Los puntos clave no están disponibles para este artículo en este momento.
En este artículo, proponemos un método para eliminar el ruido de las matrices de densidad experimentales que combina la tomografía de estado cuántico estándar con una arquitectura de red neuronal basada en atención. El algoritmo aprende el ruido de los datos mismos, sin conocimiento de sus fuentes. En primer lugar, mostramos cómo el protocolo propuesto puede mejorar la fidelidad promedio de la reconstrucción respecto a la inversión lineal y la estimación de máxima verosimilitud en el régimen de estadísticas finitas, reduciendo al menos en un orden de magnitud la cantidad de datos de entrenamiento necesarios. A continuación, demostramos su uso para datos fuera de distribución en escenarios realistas. En particular, consideramos estados comprimidos de pocos giros en presencia de ruido despolarizante y errores de medición/calibración, y certificamos su contenido de entrelazamiento útil metrológicamente. El protocolo introducido aquí está dirigido a experimentos que involucran pocos grados de libertad y afectados por una cantidad significativa de ruido no especificado. Estos incluyen dispositivos y plataformas NISQ como iones atrapados o qudits fotónicos. Publicado por la Sociedad Americana de Física 2024.
Palmieri et al. (Mié,) estudiaron esta cuestión.