[论文解读] Robust, self-consistent, closed-form tomography of quantum logic gates on a trapped ion qubit

Robin Blume-Kohout, John King Gamble+4 more|arXiv (Cornell University)|Oct 16, 2013

Advanced Electron Microscopy Techniques and Applications参考文献 2被引用 69

一句话总结

本文提出了基组 tomography（GST），一种无需依赖预先校准参考系的自洽框架，用于对离子阱中的量子逻辑门进行稳健表征。它提出了线性基组 tomography（LGST），一种闭式、非迭代的方法，可避免似然函数局部极大值问题，并提出了一种预测评分协议，以客观评估估计结果——在 Clifford 生成门的实验表征中表现出高精度。

ABSTRACT

We introduce and demonstrate experimentally: (1) a framework called "gate set tomography" (GST) for self-consistently characterizing an entire set of quantum logic gates on a black-box quantum device; (2) an explicit closed-form protocol for linear-inversion gate set tomography (LGST), whose reliability is independent of pathologies such as local maxima of the likelihood; and (3) a simple protocol for objectively scoring the accuracy of a tomographic estimate without reference to target gates, based on how well it predicts a set of testing experiments. We use gate set tomography to characterize a set of Clifford-generating gates on a single trapped-ion qubit, and compare the performance of (i) standard process tomography; (ii) linear gate set tomography; and (iii) maximum likelihood gate set tomography.

研究动机与目标

• 解决标准量子过程 tomography 中自指误差的关键问题，后者依赖于本身也受门操作误差影响的预先校准态和测量。
• 开发一个完整、自洽的框架，用于表征整个量子门集，而无需假设已知参考系。
• 提出一种闭式、稳健的估计协议（LGST），避免似然函数中的局部极大值，确保可靠初始估计以供进一步优化。
• 提出一种新颖的、客观的评分方法，基于估计在独立测试实验中的预测能力进行评估，而非与目标门比较。
• 通过离子阱量子比特系统的实验数据，证明 GST 在实际应用中的可行性与优越性。

提出的方法

• 基组 tomography 将量子装置视为仅具有经典控制和经典测量结果的黑箱，避免对态制备和测量效应的假设。
• 该框架使用门序列（包括制备和测量门）生成大量可观测概率，从而实现对所有门、态和测量的自洽联合估计。
• 线性基组 tomography（LGST）是一种闭式、线性反演方法，通过最小化加权最小二乘目标函数，提供可靠的初始估计，避免似然函数中的收敛至局部极大值问题。
• 该方法利用门可在序列中多次应用的事实，仅通过少数几种不同门即可生成指数级增长的可观测概率，从而实现过约束估计。
• 预测评分协议通过计算观测计数的平均对数似然，评估某个 tomographic 估计在独立测试实验中的预测能力，提供一种客观、无参考的度量标准。
• 随后从 LGST 估计出发应用最大似然估计，以实现高精度结果，结合了鲁棒性与精确性。

实验结果

研究问题

• RQ1 能否开发一种自洽的量子门表征框架，无需依赖态制备和测量的预先校准参考系？
• RQ2 如何设计一种闭式、非迭代的估计方法，以避免在基组 tomography 中似然函数的局部极大值？
• RQ3 何种客观、无参考的度量标准可用于评估 tomographic 估计的预测能力，而无需假设目标门？
• RQ4 在预测准确性和鲁棒性方面，LGST 与标准过程 tomography 和最大似然估计相比表现如何？
• RQ5 基组 tomography 能否在具有高保真度门操作的离子阱量子比特系统中实现实验演示？

主要发现

• 由于 LGST 具有闭式、线性反演的特性，成功避免了似然函数中的局部极大值，为后续优化提供了可靠的初始估计。
• 预测评分协议表明，最佳最大似然估计在序列长度 L=100 时，每计数得分约为 0.02，表明其具有强大的预测能力。
• LGST 估计作为最大似然估计的种子非常有效，其预测性能仅在序列长度 L>3 后开始退化，而最大似然估计在更长序列中仍保持高精度。
• 实验结果表明，标准 tomography 中大多数预测失败源于 SPAM（态制备与测量）误差，而非门误差，凸显了自洽表征的重要性。
• 基组 tomography 在预测准确性方面优于标准过程 tomography 和线性基组 tomography，尤其在使用更长序列训练时表现更优。
• 本研究证明 GST 在实践中是可行的，并为量子门表征中的自指问题提供了一种稳健、全面的解决方案。