Reducing the Cost of Qudit State Preparation by Learning a Sparse Structure for SNAP Gates
作者: Marco Pennazio, Leonardo Ignazio Pagliochini, Riccardo Pellini, Maurizio Ferrari Dacrema, Paolo Cremonesi
分类: quant-ph, cs.LG
发布日期: 2026-10-15
备注: 16 pages, 3 figures, 4 tables, accepted at International Workshop on AI for Quantum and Quantum for AI (AIQxQIA 2026), co-located with AIxIA 2026, Perugia, Italy
💡 一句话要点
提出稀疏结构学习方法以降低量子态准备成本
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 量子态准备 SNAP门 稀疏学习 可微分掩码 量子计算 保真度优化 控制脉冲
📋 核心要点
- 现有方法在控制多个相位时面临复杂控制脉冲和控制误差增加的问题，限制了量子态准备的效率。
- 本文提出通过可微分掩码学习所需相位及其值，结合稀疏性惩罚，优化相位选择与控制。
- 实验结果显示，学习相位位置及其值的方法在保真度与相位数量的权衡上表现出竞争力，具体优势依赖于目标态和qudit维度。
📝 摘要（中文）
在这项研究中，作者探讨了在玻色子qudit中使用SNAP-位移序列准备量子态时的挑战，特别是优化门参数和选择每个SNAP门应控制的Fock能级。现有方法通过限制可训练相位到预定义的稀疏模式来降低成本，但这些模式可能并不适合特定目标态。为了解决这一问题，本文提出了一种新方法，通过可微分掩码学习所需的相位及其值，同时引入稀疏性惩罚以鼓励去除不必要的相位。实验结果表明，该方法在不同目标态和qudit维度下提供了竞争力或改进的保真度-资源权衡。
🔬 方法详解
问题定义：本文旨在解决在准备量子态时，如何有效控制SNAP门的相位问题。现有方法通过预定义稀疏模式来减少相位数量，但这些模式可能不适合特定的目标态，导致效率低下。
核心思路：论文提出了一种新的学习方法，通过可微分掩码来动态选择和优化相位，同时引入稀疏性惩罚以去除不必要的相位，从而提高量子态准备的效率和准确性。
技术框架：整体方法包括三个主要模块：首先，使用可微分掩码学习所需的相位；其次，应用稀疏性惩罚以优化相位选择；最后，通过温度退火将掩码转化为二元决策。
关键创新：最重要的创新在于引入了可微分掩码学习机制，使得相位的选择和优化过程可以通过梯度下降进行调整，这与传统的预定义稀疏模式方法有本质区别。
关键设计：在设计中，设置了稀疏性惩罚项以鼓励去除冗余相位，同时采用温度退火策略逐步优化掩码的二元决策，确保学习过程的稳定性和有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在不同目标态下的保真度-资源权衡上表现优异，相比于完全参数化和预定义稀疏方法，学习相位位置及其值的策略在保真度和相位数量的平衡上提供了显著的提升，具体提升幅度依赖于目标态和qudit维度。
🎯 应用场景
该研究的潜在应用领域包括量子计算、量子通信和量子模拟等。通过优化量子态准备过程，可以提高量子系统的效率和准确性，推动量子技术的实际应用和发展，具有重要的实际价值和未来影响。
📄 摘要（原文）
Preparing quantum states in bosonic qudits with SNAP--Displacement sequences requires both optimizing the gate parameters and deciding which Fock levels should be controlled by each SNAP gate. A fully parameterized ansatz assigns an independent phase to every Fock level in every gate, leading to a number of phases that grows steeply. This constitutes a problem for short to medium term systems as controlling many phases requires complex control pulses which are subject to increased control errors. Previous work reduced this cost by restricting the trainable phases to predefined sparse patterns, such as a diagonal or a grid, which however may not be optimal for a specific target state. In this work, we address this limitation by introducing a method that learns which phases are needed together with their values, using a differentiable mask. A sparsity penalty encourages the removal of unnecessary phases, while temperature annealing gradually turns the masks into binary decisions. We compare the proposed method with fully parameterized and predefined sparse ansatzes on Fourier and Haar-random target states. The evaluation considers both the minimum number of phases required to reach different infidelity thresholds and the overall trade-off between fidelity and phases required, measured through Pareto frontiers and hypervolume. The results show that learning the location of the phases together with their values provides competitive or improved fidelity--resource trade-offs, although the advantage depends on the target state and qudit dimension.