Jun 11, 2024 | 4 min read

../../../_images/Logo_TalentQ_Azul.png

El arte de medir II#

\( \newcommand{\bra}[1]{\langle #1|} \) \( \newcommand{\ket}[1]{|#1\rangle} \) \( \newcommand{\braket}[2]{\langle #1|#2\rangle} \) \( \newcommand{\i}{{\color{blue} i}} \) \( \newcommand{\Hil}{{\mathcal H}} \) \( \newcommand{\boldn}{{\bf n}} \) \( \newcommand{\tr}{{\rm tr}}\)

Hide code cell source
%run ../../macro_tQ.py
import sys
sys.path.append('../../')
import macro_tQ as tQ

import numpy as np
import scipy.linalg as la
from IPython.display import display,Markdown,Latex
import matplotlib.pyplot as plt
from qiskit.visualization import array_to_latex

Medidas de estados multicúbit#

Un aparato de medida estándar hace colapsar el estado a un elemento \(\ket{x}\) de la base computacional, que identificamos mediante una cadena de bits \(a_{n-1}...a_0\) con \(a_i=0,1\), donde \(x= 2^{n-1}i_{n-1}+...+2^0 a_0\).

../../../_images/Multimeter_zbasis.png

Este medidor está asociado al operador hermítico \(\sigma_z^{\otimes n} = Z\otimes \ldots \otimes Z\)

Circuitos con múltiples cúbits y medidas en Qiskit#

Un estado general en un circuito de \(n\) cúbits se expresará en la base computacional

\[ \ket{\psi} = \sum_{i_{n-1},...,i_0= 0,1} c_{i_{n-1}...i_0} \ket{i_{n-1}...i_0} = \sum_a c_a \ket{a} \]

Las medida es esencialmente un mapa entre n-cúbits cuánticos y n-bits clásicos.

\[ \ket{i_{n-1} i_{n-2}\, ... \, i_0} ~~\longrightarrow ~~ i_{n-1}i_{n-2}...i_0\in \{0,1\}^n \]

La manera de tener acceso al valor absoluto de las amplitudes es midiendo repetidas veces para reconstruir la función de probabilidad

\[ |c_{i_{n-1} i_{n-2}...i_0}|^2 =p(i_{n-1} i_{n-2}...i_0)= \frac{n_{i_{n-1} i_{n-2}...i_0}}{N} \]

donde \(N\) es el número total de medidas.

from qiskit import QuantumCircuit, QuantumRegister, ClassicalRegister
import numpy.linalg as la
from qiskit.visualization import plot_histogram
from qiskit.quantum_info import Statevector
from qiskit_aer import AerSimulator 

'definimos un estado de entrada en H^3$'
psi =[1.,-2, -2,1,1,0,2,-1]
psi/=la.norm(psi)
display(Statevector(psi).draw('Latex'))

qr = QuantumRegister(3,name='qr')
cr = ClassicalRegister(3,name='cr')
qc_psi_Qs = QuantumCircuit(qr,cr)
qc_psi_Qs.initialize(psi,qr)
qc_psi_Qs.measure(qr[:],cr[:])
display(qc_psi_Qs.draw(output='mpl'))

'ejecutamos el circuito y graficamos la estadística de cuentas'
nshots = 100000

job=AerSimulator().run(qc_psi_Qs,shots=nshots) 
result=job.result()
counts = result.get_counts()        
print('Cuentas=',counts)        #diccionario de cuentas
display(plot_histogram(counts)) # Mostramos un histograma de resultados

'transformamos las cuentas en un diccionario de  probabilidades '    
probs_psi=counts.copy()         # vamos a modificar el diccionario "cuentas" con las probabilidades 
for bitstring,counts in probs_psi.items():
    probs_psi[bitstring]= counts/nshots

print('Probabilidades=', probs_psi)
\[\frac{1}{4} |000\rangle- \frac{1}{2} |001\rangle- \frac{1}{2} |010\rangle+\frac{1}{4} |011\rangle+\frac{1}{4} |100\rangle+\frac{1}{2} |110\rangle- \frac{1}{4} |111\rangle\]
../../../_images/68432c072b53509bc8ae2313abcfa9e414371b4d44186d109e0a473bc5b939d2.png
Cuentas= {'000': 6203, '010': 25152, '100': 6185, '001': 25040, '110': 24887, '011': 6233, '111': 6300}
../../../_images/065fc2703f23b96afb9278ac1ab2672cc2bc1c425c4508954d86b6c23db79f26.png
Probabilidades= {'000': 0.06203, '010': 0.25152, '100': 0.06185, '001': 0.2504, '110': 0.24887, '011': 0.06233, '111': 0.063}

Medidas en bases generales#

Al igual que en el capítulo anterior, desearíamos poder medir el estado en una base ortonormal arbitraria \(\{\ket{ x}'\}\), \(x=0,...,2^n-1\).

Esto quiere decir que buscamos un circuito que, a la llegada de un vector concreto de la base \(\ket{x}'=\ket{a_{n-1}...a_0}'\), devuelva exactamente la colección de bits: \(~a_{n-1}...a_0\) donde \(a_i = 0,1\)

\[ M : \ket{a_{n-1}...a_0}' ~~~~~~\Longrightarrow ~~~~~~ a_{n-1}...a_0 \]

Vamos a suponer que conocemos el operador unitario, \(U\), que lleva la base computacional a la base deseada

\[\ket{a_{n-1}...a_0}'= U\ket{a_{n-1}...a_0}~~~~~~\Longleftrightarrow ~~~~~~ U^\dagger\ket{a_{n-1}...a_0}' = \ket{ a_{n-1}...a_0} \, .\]

Entonces es evidente que sólo tenemos que añadir el operador \(U^\dagger\) antes de usar el medidor estándar

../../../_images/Multimeter_basis.png

Medidas de Pauli#

En caso más frecuente consiste en medir diferentes cúbits en diferentes bases de Pauli, \(X\), \(Y\) ó \(Z\). En este caso, \(U\) es un producto de rotaciones locales en cada cúbit, \(\ket{a_i}_x = H\ket{a_i}_z\) ó \(\ket{a_i}_y = SH\ket{a_i}\). Por ejemplo el siguiente circuito mide en la base \(Z_0X_1Y_2\)

../../../_images/XYZ_multimeter.png

definamos una función que añade aparatos de medida en bases \(X\), \(Y\) ó \(Z\) a partir de una cadena como ‘xxy’ etc.

def add_multimeasure_XYZ(qc,paulistring):

    assert(qc.num_qubits==len(paulistring)) #check whether width of circuit coincides with length of Pauli string

    for i,basis in enumerate(reversed(paulistring)):
        if  basis == 'X':
            qc.h(i)    
            qc.measure(i, i)
        elif basis == 'Z':
            qc.measure(i, i)
            pass    
        elif basis == 'Y':
            qc.sdg(i)
            qc.h(i)
            qc.measure(i, i)

    return qc 

'Veamos un ejemplo'
from qiskit import QuantumCircuit
qc = QuantumCircuit(4,4)
add_multimeasure_XYZ(qc,'ZYIX')  # probar a cambiar el aparato de medida
qc.draw('mpl')
../../../_images/abef28e9467801a783230b98790f55ab9846bf3c028fd58794e02e050e3e67a4.png

Medida de Bell#

El circuito

../../../_images/Bell_basis.png

genera la base de Bell \(\ket{B_{xy}} = \ket{xy}_B \) a partir de la base computacional \(\{\ket{xy}\}\)

\[\begin{split} \begin{array}{rcl} \ket{00}_B &=& \frac{1}{\sqrt{2}} \big( \ket{00} + \ket{11} \big) \\ \ket{01}_B &=& \frac{1}{\sqrt{2}} \big( \ket{01} + \ket{10} \big) \\ \ket{10}_B &=& \frac{1}{\sqrt{2}} \big( \ket{00} - \ket{11} \big) \\ \ket{11}_B &=& \frac{1}{\sqrt{2}} \big( \ket{01} - \ket{10} \big) \\ \end{array} \end{split}\]

El circuito que efectúa una medida en la base de Bell será, por tanto

\[ \ket{xy}_B \to xy \]

utiliza el desentrelazador

\[U^\dagger = ( \hbox{CNOT}\cdot H)^\dagger = H\cdot \hbox{CNOT}\]

antes del medidor

../../../_images/Bell_meter.png
def add_Bell_measurement(qc,qubits=[0,1]):
    qc.cx(qubits[0],qubits[1])
    qc.h(0)
    qc.barrier()
    qc.measure([0,1],[1,0])
    
'ahora verificamos'
from qiskit import QuantumCircuit

'creamos el circuito'
qc = QuantumCircuit(2,2)

'definimos la base de Bell'
B00 = np.array([1,0,0,1]/np.sqrt(2))
B01 = np.array([1,0,0,-1]/np.sqrt(2))
B10 = np.array([0,1,1,0]/np.sqrt(2))
B11 = np.array([0,1,-1,0]/np.sqrt(2))

'inicializamos el estado de entrada en cualquiera de los estados anteriores'
qc.initialize(B10,[0,1])

'añadimos el medidor en la base de Bell
add_Bell_measurement(qc,[0,1])
display(qc.draw('mpl'))

execute(qc,backend=M_simulator).result().get_counts()
  Cell In[4], line 22
    'añadimos el medidor en la base de Bell
    ^
SyntaxError: unterminated string literal (detected at line 22)

Valores esperados de observables multi-cúbit#

El problema esencial para medir un valor esperado \(\bra{\psi} A \ket{\psi}\) es que, en general, \(A\) no es un operador unitario. Por tanto no se puede incluir como parte de un circuito

Si pudiésemos expresar como una combinación de operadores unitarios, \(A = \sum_i c_i U_i\), entonces sí podríamos calcular cada valor esperado \(\langle U_i\rangle\) mediante un circuito y, finalmente, componer el resultado \(\langle A\rangle = \sum_i c_i \langle U_i\rangle\)

Una base la constituyen la base de cadenas de Pauli, \(U = \sigma_{i_1}\otimes \ldots \otimes \sigma_{i_n}\) que son, a la vez, hermíticas y unitarias

\[ A = \sum_{i_1,...,i_n=0}^3 a_{i_1\ldots i_n} \, \sigma_{i_1}\otimes \ldots \otimes \sigma_{i_n} \]

donde \(\sigma_i = (I,X,Y,Z)\). Por ejemplo, con \(n=3\)

\[ \sigma_2\otimes \sigma_0 \otimes \sigma_3 = Y\otimes I\otimes Z \]

los coeficientes se pueden obtener calculando las trazas

\[ a_{i_1\ldots i_n} =\frac{1}{2^n} \tr (A \, \sigma_{i_1}\otimes \ldots \otimes\sigma_{i_n}) \]

Por tanto sólo tenemos que averiguar los valores esperados de cadenas de Pauli

\[ \langle A \rangle_{\psi} = \sum_{i_1,...,i_n=0}^3 a_{i_1\ldots i_n} \langle \sigma_{i_1}\otimes \ldots \otimes\sigma_{i_n}\rangle \]
' Matrices de Pauli'
s0 = np.array([[1,0],[0,1]]) # matriz identidad
s1 = np.array([[0,1],[1,0]])
s2 = np.array([[0,-1j],[1j,0]])
s3 = np.array([[1,0],[0,-1]])

Pauli_basis = [s0,s1,s2,s3]

' Cadena de Pauli YIZ = s2s0s3' 
Pauli_string_203 = np.kron(s2,np.kron(s0,s3))
display(array_to_latex(Pauli_string_203,prefix='YIZ ='))

'Matriz arbitraria'
A = np.random.rand(8,8) + 1j* np.random.rand(8,8)

'Proyección a_203 de A sobre YIZ'
a_203 = np.trace(np.dot(A,Pauli_string_203))/2**3

print('a_203 = ', a_203)
\[\begin{split} YIZ = \begin{bmatrix} 0 & 0 & 0 & 0 & - i & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & i & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & - i & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & i \\ i & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & - i & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & i & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & - i & 0 & 0 & 0 & 0 \\ \end{bmatrix} \end{split}\]
a_203 =  (-0.07653240381330405+0.09233241116592042j)

Valores esperados de cadenas de Pauli#

Veamos cómo calcular el valor esperado siguiente

\[ \langle Z\otimes Z\otimes Z\rangle_\Psi = \bra{\Psi} Z\otimes Z\otimes Z \ket{\Psi} \]

Dado que \(Z\ket{i} = (-1)^i\ket{i}\) donde \(i=0,1\), insertando la identidad, el valor esperado de este operador es

\[\begin{split} \begin{array}{rcl} \langle Z\otimes Z\otimes Z\rangle_\Psi &=& \bra{\Psi} Z\otimes Z\otimes Z \ket{\Psi} \\ &=& \sum_{i_2,i_1,i_0=0,1}\bra{\Psi} Z\otimes Z\otimes Z \ket{i_2 i_1 i_0}\braket{i_2 i_1 i_0}{\Psi} \rule{0mm}{10mm} \\ \rule{0mm}{10mm} &=& \sum_{i_2,i_1,i_0=0,1}(-1)^{i_2 + i_1 + i_0}\big|\bra{i_2 i_1 i_0}\Psi\rangle\big|^2 \\ \rule{0mm}{10mm} &=& \sum_{i_2,i_1,i_0=0,1} (-1)^{i_2 + i_1 + i_0} p(i_2,i_1,i_0) \nonumber\\ \end{array} \end{split}\]

Naturalmente, \(\langle ZZZ\rangle \) es el valor medio de la distribución de probabilidad \(\{\lambda(x),p(x)\},\) con \(x=(i_2 i_1 i_0)\)

\[ \langle ZZZ\rangle = \bar \lambda = \sum_x \lambda(x) p(x) = \sum_{x}(-1)^{i_{2}+i_1+i_0}\frac{n(x)}{\sum_x n(x)} \]

También podemos obtener la varianza de esta distribución

\[ \sigma^2 = \sum_{x}\left((-1)^{i_{2}+i_1+i_0}-\bar\lambda \right)^2 p(x) \]
'aprovechamos el diccionatio "probs_psi" creado al principio de este capítulo'

mean = 0
for bitstring,probs  in probs_psi.items():
    mean += (-1)**(sum([int(bit) for bit in bitstring])) * probs 

print('<ZZZ>_shots =', np.round(mean,5) )

'verificamos con la expresión analítica'
Z = np.array([[1,0],[0,-1]])
ZZZ = np.kron(s3,np.kron(s3,s3))
print('<ZZZ>_analitico =', tQ.braket(psi,np.dot(ZZZ,psi)) )

variance=0
for bitstring,probs  in probs_psi.items():
    variance += ((-1)**(sum([int(bit) for bit in bitstring]))-mean)**2 * probs
    
print('sigma = ', np.sqrt(variance) )
<ZZZ>_shots = -0.25354
<ZZZ>_analitico = -0.25
sigma =  0.9673249032253848

Ahora es muy evidente cómo medir el valor esperado de otras cadenas de Pauli en el mismo estado. Por ejemplo

\[ \langle Z\otimes X\otimes Y\rangle_\Psi = \bra{\Psi} Z\otimes X\otimes Y \ket{\Psi} \]
qr = QuantumRegister(3)
cr = ClassicalRegister(3)
qc = QuantumCircuit(qr,cr)


' ahora generamos el circuito que mide en la base ZXY'
qc.initialize(psi, qr)
add_multimeasure_XYZ(qc,'ZXY')
qc.draw(output='mpl')

counts = AerSimulator().run(qc,shots=nshots).result().get_counts()
print(counts)

mean = 0
for bitstring,count  in counts.items():
    mean += (-1)**(sum([int(bit) for bit in bitstring])) * count/nshots 

print('<ZXY> =', np.round(mean,5) )

'verificamos con la expresión analítica'
ZXY = np.kron(s3,np.kron(s2,s1))
print('<ZXY>_analitico =', tQ.braket(psi,np.dot(ZXY,psi)) )
{'110': 3169, '001': 3136, '100': 15799, '101': 15558, '000': 3150, '010': 28133, '111': 3124, '011': 27931}
<ZXY> = -0.00384
<ZXY>_analitico = 0j

Ejercicio

Considera el hamiltoniano \(H=\lambda (X X+Y Y+Z Z)\) siendo \(\lambda =1.47\cdot 10^{-6}eV\). Calcular el valor esperado de la energía \(E = \langle H\rangle_\Psi\) en los cuatro estados de Bell \(\ket{\Psi} = \ket{ij}_B\).

Medida de Hadamard#

Al final, el valor esperado de un operador es un simple número que se obtiene a partir de una distribución aleatoria de valores. ¿No podríamos diseñar una variable aleatoria cuyo valor medio coincida con ese resultado? La medida de Hadamard hace precisamente esto aprovechando el entrelazamiento.

Consideremos el siguiente circuito

../../../_images/Hadamard_measure.png

El aparato de medida sólo registra valores \(\{0,1\}\) como resultado de las medidas proyectivas sobre los ejes \(X\) ó \(Y\). El circuito nos da dos posibilidades, medir \(\sigma_x\) o hacerlo con \(\sigma_y\). Supongamos que medimos \(\sigma_x\). El promedio

\[ p_{0}-p_{1} = \frac{n_{0}}{N} - \frac{n_{1}}{N} = \langle X\rangle_{ancilla} \]

es el valor esperado de \(X\) en la ancilla. Análogamente, si usamos el observable \(\sigma_x\) la misma cantidad \((n_0-n_1)/N\), será \(\langle Y\rangle_{ancilla}\), el valor esperado de \(Y\) en la ancilla.

La magia del entrelazamiento es que estas dos cantidades poseen información que nos permite conocer el valor esperado de \(U\) en el estado \(\ket{\psi}\) ¡sin medirlo!.

Teorema:

\[ \langle X\rangle_{ancilla} = {\rm Re} \langle U\rangle_{\psi} ~~~,~~~ \langle Y\rangle_{ancilla} = {\rm Im} \langle U\rangle_{\psi}\, \]

>> Demostración

Un cálculo explícito nos da el estado que llega al aparato de medida
\[ \ket{0}\ket{\psi} ~\to ~ \ket{\Psi} = \frac{1}{2} \left[\rule{0mm}{3mm} |0\rangle \otimes |\psi\rangle + |1\rangle \otimes U |\psi\rangle \right] \label{hadam} \]

Entonces el valor esperado de \(X\), medido en la ancilla será

\[ \bra{\Psi}(X\otimes I)\ket{\Psi} = \frac{1}{2}\big(\bra{\psi}U^\dagger\ket{\psi} + \bra{\psi}U\ket{\psi}\big) =\hbox{Re}\, \bra{\psi}U\ket{\psi} \]

Donde hemos usador que \(X\ket{0} = \ket{1}\) y \(X\ket{1} = \ket{0}\).

Análogamente, si lo que se ha medido es \(\sigma_y\), entonces se trata del valor esperado

\[ \bra{\Psi}(Y\otimes I)\ket{\Psi} = \frac{1}{2}\big( -i \bra{\psi}U^\dagger\ket{\psi} + i \bra{\psi}U\ket{\psi}\big) = \hbox{Im}\, \bra{\psi}U\ket{\psi} \]

Donde hemos usador que \(Y\ket{0} = i\ket{1}\) y \(Y\ket{1} = -i\ket{0}\).

¡A programar!#

Vamos a obtener el valor esperado de \(\langle Z\otimes Z\otimes Z\rangle_\Psi\) en el estado

\[ |\psi> = \frac{i}{4}|000>+\frac{1}{\sqrt{8}}|001>+\frac{1+i}{4}|010>+\frac{1+2i}{\sqrt{8}}|101>+\frac{1}{4}|110> \]

usando el método de Hadamard. Generamos el circuito de medida de Hadamard

from qiskit import QuantumRegister, QuantumCircuit, ClassicalRegister

qr = QuantumRegister(3, name = 'qr')
qra = QuantumRegister(1, name = 'ancilla')
cr = ClassicalRegister(1)

'creamos el operador como una puerta "gate" que admite el método "control'
qc0 = QuantumCircuit(qr)
qc0.z(qr)
CZZZ_gate = qc0.to_gate().control(1,ctrl_state= 1) 

'creamos el circuito con el operador controlado'
qc_Had = QuantumCircuit(qra,qr,cr)
qc_Had.initialize(psi,qr)
qc_Had.h(qra)  
qc_Had.append(CZZZ_gate,qra[:] + qr[:])
qc_Had.sdg(qra)
qc_Had.h(qra)
qc_Had.measure(qra,cr)

qc_Had.draw('mpl')
../../../_images/c883802e67fd25cc94d61b3617b7ffa85eeadbaf580ee22e2764a6a4fe406f07.png

Ejecutamos y obtenemos el valor esperado

M_backend = Aer.get_backend('qasm_simulator')
shots=1000000

cuentas_Had= execute(qc_Had,M_backend,shots=shots).result().get_counts()
print(cuentas_Had)

from qiskit.tools.visualization import plot_histogram
plot_histogram(cuentas_Had)
---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
Cell In[9], line 1
----> 1 M_backend = Aer.get_backend('qasm_simulator')
      2 shots=1000000
      4 cuentas_Had= execute(qc_Had,M_backend,shots=shots).result().get_counts()

NameError: name 'Aer' is not defined

Ejercicio

demuestra siguiendo los mismos pasos que midiendo en la ancilla del siguiente circuito los valores medios \(\langle X\rangle_{ancilla}\) y \(\langle Y\rangle_{ancilla}\)

../../../_images/Hadamard_measured.png

obtenemos información acerca del valor esperados de \(V^\dagger U\) en el estado \(\ket{\psi}\)

\[ \langle X\rangle_{ancilla} = \hbox{Re}\bra{\psi}V^\dagger U\ket{\psi} ~~~~,~~~~ \langle Y\rangle_{ancilla} = \hbox{Im}\bra{\psi}V^\dagger U\ket{\psi} ~~~~,~~~~ \]

Proyección de Hadamard#

Consideremos el siguiente circuito sobre \(\Hil\otimes \Hil\)

../../../_images/HadamardProjection.png

Escribamos el estado justo antes de llegar al aparato de medida

\[ \ket{0}\ket{\psi} \to \ket{\Psi} = \ket{0}\otimes \frac{1}{2}(1+U)\ket{\psi} ~+~ \ket{0}\otimes \frac{1}{2}(1-U)\ket{\psi} \]

Supongamos que el operador \(U\) es un operador sobre 1 cúbit a la vez hermítico y unitario. Por ser unitario sus autovalores tienen que ser fases puras \(\lambda = e^{i\varphi}\). Por ser hermítico, deben ser reales.

Ello deja a \(\lambda = \pm 1\) como los únicos autovalores posibles. Los operadores \(X,Y,Z\) y \(H\) son ejemplos de ello.

Denominemos \(\ket{a}_U = \{\ket{0}_U,\ket{1}_U\}\) los autovectores de \(U\) con autovalores \((-1)^a = \pm 1\), es decir \(U\ket{0}_U = \ket{0}_U\) y \(U\ket{1}_U = -\ket{1}_U\).

En este caso, los factores \(\frac{1}{2}(1\pm U)\) son proyectores ortogonales sobre los autoestados de \(U\). Efectivamente, cualquier estado se puede escribir en esta base \(\ket{\psi} = \alpha\ket{0}_U + \beta\ket{1}_U\). Entonces

\[ \frac{1}{2}(1 + U) \ket{\psi} = \alpha \ket{0}_U~~~~~~~;~~~~~~~ \frac{1}{2}(1 - U) \ket{\psi} = \beta\ket{1}_U \]

La imagen bajo este circuito de un estado de entrada \(\ket{0}\ket{\psi}\) será, entonces, un estado entrelazado

\[ \ket{0}\ket{\psi} = \ket{0}\otimes (\alpha\ket{0}_U + \beta\ket{1}_U) ~~\longrightarrow ~~ \alpha\ket{0}\ket{0}_U + \beta\ket{1}\ket{1}_U\, . \]

Al igual que con los estados de Bell, cada resultado de medida en la ancilla está correlacionado con un autoestado del operador \(U\) en el segundo registro.