Aprendizaje automático para tomografía de estados cuánticos: estimación robusta de la matriz de covarianza para...

Área de la Ciencia:

• Óptica cuántica
• Aprendizaje automático
• Ciencia de la información cuántica

Sus antecedentes:

• La caracterización de estados cuánticos es crucial para las tecnologías cuánticas.
• Los métodos tradicionales como la reconstrucción de la matriz de densidad son computacionalmente intensivos.
• Los estados cuánticos gaussianos son bloques de construcción fundamentales en el procesamiento de información cuántica.

Objetivo del estudio:

• Desarrollar un método rápido y preciso para estimar la matriz de covarianza de estados cuánticos gaussianos ruidosos.
• Reconstruir estados de vacío comprimido impuros utilizando mediciones dispersas.
• Proporcionar una representación ligera para estados gaussianos generados en laboratorio.

Principales métodos:

• Se utilizó aprendizaje automático supervisado con redes neuronales convolucionales.
• Se empleó un modelo que mezcla estados térmicos y térmicos comprimidos.
• Se reconstruyeron estados a partir de mediciones dispersas de secuencias de cuadratura.

Principales resultados:

• Se logró alta fidelidad y precisión en la estimación de la matriz de covarianza, incluso a altos niveles de compresión.
• Se demostró la precisión comparando con datos experimentales de estados de vacío comprimido.
• Se cuantificó la degradación experimental y se verificó la robustez al ruido térmico.

Conclusiones:

• El método de aprendizaje automático ofrece una alternativa eficiente a la tomografía de estados tradicional.
• El enfoque caracteriza con precisión los estados cuánticos gaussianos y su degradación inducida por el ruido.
• Se sentaron las bases para la tomografía de estados cuánticos en tiempo real de estados gaussianos multcomponente y multimodales.