[论文解读] Efficient Quantum Tomography with Fidelity Estimation.

Zhaoyu Han, Jun Wang+5 more|arXiv (Cornell University)|Dec 8, 2017

Quantum Information and Cryptography被引用 3

一句话总结

该论文提出了一种基于机器学习的纯态量子层析成像方案，实现了高效的重建并内置了保真度估计。其测量规模达到亚指数级，使大规模量子态层析成像在实践中成为可能。

ABSTRACT

We propose a quantum tomography scheme for pure states which adopts machine learning methods, along with a built-in fidelity estimation approach to assess the reliability of the tomographic state. We prove the validity of the scheme theoretically and perform numerically simulated experiments on several typical target quantum states such as W, cluster and dimer states. We find that the required number of measurements to meet the convergence criterion does not grow exponentially in the number of qubits, thus the scheme achieves high efficiency that is crucial for large-scale quantum states tomography in a laboratory.

研究动机与目标

• 解决大规模量子系统中量子态层析成像资源开销过高的挑战。
• 开发一种在最小化测量需求的同时保持重建态高保真度的方法。
• 集成一种可靠的保真度估计机制，以评估重建态的可靠性，而无需进行完整层析成像。
• 在实际实验环境中实现复杂纠缠态（如W态、簇态和二聚体态）的可扩展层析成像。

提出的方法

• 采用机器学习技术，从测量数据中重建纯量子态。
• 设计一种保真度估计模块，仅使用部分测量结果即可评估重建态的可靠性。
• 采用变分方法优化态重建过程，减少所需测量次数。
• 将重建问题表述为以保真度作为正则化约束的优化任务。
• 在W态、簇态和二聚体态等基准纠缠态上进行数值验证。
• 通过收敛性和保真度估计准确性的严格证明，确保方案的理论有效性。

实验结果

研究问题

• RQ1 机器学习能否在不牺牲保真度的前提下减少纯态层析成像所需的测量次数？
• RQ2 仅使用部分测量数据，能否准确估计重建量子态的保真度？
• RQ3 所提出的方案在量子比特数量增加时是否能实现高效扩展，避免测量次数的指数增长？
• RQ4 该方法在模拟中能否可靠地重建如W态和簇态等复杂纠缠态？
• RQ5 保真度估计机制在不同类型的靶态量子态上是否具有鲁棒性和自洽性？

主要发现

• 所提出的方案在测量次数不随量子比特数指数增长的情况下实现收敛。
• 保真度估计成功集成到重建过程中，实现了实时可靠性评估。
• 数值模拟证实了对W态、簇态和二聚体态的高保真度准确重建。
• 该方法展现出可扩展性，使大规模量子层析成像在实践中成为可能。
• 方案的理论有效性得到严格证明，支持其在实验应用中的可靠性。
• 与标准量子层析成像协议相比，该方法显著降低了资源开销。