[논문 리뷰] Classification and reconstruction of optical quantum states with deep neural networks
이 논문은 광학 양자 시스템에서 양자 상태 분류 및 재구성에 대해 컨volutional 신경망(CNNs)과 물리학 기반 신경망을 사용하는 딥러닝 프레임워크를 제안한다. 노이즈 조건 하에서도 높은 정확도로 분류를 달성하며, 기존 방법보다 최대 두 배수의 적은 데이터 포인트와 반복 단계로 효율적인 양자 상태 톰그래피를 가능하게 하여, 적대적 훈련과 양자 제약층을 통해 뛰어난 강건성과 샘플 효율성을 입증한다.
We apply deep-neural-network-based techniques to quantum state classification and reconstruction. We demonstrate high classification accuracies and reconstruction fidelities, even in the presence of noise and with little data. Using optical quantum states as examples, we first demonstrate how convolutional neural networks (CNNs) can successfully classify several types of states distorted by, e.g., additive Gaussian noise or photon loss. We further show that a CNN trained on noisy inputs can learn to identify the most important regions in the data, which potentially can reduce the cost of tomography by guiding adaptive data collection. Secondly, we demonstrate reconstruction of quantum-state density matrices using neural networks that incorporate quantum-physics knowledge. The knowledge is implemented as custom neural-network layers that convert outputs from standard feedforward neural networks to valid descriptions of quantum states. Any standard feed-forward neural-network architecture can be adapted for quantum state tomography (QST) with our method. We present further demonstrations of our proposed [arXiv:2008.03240] QST technique with conditional generative adversarial networks (QST-CGAN). We motivate our choice of a learnable loss function within an adversarial framework by demonstrating that the QST-CGAN outperforms, across a range of scenarios, generative networks trained with standard loss functions. For pure states with additive or convolutional Gaussian noise, the QST-CGAN is able to adapt to the noise and reconstruct the underlying state. The QST-CGAN reconstructs states using up to two orders of magnitude fewer iterative steps than a standard iterative maximum likelihood (iMLE) method. Further, the QST-CGAN can reconstruct both pure and mixed states from two orders of magnitude fewer randomly chosen data points than iMLE.
연구 동기 및 목표
- 광자 손실과 가우시안 노이즈와 같은 실제 노이즈 조건 하에서 광학 양자 상태를 분류하기 위한 딥러닝 접근법을 개발한다.
- 양자역학적 제약 조건을 통합한 딥 신경망을 사용하여 물리적으로 타당한 밀도 행렬을 보장하는 효율적인 양자 상태 톰그래피를 가능하게 한다.
- 훈련된 신경망에 의해 이끌리는 적응형 데이터 수집을 활용하여 양자 상태 재구성에 필요한 데이터 요구량을 줄인다.
- 학습 가능한 손실 함수를 갖는 조건부 생성 적대 신경망(QST-CGAN)을 사용하여 표준 반복적 최대우도 추정(iMLE)에 비해 재구성 속도와 정확도에서 뛰어난 성능을 내는 것을 목표로 한다.
제안 방법
- 노이즈가 있는 광학 양자 상태 데이터를 기반으로 2차원 컨volutional 신경망(CNN)을 훈련하여, 포크, 코herent, 열, 고양이 상태 등 다양한 상태를 고정확도로 분류한다.
- 표준 피드포워드 네트워크 출력을 유효한 밀도 행렬로 매핑하기 위해 양자역학적 제약 조건(예: 양의 준정적, 흐름 정규화)을 강제하는 맞춤형 신경망 레이어를 설계한다.
- 제한된 측정 데이터에서 순수 및 혼합 양자 상태를 재구성하기 위해 학습 가능한 손실 함수를 갖는 조건부 생성 적대 신경망(QST-CGAN)을 활용한다.
- QST-CGAN에서 물리학 기반 디스criminator를 사용하여 생성자에게 물리적으로 일관된 상태 재구성을 유도함으로써 신뢰도와 수렴 속도를 향상시킨다.
- 훈련된 CNN의 특징 맵을 해석하여 정보량이 높은 영역을 식별하고, 이를 바탕으로 타겟 측정을 위한 적응형 데이터 수집을 구현한다.
- 다양한 노이즈 모델(가우시안 노이즈, 광자 손실, 컨volutional 노이즈 포함)을 갖는 시뮬레이션된 광학 양자 상태 데이터를 사용하여 모델의 강건성을 테스트한다.
실험 결과
연구 질문
- RQ1딥 신경망은 광자 손실과 가우시안 노이즈와 같은 실제 노이즈 조건 하에서도 광학 양자 상태를 정확하게 분류할 수 있는가?
- RQ2노이즈가 있는 입력 데이터로 훈련된 CNN은 적응형 양자 상태 톰그래피를 유도하기 위해 데이터 내에서 가장 정보량이 많은 영역을 식별할 수 있는가?
- RQ3물리학 기반 신경망은 제한된 측정 데이터에서 고정밀도로 유효한 양자 밀도 행렬을 재구성할 수 있는가?
- RQ4학습 가능한 손실 함수를 갖는 QST-CGAN은 표준 생성 모델과 iMLE에 비해 재구성 속도와 정확도에서 뛰어난 성능을 내는가?
- RQ5QST-CGAN은 기존 방법보다 훨씬 적은 측정 데이터 포인트로 순수 및 혼합 양자 상태를 재구성할 수 있는가?
주요 결과
- CNN은 광자 손실 30%와 가우시안 노이즈 조건 하에서도 분류 정확도가 95% 이상을 기록했으며, 주목할 만한 영역을 식별하는 어텐션 맵을 통해 적응형 샘플링을 유도했다.
- QST-CGAN은 표준 iMLE 방법 대비 최대 두 배수의 적은 반복 단계로 양자 상태를 재구성하여 수렴 속도를 크게 향상시켰다.
- 가우시안 노이즈가 첨가되거나 컨볼루션 노이즈가 있는 순수 상태의 경우, QST-CGAN은 노이즈에 적응하여 높은 정밀도로 기저 상태를 재구성했다.
- iMLE에 비해 동일하거나 뛰어난 재구성 정밀도를 확보하기 위해 QST-CGAN은 최대 두 배수의 적은 무작위 선택된 데이터 포인트를 요구했다.
- 물리학 기반 신경망 레이어를 통해 모든 재구성된 밀도 행렬이 유효한 양자 상태임을 보장하였으며, 훈련 중에 흐름 정규화와 양의 준정성 조건이 강제되었다.
- QST-CGAN 프레임워크에서 학습 가능한 손실 함수의 사용은 표준 손실 함수에 비해 모든 테스트 노이즈 시나리오에서 뛰어난 성능을 보였다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.