[논문 리뷰] Semidefinite Programming for Quantum Channel Learning

Mikhail Gennadievich Belov, Victor V. Dubov외 4명|arXiv (Cornell University)|2026. 01. 18.

Quantum Information and Cryptography인용 수 0

한 줄 요약

논문은 고전 데이터로부터 양자 채널을 재구성하는 것이 볼록 세미디피니트 프로그래밍(SDP) 문제로 형식화될 수 있음을 보여 주어, 다양한 채널 유형의 정확한 회복이 가능하고 데이터 설명에는 일반적으로 낮은 Kraus 랭크로 충분하다는 것을 시사한다.

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.

연구 동기 및 목표

• 양자 정보학과 ML/AI 내에서 고전 데이터로부터 양자 채널을 학습하는 것을 역 문제로 삼고 동기를 부여한다.
• Kraus 연산자나 Choi 행렬에 대한 제약 최적화 문제로 양자 채널 재구성을 형식화한다.
• 전체랭크 양자 채널 회복이 2차 적합성 형식 아래에서 볼록 SDP 문제임을 입증한다.
• 유니타리 및 고 Kraus-랭크 채널에 걸친 SDP 해를 사용한 실용적 재구성 결과를 보여준다.
• 밀도행렬-네트워크 계산 모델과 확장성에 대한 함의를 논의한다.

제안 방법

• 학습 과제를 위해 양자 채널을 Kraus 연산자 B_s 또는 Choi 행렬 J로 표현한다.
• 매핑 연산자에서 2차식 두 개의 비율로 적합도를 표현하여 SDP 형식을 가능하게 한다.
• Kraus 형태의 CPTP 제약을 부과하거나 Choi 형태의 선형 추적/파티션 제약을 부여하여, 전체 랭크에서 QCQP가 SDP로 바뀌도록 한다.
• 목적함수를 Tr(J S)를 최대화하도록 재 formulations 하되, J ⪰ 0 및 추적 보존 또는 단위 행렬 보존으로부터 도출된 선형 제약을 따른다.
• 내부점 방법으로 기인한 SDP를 풀고 고유구조 기반 접근법(Appendix A)과 비교한다.
• 선택적으로 Choi-행렬 표현을 사용하여 적합도와 제약을 선형화해 SDP 준비를 한다.

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

실험 결과

연구 질문

• RQ1 전체랭크 양자 채널이 고전 입력/출력 데이터로부터 SDP를 사용하여 정확히 재구성될 수 있는가?
• RQ2 Kraus 랭크가 SDP를 이용한 양자 채널 학습의 난이도와 성공에 어떤 영향을 미치는가? 비볼록 방법과의 비교와 함께?
• RQ3 SDP 기반 채널 학습에서 Kraus-연산자 표기와 Choi-행렬 표기의 상대적 성능은 어떤가?
• RQ4 SDP 프레임워크 내에서 유니타리 학습이 특별한 경우로 얼마나 회복될 수 있는가?
• RQ5 현실적인 문제 크기에서 SDP 기반 양자 채널 재구성에 필요한 실용적 한계와 계산 자원은 어떠한가?

주요 결과

• 양자 채널 재구성은 적합도가 2차식인 경우 볼록 SDP로 변화될 수 있어 전역 최적화를 가능하게 한다.
• SDP 접근 방식은 정보 완전 데이터로부터 유니타리 채널을 정확히 재구성할 수 있으며, 결과적으로 랭크-1의 Choi 행렬을 산출한다.
• 더 높은 Kraus-랭크 채널에 대해서도 SDP 기반 방법이 잘 작동하며, 수치 실험에서 성공적인 재구성을 보인다.
• 재구성된 채널의 Kraus 랭크는 일반적으로 최대 가능한 랭크의 작은 부분에 불과하여 관찰된 데이터에 대한 간결한 표현이 충분함을 시사한다.
• Choi-행렬 표현은 선형 목적함수와 선형 제약 조건, 그리고 시반성 제약을 갖는 반견고한 최적화를 촉진한다.
• 밀도-행렬 네트워크 관점은 큰 채널을 더 작고 취급 가능한 구성 요소의 네트워크로 분해하는 것을 지지한다.

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