[论文解读] Fast quantum state reconstruction via accelerated non-convex programming

Junhyung Lyle Kim, George Kollias+3 more|arXiv (Cornell University)|Apr 14, 2021

Sparse and Compressive Sensing Techniques被引用 4

一句话总结

该论文提出了一种名为Momentum-Inspired Factored Gradient Descent（MiFGD）的非凸优化算法，用于在低秩量子系统中实现快速且可证明收敛的量子态重建。通过结合压缩感知、非凸规划与加速技术，MiFGD实现了加速的线性收敛速率，并在合成实验和真实的IBM Q硬件实验中均优于当前最先进的方法，在噪声环境下实现了数量级的速度提升，同时保持了相当或更优的精度。

ABSTRACT

We propose a new quantum state reconstruction method that combines ideas from compressed sensing, non-convex optimization, and acceleration methods. The algorithm, called Momentum-Inspired Factored Gradient Descent ( exttt{MiFGD}), extends the applicability of quantum tomography for larger systems. Despite being a non-convex method, exttt{MiFGD} converges \emph{provably} close to the true density matrix at an accelerated linear rate, in the absence of experimental and statistical noise, and under common assumptions. With this manuscript, we present the method, prove its convergence property and provide Frobenius norm bound guarantees with respect to the true density matrix. From a practical point of view, we benchmark the algorithm performance with respect to other existing methods, in both synthetic and real experiments performed on an IBM's quantum processing unit. We find that the proposed algorithm performs orders of magnitude faster than state of the art approaches, with the same or better accuracy. In both synthetic and real experiments, we observed accurate and robust reconstruction, despite experimental and statistical noise in the tomographic data. Finally, we provide a ready-to-use code for state tomography of multi-qubit systems.

研究动机与目标

• 为解决量子态层析（QST）中由于测量数据和计算复杂度呈指数级增长而导致的可扩展性瓶颈。
• 开发一种快速、可扩展且可证明收敛的算法，用于从有限测量数据中重建低秩量子密度矩阵。
• 通过引入具有理论收敛保证的非凸方法，克服传统凸优化在QST中的局限性。
• 实现在近场量子处理器（包括真实的IBM Q设备）上的实用化、硬件感知的量子态重建。
• 提供一个开箱即用的实现，支持多量子比特态层析，具备高性能和对噪声的鲁棒性。

提出的方法

• MiFGD将量子态重建建模为在密度矩阵因子化参数化下的非凸优化问题，从而降低搜索空间的维度。
• 该算法采用受动量启发的梯度更新策略以加速收敛，其灵感来源于非凸优化和一阶方法中的技术。
• 通过假设目标密度矩阵为低秩，利用压缩感知原理，实现在少量测量下的恢复。
• 该方法包含线搜索和自适应步长策略，以确保在噪声环境下的稳定性和收敛性。
• 理论分析建立了在无噪声情况下的加速线性收敛速率，并给出了相对于真实态的Frobenius范数误差界。
• 该算法设计为可在经典硬件上高效实现，避免依赖GPU等专用加速器。

实验结果

研究问题

• RQ1 在低秩假设下，非凸优化方法是否能在量子态重建中实现加速的线性收敛？
• RQ2 与凸优化及当前最先进的非凸QST方法相比，MiFGD在真实量子硬件上的实际表现如何？
• RQ3 MiFGD对NISQ设备测量数据中的实验性与统计噪声具有何种鲁棒性？
• RQ4 MiFGD能否在不牺牲精度或不依赖专用硬件的前提下，高效扩展至更大系统（如12量子比特）？
• RQ5 对于量子层析背景下的非凸、加速梯度方法，可提供哪些理论保证？

主要发现

• 在无噪声情况下，MiFGD实现了加速的线性收敛速率，并具备Frobenius范数误差衰减的理论保证。
• 在真实的IBM Q硬件上，MiFGD在高达8量子比特的系统中仍能实现准确且鲁棒的态重建，即使存在实验噪声。
• 在合成实验中，MiFGD可高效扩展至12量子比特系统，证明了其在更大规模量子系统中的可行性。
• MiFGD在运行时间上相比现有最先进的方法实现了数量级的提升，同时保持或改善了重建精度。
• 该算法对统计噪声和测量误差表现出强鲁棒性，其误差界基于限制等距性质（RIP）和测量算符结构推导得出。
• 提供了开箱即用的开源实现，可立即用于多量子比特态层析的部署。