[논문 리뷰] Near-deterministic production of universal quantum photonic gates enhanced by machine learning

Krishna Kumar Sabapathy, Haoyu Qi외 2명|arXiv (Cornell University)|2018. 09. 12.

Quantum Information and Cryptography인용 수 3

한 줄 요약

이 논문은 이산화된 양자광학적 회로를 사용하여 보편적인 약한 큐빅 위상 게이트를 거의 결정적으로 생성하기 위한 기계학습 최적화된 광학 구조를 제안한다. 이는 이동된 압축 상태, 간섭계, 그리고 광자 수 해상도 감지기를 통해 자원 상태 준비 확률 ≥10⁻²를 달성한다. 이는 기존 기법 대비 10⁴배 향상된 것으로, 기존 양자 메모리가 필요 없는 스케일러블한 양자 계산을 가능하게 하며, 잠재적인 게이트 속도는 최대 100 kHz에 이른다.

ABSTRACT

We introduce architectures for near-deterministic implementation of fully tunable weak cubic phase gates requisite for universal quantum computation. The first step is to produce a resource state which is a superposition of the first four Fock states with a probability $\geq 10^{-2}$, an increase by a factor of $10^4$ over standard sequential photon-subtraction techniques. The resource state is produced from a quantum gadget that uses displaced squeezed states, interferometers and photon-number resolving detectors. The parameters of this gadget are trained using machine learning algorithms for variational circuits. Stacking these gadgets in parallel we build quantum resource farms in a scalable manner depending on the error tolerance. Using conventional teleportation techniques we can implement weak cubic phase gates, in principle, at a rate $\sim { m 100 kHz}$ dictated by the photon number resolving detectors. Our proposal is realizable with current photonic technologies without the need for quantum memories. The methods for non-Gaussian state preparation is of independent interest to the resource theory of non-Gaussianity.

연구 동기 및 목표

• 고자원 상태 준비 품질을 높여 보편적인 양자 계산을 광학 양자 게이트로 실현하기 위해.
• 비고전적 상태를 생성하기 위한 표준 순차적 광자 제거 기법의 낮은 성공 확률 문제를 해결하기 위해.
• 기계학습 최적화된 가변 회로를 사용하여 약한 큐빅 위상 게이트에 대한 스케일러블하고 메모리가 없는 아키텍처를 개발하기 위해.
• 0, 1, 2, 3 포크 상태의 초위상 중첩 상태를 ≥10⁻²의 확률로 거의 결정적으로 생성하기 위해.
• 기존의 텔레포르테이션과 광자 수 해상도 감지기를 사용하여 보편 양자 게이트를 고속으로 실행하기 위해.

제안 방법

• 이 방법은 이동된 압축 상태, 선형 간섭계, 광자 수 해상도 감지기를 조합하여 첫 네 포크 상태의 중첩을 생성하는 양자 기구를 사용한다.
• 기계학습 알고리즘이 기구의 매개변수를 변분 최적화하여 자원 상태 준비 확률을 최대화한다.
• 최적화된 기구들을 병렬로 스택하여 오류 내성 요구 사항에 맞게 스케일러블한 자원 농장으로 구성한다.
• 결과적으로 생성된 비고전적 자원 상태는 기존의 텔레포르테이션 프로토콜에 사용되어 약한 큐빅 위상 게이트를 실행한다.
• 게이트 속도는 약 ~100 kHz로 추정되며, 이는 광자 수 해상도 감지기의 반응 시간에 의해 제한된다.
• 이 접근법은 양자 메모리가 필요 없으며, 오직 현재의 광학 기술에 의존한다.

실험 결과

연구 질문

• RQ1 기계학습은 현재 광학 구성 요소로 비고전적 상태를 고확률로 준비하기 위해 광학 회로를 효과적으로 최적화하는 데 사용될 수 있는가?
• RQ2 현재 광학 구성 요소를 사용하여 첫 네 포크 상태의 중첩을 생성하는 데서 달성 가능한 최대 성공 확률은 얼마인가?
• RQ3 양자 메모리가 없이도 스케일러블하고 거의 결정적인 보편 양자 게이트를 어떻게 구현할 수 있는가?
• RQ4 표준 순차적 광자 제거 방법 대비 자원 상태 준비 속도를 4개의 자리수만큼 높일 수 있는가?
• RQ5 이러한 자원 상태 아키텍처로 이론적으로나 실질적으로 달성 가능한 게이트 속도는 얼마인가?

주요 결과

• 제안된 방법은 첫 네 포크 상태의 중첩에 대해 자원 상태 준비 확률이 ≥10⁻²에 이를 수 있으며, 이는 표준 순차적 광자 제거 기법 대비 10⁴배 향상된 것이다.
• 기계학습의 활용은 기구 매개변수의 변분 최적화를 가능하게 하여 비고전적 상태 생성의 성공률을 크게 향상시킨다.
• 이 아키텍처는 스케일러블하며, 최적화된 기구들을 병렬 스택하여 자원 농장으로 확장할 수 있다.
• 약한 큐빅 위상 게이트는 이론상 약 ~100 kHz의 속도로 실행될 수 있으며, 이는 광자 수 해상도 감지기의 반응 시간에 의해 제한된다.
• 이 방법은 양자 메모리가 필요 없어 기존 광학 하드웨어로도 실현 가능하다.
• 비고전적 상태 준비 기법은 양자 정보 이론에서 비고전성의 자원 이론에 광범위한 응용 가능성을 지닌다.