[논문 리뷰] Learning Quantum Processes and Hamiltonians via the Pauli Transfer Matrix
이 논문은 양자 메모리를 활용하여 n-qubit 채널의 파울리 전이 행렬(PTM)을 O(n) 개의 채널 상태 복사본만으로 효율적으로 재구성함으로써, 알려지지 않은 양자 과정을 학습하는 데에 지수적 양자 우월성을 확립한다. 이 방법은 파울리 희박 관측가능량과 임의의 유계 관측가능량에 대해 기댓값을 효율적으로 예측할 수 있으며, 적응 전략을 사용하는 고전적 학습자조차도 지수적으로 많은 쿼리를 요구하는 것에 비해 뛰어난 성능을 발휘한다.
Learning about physical systems from quantum-enhanced experiments, relying on a quantum memory and quantum processing, can outperform learning from experiments in which only classical memory and processing are available. Whereas quantum advantages have been established for a variety of state learning tasks, quantum process learning allows for comparable advantages only with a careful problem formulation and is less understood. We establish an exponential quantum advantage for learning an unknown $n$-qubit quantum process $\mathcal{N}$. We show that a quantum memory allows to efficiently solve the following tasks: (a) learning the Pauli transfer matrix of an arbitrary $\mathcal{N}$, (b) predicting expectation values of bounded Pauli-sparse observables measured on the output of an arbitrary $\mathcal{N}$ upon input of a Pauli-sparse state, and (c) predicting expectation values of arbitrary bounded observables measured on the output of an unknown $\mathcal{N}$ with sparse Pauli transfer matrix upon input of an arbitrary state. With quantum memory, these tasks can be solved using linearly-in-$n$ many copies of the Choi state of $\mathcal{N}$, and even time-efficiently in the case of (b). In contrast, any learner without quantum memory requires exponentially-in-$n$ many queries, even when querying $\mathcal{N}$ on subsystems of adaptively chosen states and performing adaptively chosen measurements. In proving this separation, we extend existing shadow tomography upper and lower bounds from states to channels via the Choi-Jamiolkowski isomorphism. Moreover, we combine Pauli transfer matrix learning with polynomial interpolation techniques to develop a procedure for learning arbitrary Hamiltonians, which may have non-local all-to-all interactions, from short-time dynamics. Our results highlight the power of quantum-enhanced experiments for learning highly complex quantum dynamics.
연구 동기 및 목표
- 적응 전략을 사용하는 고전적 학습자로는 달성할 수 없으며, 기본적인 양자 우월성을 확보하는 데 목적이 있다.
- 양자 메모리가 임의의 n-큐비트 양자 채널의 파울리 전이 행렬(PTM)을 효율적으로 학습할 수 있음을 보여주는 것.
- PTM의 희박성 조건 하에, 채널 출력에서의 유계 관측가능량의 기댓값을 예측하는 데까지 이 우월성을 확장하는 것.
- PTM 학습을 서브루틴으로 사용하여 국소성 또는 구조적 가정 없이도 임의의 하미르토니안을 단시간 유니터리 동역학으로부터 학습하는 방법을 개발하는 것.
제안 방법
- 양자 채널을 상태(채널 상태)로 매핑하기 위해 채올리-자미올로프스키 이sovolumetric 관계를 사용하여, 양자 메모리를 통한 양자 향상된 학습을 가능하게 한다.
- 채널 상태의 선형 수준의 복사본을 사용하여 파울리 전이 행렬(PTM)을 재구성하기 위해 양자 과정 톰로그래피 기법을 적용한다.
- 단시간 유니터리 진동에서 기댓값의 시간 도함수 추정치에 다항식 보간을 적용하여 하미르토니안의 파울리 계수를 추출한다.
- 시간 도함수를 t=0에서 추정하기 위해 체비셰프 다항식 보간을 사용하며, 이는 하미르토니안의 파울리 계수에 해당한다.
- PTM 학습과 도함수 추정을 조합하여, 유한 오차와 고확률로 유한한 고전적 기술 기반 하에서 하미르토니안 학습을 효율적으로 달성한다.
- 쿼리 효율성을 확보하기 위해 채널에 동시 액세스를 제공하고, 정밀도와 시스템 크기에 따라 총 진동 시간과 쿼리 수를 최적화한다.
실험 결과
연구 질문
- RQ1적응 전략을 사용하는 고전적 학습자와 비교해, 양자 향상 실험은 알려지지 않은 양자 과정 학습에서 지수적 우월성을 달성할 수 있는가?
- RQ2양자 메모리를 사용할 경우, 임의의 n-큐비트 채널의 파울리 전이 행렬을 효율적으로 학습할 수 있으며, 고전적 방법과 비교해 쿼리 복잡도는 어떻게 되는가?
- RQ3희박성 조건 하에, 파울리 전이 행렬 학습 프로토콜을 임의의 입력 상태에서의 유계 관측가능량 기댓값을 예측하는 데까지 확장할 수 있는가?
- RQ4PTM 학습을 서브루틴으로 사용하여 국소적이지 않은 하미르토니안까지도, 구조적 가정 없이 단시간 동역학으로부터 학습할 수 있는가?
- RQ5유니터리 진동에서 도함수 추정을 통한 하미르토니안 계수 학습의 쿼리 및 시간 복잡도는 무엇이며, 시스템 크기와 정밀도에 따라 어떻게 스케일링되는가?
주요 결과
- 양자 메모리에 액세스하는 양자 학습자는 채널 상태의 O(n) 복사본만으로도 임의의 n-큐비트 채널의 전체 파울리 전이 행렬을 학습할 수 있으며, 이는 n에 대해 선형 스케일링을 이룬다.
- 반면, 양자 메모리 없이 고전적 학습자는 적응 입력 상태 준비 및 측정 전략을 사용하더라도 n에 대해 지수적으로 많은 쿼리가 필요하다.
- 이 방법은 입력 상태가 파울리 희박일 경우, 채널 출력에서의 기댓값을 효율적으로 예측할 수 있으며, 시간 효율적인 구현이 가능하다.
- 파울리 전이 행렬이 희박한 채널의 경우, 임의의 입력 상태에서의 임의의 유계 관측가능량 기댓값을 효율적으로 예측할 수 있다.
- PTM 학습과 다항식 보간을 조합하여, 논문은 단시간 동역학으로부터 임의의 하미르토니안을 학습하는 절차를 개발하였으며, ℓ∞-노름 정확도를 O~(n²/ε⁴)의 고전적 메모리와 O~(n/ε⁴)의 쿼리로 달성한다.
- 이 절차는 하미르토니안의 연산자 노름에 따라 스케일링되며, 국소성 또는 희박성 등의 구조적 가정이 필요 없어, 전-전 상호작용 하미르토니안까지 학습이 가능하다.
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.