Inferenza di sistemi quantistici basata sulla simulazione con stima neurale della distribuzione a posteriori

Abstract degli autori

I modelli dei sistemi quantistici mappano fedelmente i parametri del sistema nelle osservazioni, ma il problema inverso di inferire i parametri dai dati di misura presenta una difficoltà fondamentale: le funzioni di verosimiglianza sono computazionalmente intrattabili a causa di uno spazio di Hilbert esponenzialmente grande. Qui introduciamo l’inferenza di sistemi quantistici basata sulla simulazione, un quadro unificato privo di funzioni di verosimiglianza che apprende le distribuzioni a posteriori dei parametri direttamente dai dati di simulazioni classiche. L’idea centrale consiste nell’affiancare simulatori classici dal costo polinomiale, come la propagazione di Pauli e le reti tensoriali, a flussi normalizzanti o ad altri stimatori neurali di densità, per ottenere un’inferenza accurata e riutilizzabile. Un singolo modello, addestrato una sola volta, associa qualsiasi nuovo record di misure alla relativa distribuzione a posteriori in un unico passaggio in avanti — trasformando l’inferenza per esperimento in un costo fisso iniziale. Dimostriamo numericamente la versatilità del quadro in diversi ambiti: apprendimento del rumore di Pauli, mitigazione degli errori quantistici, tomografia degli stati quantistici e apprendimento dell’Hamiltoniana, con esempi che includono circuiti poco profondi con 81 qubit e inferenza con 735 parametri. In ciascun caso, l’approccio fornisce stime accurate dei parametri identificabili, mentre l’incertezza a posteriori offre ulteriori strumenti diagnostici della non identificabilità e indica dove è necessaria un’ulteriore caratterizzazione. Il nostro quadro riduce i requisiti di acquisizione dei dati negli esperimenti quantistici e accelera l’inferenza dei parametri, offrendo un modo pratico per caratterizzare e migliorare i sistemi quantistici su larga scala.