[論文レビュー] Near-deterministic production of universal quantum photonic gates enhanced by machine learning

Krishna Kumar Sabapathy, Haoyu Qi+2 more|arXiv (Cornell University)|Sep 12, 2018

Quantum Information and Cryptography被引用数 3

ひとこと要約

この論文は、機械学習で最適化された光子回路アーキテクチャを提案し、普遍的な弱い三次位相ゲートをほぼ決定的（near-deterministic）に生成する。歪んだ圧縮状態、干渉計、光子数分解検出器を用いて、資源状態の準備確率が ≥10⁻² に達する。これは標準的手法と比較して10⁴倍の向上であり、スケーラブルでメモリを不要とする量子計算を可能にし、ゲートレートは最大100 kHzに達する可能性がある。

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.

研究の動機と目的

• 高い資源状態準備の忠実度を実現するため、光子量子ゲートを用いた普遍的量子計算を可能にすること。
• 非ガウス状態を生成するための標準的手法である逐次的光子減算技術の低成功率問題を克服すること。
• 機械学習で最適化された可変回路を用いて、弱い三次位相ゲートのスケーラブルでメモリを不要とするアーキテクチャを開発すること。
• |0⟩, |1⟩, |2⟩, |3⟩ のフォック状態の重ね合わせを、確率が ≥10⁻² 以上でほぼ決定的に生成すること。
• 従来のトランスポート方式と光子数分解検出器を用いて、普遍的量子ゲートの高レート実装を可能にすること。

提案手法

• この手法は、歪んだ圧縮状態、線形干渉計、光子数分解検出器を組み合わせた量子ガジェットを用い、最初の4つのフォック状態の重ね合わせを生成する。
• 機械学習アルゴリズムを用いて、資源状態の準備確率を最大化するため、量子ガジェットのパラメータを変分的に最適化する。
• 最適化されたガジェットを並列にスタックして、誤り耐性の要件に応じてスケーラブルな量子資源ファームを構築する。
• 得られた非ガウス資源状態を、従来のトランスポートプロトコルに応用し、弱い三次位相ゲートを実装する。
• ゲートレートは、光子数分解検出器の応答時間に制限され、約100 kHzと推定される。
• 量子メモリを必要とせず、現在の光子技術に依存する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、高確率の非ガウス状態準備に最適化された光子回路を効果的に最適化できるか？
• RQ2 現在の光子部品を用いて、最初の4つのフォック状態の重ね合わせを生成する際の最大達成可能成功確率は何か？
• RQ3 量子メモリを必要とせず、スケーラブルでほぼ決定的な普遍的量子ゲートを実装するにはどうすればよいか？
• RQ4 標準的手法である逐次的光子減算と比較して、資源状態の準備レートを4桁以上向上させられるか？
• RQ5 このような資源状態アーキテクチャで理論的・実用的に達成可能なゲートレートは何か？

主な発見

• 提案手法は、最初の4つのフォック状態の重ね合わせに対して、資源状態の準備確率が ≥10⁻² に達し、標準的手法（逐次的光子減算）と比較して10⁴倍の向上を達成した。
• 機械学習を用いることで、非ガウス状態生成の成功率が著しく向上する、量子ガジェットパラメータの変分的最適化が可能となった。
• このアーキテクチャはスケーラブルであり、最適化されたガジェットを並列にスタックすることで、量子資源ファームに拡張可能である。
• 弱い三次位相ゲートは理論的に約100 kHzのレートで実装可能であり、光子数分解検出器の応答時間に制限される。
• この手法は量子メモリを必要とせず、現在の光子ハードウェアで実現可能である。
• 非ガウス状態の準備技術は、量子情報における非ガウス性の資源理論に対しても広範な関連性を持つ。