[논문 리뷰] Learning fermionic linear optics with Heisenberg scaling and physical operations

Aria Christensen, Andrew Zhao|arXiv (Cornell University)|2026. 02. 04.

Quantum many-body systems인용 수 0

한 줄 요약

논문은 효율적이고 물리적으로 허용 가능한 알고리즘으로 페르미닉 선형 광학(FLO)을 학습하며, 정밀도에서 하이젠베르크 스케일링을 달성하고 최소한의 보조 모드를 사용합니다.

ABSTRACT

We revisit the problem of learning fermionic linear optics (FLO), also known as fermionic Gaussian unitaries. Given black-box query access to an unknown FLO, previous proposals required $\widetilde{\mathcal{O}}(n^5 / \varepsilon^2)$ queries, where $n$ is the system size and $\varepsilon$ is the error in diamond distance. These algorithms also use unphysical operations (i.e., violating fermionic superselection rules) and/or $n$ auxiliary modes to prepare Choi states of the FLO. In this work, we establish efficient and experimentally friendly protocols that obey superselection, use minimal ancilla (at most $1$ extra mode), and exhibit improved dependence on both parameters $n$ and $\varepsilon$. For arbitrary (active) FLOs this algorithm makes at most $\widetilde{\mathcal{O}}(n^4 / \varepsilon)$ queries, while for number-conserving (passive) FLOs we show that $\mathcal{O}(n^3 / \varepsilon)$ queries suffice. The complexity of the active case can be further reduced to $\widetilde{\mathcal{O}}(n^3 / \varepsilon)$ at the cost of using $n$ ancilla. This marks the first FLO learning algorithm that attains Heisenberg scaling in precision. As a side result, we also demonstrate an improved copy complexity of $\widetilde{\mathcal{O}}(n η^2 / \varepsilon^2)$ for time-efficient state tomography of $η$-particle Slater determinants in $\varepsilon$ trace distance, which may be of independent interest.

연구 동기 및 목표

• FERMO닉 초선정 규칙을 준수하는 FLO를 효율적이고 실험적으로 친화적인 알고리즘으로 제공한다.
• 다이아몬드 거리에서 능동 FLO의 하이젠베르크 스케일링을 달성하고 쿼리 복잡도를 개선한다.
• 입자 수 부문 내에서 자발적 FLO 학습을 자원 감소와 함께 개발한다.
• FLO 학습을 지원하기 위해 Slater 행렬식의 토모그래피를 개선한다.
• 기본 알고리즘을 고정밀 보장으로 업그레이드하는 부트스트래핑 프레임워크를 제공한다.

제안 방법

• 기본 학습 알고리즘을 상수 오차에서 하이젠베르크 스케일의 다이아몬드 거리 정확도로 전환하는 부트스트랩 프레임워크를 사용한다.
• SO(2n) 쉐도우를 통해 가우시안 상태의 공분산 행렬을 먼저 추정한 뒤 이를 통해 가장 활성적인 구성요소를 추출하여 능동 FLO를 학습한다.
• U(n) 쉐도우와 위상 추정으로 유닛 토모그래피를 이용해 활성 상태를 포함한 U를 전역 U(1) 위상까지 복원하여 수동 FLO 학습으로 전환한다.
• 페르미닉 쉐도우를 사용하여 1-체 감소 밀도 행렬을 추정하고 집중 특성을 활용해 오차를 한계한다.
• 파라티 상쇄(superselection) 규칙을 대수 모드 하나의 보조 모드만 사용하고 간섭 측정을 통해 패리티 구간 간의 상대 위상을 복원하는 방식으로 처리한다.
• 활동 FLO에 대해 두 단계 학습을 제공한다: 공분산을 학습하고, 그 다음 남은 수동 부분을 학습하며 두 단계를 결합할 때 오차를 제어한다.

실험 결과

연구 질문

• RQ1 FLO가 최소한의 보조 모드로도 페르미닉 초선정 규칙 하에서 효율적으로 학습될 수 있는가?
• RQ2 다이아몬드 거리와 하이젠베르크 스케일링 하에서 능동 및 수동 FLO 학습에 달성 가능한 쿼리 복잡도는 무엇인가?
• RQ3 물리적 가우시안 입력과 연산만을 사용하여 FLO 학습을 어떻게 수행할 수 있는가?
• RQ4 특히 수동(수 개념 보존) 설정에서 FLO 학습을 지원하기 위해 Slater 행렬식 토모그래피를 어떻게 개선할 수 있는가?
• RQ5 베이스 FLO 학습 알고리즘을 부트스트랩 기법으로 확장하여 고정밀 보장을 얻을 수 있는가?

주요 결과

• 활동 FLO 학습은 다이아몬드 거리에서 하이젠베르크(1/ε) 스케일링으로 최대 O~(n^4/ε) 쿼리를 달성한다.
• 수동 FLO 학습은 O~(n^3/ε) 쿼리를 달성하며, 고정된 입자 수 부문에서 O~(n^2 η/ε)로의 간소화 가능성이 있다.
• η-입자 Slater 행렬식을 제약하면 토모그래피는 ε-트레이스 거리 정확도를 달성하기 위해 O~(n η^2/ε^2) 복제본을 사용하며, η=1일 때는 O(n/ε^2)이 된다.
• 기본 FLO 학습 방식은 반복에서 로그형 오버헤드를 갖고 고정밀 다이아몬드 거리 보장을 얻도록 부트스트랩 가능하다.
• 이 접근법은 Gaussian 입력과 연산만을 사용하고 보조 모드 하나를 초과하지 않으며 초선정 규칙을 준수한다.