[论文解读] 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 3

一句话总结

该论文提出了一种面向近确定性生成通用弱三次相位门的机器学习优化光子架构，通过位移压缩态、干涉仪和光子数分辨探测器，实现了资源态制备概率 ≥10⁻²。相较于标准技术，该方法的性能提升了10⁴倍，支持可扩展的、无需量子存储的量子计算，潜在门速率可达100 kHz。

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.

研究动机与目标

• 通过高资源态制备保真度实现通用量子计算的光子量子门。
• 克服标准串行光子减除技术在制备非高斯态时成功率低的问题。
• 利用机器学习优化的变分电路，开发一种可扩展的、无需量子存储的弱三次相位门架构。
• 实现对 Fock 态叠加态（|0⟩, |1⟩, |2⟩, |3⟩）的近确定性制备，概率 ≥10⁻²。
• 利用传统量子隐形传态和光子数分辨探测器，实现高重复率的通用量子门。

提出的方法

• 该方法采用一种量子装置，结合位移压缩态、线性干涉仪和光子数分辨探测器，用于生成前四个 Fock 态的叠加态。
• 使用机器学习算法对量子装置的参数进行变分优化，以最大化资源态制备概率。
• 将多个装置并行堆叠，形成可扩展的量子资源农场，以适应不同的容错需求。
• 所生成的非高斯资源态被用于传统量子隐形传态协议，以实现弱三次相位门。
• 门速率估计约为 ~100 kHz，受限于光子数分辨探测器的响应时间。
• 该方法避免了对量子存储器的需求，仅依赖现有光子技术。

实验结果

研究问题

• RQ1 机器学习能否有效用于优化光子电路，以实现高概率的非高斯态制备？
• RQ2 在当前光子器件条件下，制备前四个 Fock 态叠加态的最大可实现成功率是多少？
• RQ3 如何在不使用量子存储器的情况下实现可扩展的、近确定性的通用量子门？
• RQ4 与标准串行光子减除方法相比，资源态制备速率能否提升四个数量级？
• RQ5 此类资源态架构的理论与实际门速率可达多少？

主要发现

• 所提出的方法实现了对前四个 Fock 态叠加态的资源态制备概率 ≥10⁻²，相较于标准串行光子减除技术提升了10⁴倍。
• 利用机器学习实现了对量子装置参数的变分优化，显著提升了非高斯态生成的成功率。
• 该架构具有可扩展性，可通过并行堆叠优化后的装置扩展为量子资源农场。
• 弱三次相位门的理论实现速率约为 ~100 kHz，受限于光子数分辨探测器的响应时间。
• 该方法无需量子存储器即可运行，与现有光子硬件完全兼容。
• 该非高斯态制备技术在量子信息中的非高斯资源理论中具有更广泛的应用价值。