[论文解读] Provable quantum state tomography via non-convex methods

Anastasios Kyrillidis, Amir Kalev+4 more|arXiv (Cornell University)|Nov 4, 2017

Sparse and Compressive Sensing Techniques参考文献 64被引用 9

一句话总结

该论文提出投影因子梯度下降（ProjFGD），一种用于量子态层析的非凸优化方法，可从少量测量中高效重建低秩或纯量子态。尽管为非凸方法，该方法在温和条件下可证明收敛至全局最小值，在高维系统中相比凸求解器具有更快的速度和更好的可扩展性。

ABSTRACT

With nowadays steadily growing quantum processors, it is required to develop new quantum tomography tools that are tailored for high-dimensional systems. In this work, we describe such a computational tool, based on recent ideas from non-convex optimization. The algorithm excels in the compressed-sensing-like setting, where only a few data points are measured from a low-rank or highly-pure quantum state of a high-dimensional system. We show that the algorithm can practically be used in quantum tomography problems that are beyond the reach of convex solvers, and, moreover, is faster than other state-of-the-art non-convex approaches. Crucially, we prove that, despite being a non-convex program, under mild conditions, the algorithm is guaranteed to converge to the global minimum of the problem; thus, it constitutes a provable quantum state tomography protocol.

研究动机与目标

• 解决高维量子系统中凸量子态层析方法计算效率低下的问题。
• 克服凸求解器中特征值分解的高计算成本，其复杂度在n量子比特系统中为O((2^n)^3)。
• 开发一种非凸优化框架，在保持理论保证的同时实现更快的收敛速度和更低的存储需求。
• 实现在现有凸求解器无法处理的系统中的实际量子态重建，特别是针对数据有限的纯态或低秩态。
• 在现实假设下，为专为量子态层析设计的非凸公式提供对全局最小值的可证明收敛性。

提出的方法

• 通过密度矩阵的因子参数化ρ = AA†，将量子态层析建模为非凸低秩矩阵恢复问题。
• 应用投影交替梯度下降（ProjFGD）优化因子A，隐式施加单位范数和半正定性等约束。
• 引入一种带自适应步长η = 1/(10 * L_est * S1(1,1) + S2(1,1))的线搜索策略，以确保收敛性和稳定性。
• 在每次更新后通过投影步骤对A进行归一化，以保持解在搜索空间中的可行性。
• 通过ρ₀ = Π₊(−𝒜*(y))进行初始化，随后通过SVD分解获得A₀，确保收敛的良好初始点。
• 在优化中集成约束，确保所得ρ保持为有效密度矩阵（厄米、半正定、迹为1）。

实验结果

研究问题

• RQ1 在现实条件下，非凸优化方法是否可在量子态层析中实现可证明的全局收敛？
• RQ2 所提出的非凸方法在高维量子系统中是否在计算效率和可扩展性方面优于凸求解器？
• RQ3 当仅有少量泡利测量可用时，该算法在重建纯态或低秩量子态方面的表现如何？
• RQ4 初始化质量与步长选择对非凸设置下收敛速度和精度的影响如何？
• RQ5 当测量数量显著低于全重建的信息论阈值时，该方法是否仍能保持鲁棒性和准确性？

主要发现

• 尽管为非凸优化方法，ProjFGD在温和正则性条件和良好初始化下可实现对真实量子态的可证明全局收敛。
• 对于n=12量子比特且每量子比特仅3个泡利测量（C_sam=3）的情况，ProjFGD在266.82秒内实现相对Frobenius误差为8.4761e-06，优于RSVP和SparseApproxSDP在精度和速度上的表现。
• 在纯态情形（r=1）下，ProjFGD在n=6时耗时不足0.1秒，n=10时耗时不足14秒，即可实现低于10^-5的相对误差，展现出强大的可扩展性。
• 即使在n=10时秩为5和秩为20的态，ProjFGD仍保持相对误差低于10^-5，执行时间低于500秒，显示出对秩增加的鲁棒性。
• 该方法显著快于最先进的凸求解器：在n=12时，ProjFGD比RSVP快约56倍，比SparseApproxSDP快约54倍，同时精度更高。
• 数值结果表明，ProjFGD在所有测试设置下（包括高维和低采样场景）均比AccUniPDGrad收敛更快，且重建误差更低。