[论文解读] Measurement-driven navigation in many-body Hilbert space: Active-decision steering

Yaroslav Herasymenko, I. V. Gornyi+1 more|arXiv (Cornell University)|Nov 17, 2021

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文提出了一种用于多体系统中测量驱动的量子态制备的主动决策框架，通过测量结果的实时反馈，引导系统走向目标纠缠态。该方法通过采用贪心保真度最大化和量子态机方法，实现了最高达20倍（特定态甚至可达数千倍）的速度提升，对W态和矩阵乘积态表现出显著优势。

ABSTRACT

The challenge of preparing a system in a designated state spans diverse facets of quantum mechanics. To complete this task of steering quantum states, one can employ quantum control through a sequence of generalized measurements which direct the system towards the target state. In an active version of this protocol, the obtained measurement readouts are used to adjust the protocol on-the-go. This enables a sped-up performance relative to the passive version of the protocol, where no active adjustments are included. In this work, we consider such active measurement-driven steering as applied to the challenging case of many-body quantum systems. For helpful decision-making strategies, we offer Hilbert-space-orientation techniques, comparable to those used in navigation. The first one is to tie the active-decision protocol to the greedy accumulation of the cost function, such as the target state fidelity. We show the potential of a significant speedup, employing this greedy approach to a broad family of Matrix Product State targets. For system sizes considered here, an average value of the speedup factor $f$ across this family settles about $20$, for some targets even reaching a few thousands. We also identify a subclass of Matrix Product State targets, for which the value of $f$ increases with system size. In addition to the greedy approach, the second wayfinding technique is to map out the available measurement actions onto a Quantum State Machine. A decision-making protocol can be based on such a representation, using semiclassical heuristics. This State Machine-based approach can be applied to a more restricted set of targets, sometimes offering advantages over the cost function-based method. We give an example of a W-state preparation which is accelerated with this method by $f\simeq3.5$, outperforming the greedy protocol for this target.

研究动机与目标

• 开发一种通用的主动测量驱动框架，用于在多体希尔伯特空间中导航至目标量子态。
• 解决仅使用广义测量和物理上可行的耦合来制备复杂、真正的多体纠缠态的挑战。
• 通过基于测量结果的实时决策，改进被动测量协议。
• 通过母哈密顿量构造，识别出物理上可实现的系统-探测器耦合。
• 比较和对比两种决策策略：贪心保真度最大化与基于量子态机的导航。

提出的方法

• 使用母哈密顿量技术构建物理上可行的系统-探测器耦合，以确保与局域相互作用的兼容性。
• 实施一种贪心主动决策协议，通过每一步选择后续测量以最大化目标态保真度。
• 将测量操作映射到粗粒度的量子态机（QSM）上，以半经典图结构表示状态之间的跃迁。
• 使用半经典启发式方法指导QSM框架中的决策，实现在无需完整追踪希尔伯特空间的情况下进行导航。
• 将两种方法应用于基准目标，包括矩阵乘积态（MPS）和W态，以评估性能。
• 通过比较主动协议与被动协议的保真度和运行时间，量化速度提升因子。

实验结果

研究问题

• RQ1 在仅测量协议中，主动决策是否能显著加速纠缠多体态的制备？
• RQ2 对于不同目标态，基于贪心保真度的策略与基于QSM的策略在速度提升和鲁棒性方面如何比较？
• RQ3 哪些物理上可实现的系统-探测器耦合能够实现高效的测量驱动引导？
• RQ4 对于特定类别的纠缠态，主动协议的速度提升是否随系统尺寸呈有利增长？
• RQ5 对于某些目标态（如W态），基于QSM的导航是否能优于贪心协议？

主要发现

• 贪心保真度基协议在一大类矩阵乘积态目标上实现了约20倍的平均速度提升。
• 对于某些MPS目标（包括AKLT基态），速度提升因子随系统尺寸增加，表明具有可扩展性。
• 基于QSM的方法在W态制备中实现了$ f_{\mathrm{QSM}} = 3.5 $的速度提升，优于贪心方法的$ f_{\mathrm{greedy}} = 3.1 $。
• 由于QSM方法采用粗粒度、半经典的态跃迁表示，对测量误差的敏感性更低。
• 主动引导可克服被动协议的局限性，潜在地实现原本在固定耦合约束下无法达到的目标态。
• 该框架具有通用性，为未来工作中的机器学习、哈密顿动力学以及自动化QSM构建提供了新路径。