performed and calculated on a classical computer, possibly hardware-optimized.

研究の動機と目的

• 量子情報および ML/AI 内の逆問題として、古典データから量子チャネルを学習することを動機付ける。
• Kraus演算子またはChoi行列に基づく制約付き最適化問題として量子チャネル再構成を定式化する。
• 二乗法忠実度形式の下で全rank量子チャネルの回復が凸 SDP 問題になることを実証する。
• 単位aryおよび高Krausランクチャネルに対する SDP ソルバーを用いた実践的な再構成結果を示す。
• 密度行列ネットワーク計算モデルとスケーラビリティへの示唆を論じる。

提案手法

• 学習タスクのために量子チャネルをB_sとしてのKraus演算子またはChoi行列Jで表現する。
• 写像演算子の2つの二次形式の比として忠実度を表現し、SDP定式化を可能にする。
• Kraus形でのCPTP制約、またはChoi形での線形トレース/分割制約を課し、全rankのときにQCQPがSDPになる。
• 目的関数をTr(J S)を最大化する形に再構成し、J ⪰ 0およびトレース保持または単位行列保持に由来する線形制約を課す。
• 得られたSDPを内部点法で解き、特性に基づくアプローチ（Appendix A）と比較する。
• 任意にChoi行矩陣表現を用いて忠実度と制約を線形化し、SDP準備性を整える選択肢。

Figure 1: The rank of the Choi matrix $\mathcal{J}$ ( 16 ) (red), obtained as a solution to the optimization problem ( 22 ) for unitary mapping ( 25 ) data, is shown. This plot demonstrates a perfect reconstruction of the unitary operator from the data for the dimension range $1\leq D=n\leq 30$ . We

実験結果

リサーチクエスチョン

• RQ1 全Rankの量子チャネルを古典的入力/出力データからSDPで正確に再構成できるか。
• RQ2 KrausランクはSDPに基づく学習の難易度と成功にどのように影響するか（非凸法と比較して）。
• RQ3 SDPベースのチャネル学習におけるKraus演算子表現とChoi行矩陣表現の比較性能はどうか。
• RQ4 SDPフレームワーク内でユニタリ学習を特別な場合としてどの程度回復可能か。
• RQ5 現実的な問題サイズでSDPベースの量子チャネル再構成に必要な計算資源と実務上の制限は何か。

主な発見

• 忠実度が二次形式である場合、量子チャネルの再構成を凸SDPとして扱え、グローバル最適化が可能である。
• SDPアプローチは情報完備データから単位チャネルを正確に再構成でき、Choi行矩阵はランク1となる。
• 高いKrausランクのチャネルでもSDPベースの方法は良好に機能し、数値実験で回復が確認されている。
• 回復されたチャネルのKrausランクは最大可能ランクのごく小さな比率になることが多く、観測データにはコンパクトな表現で十分であることを示唆する。
• Choi行矩陣表現は線形目的関数と線形制約に半正定値制約を付加する形となり、堅牢な最適化を促進する。
• 密度行列ネットワークの観点は、大きなチャネルを小さく扱えるネットワーク状に分解することを支持する。

Figure 2: The rank of the Choi matrix $\mathcal{J}$ ( 16 ) (red) obtained as a solution to the optimization problem for a random $\psi\to\phi$ mapping ( 6 ): (a) The case $1\leq D=n\leq 30$ . The rank grows slowly with the increase of $n$ ; the rank value typically comprises less than 1.5% of the ma