Corrección AGE
Resultados de Corrección AGE
Resultados numéricos detallados de la re-diagonalización AGE para modos temporales en redes cuánticas de guía de ondas
Comparación Base vs AGE
Matriz de Transferencia Base
| f0 | f1 | f2 | |
|---|---|---|---|
| f0 | 0.806 | 0.014 | 0.001 |
| f1 | 0.016 | 0.838 | 0.045 |
| f2 | 0.000 | 0.044 | 0.716 |
Matriz de Transferencia AGE
| g0 | g1 | g2 | |
|---|---|---|---|
| g0 | 0.828 | 0.002 | 0.000 |
| g1 | 0.002 | 0.828 | 0.002 |
| g2 | 0.000 | 0.002 | 0.826 |
Parámetros del Canal
Valores utilizados en la simulación base para la distorsión coherente del canal
| Parámetro | Símbolo | Valor |
|---|---|---|
| Desintonización | δω/(2π) | 1.75 MHz |
| Tasa de acoplamiento A | κA | 26.7 MHz |
| Tasa de acoplamiento B | κB | 30.7 MHz |
| Pérdida | ploss | 17% |
| Amplitud de conformado | σshape | 5% |
| Tiempo de correlación de conformado | τcorr | 5 ns |
| Ancho de banda | Γ/(2π) | 24 MHz |
Propiedades del Algoritmo AGE
El algoritmo de re-diagonalización AGE presenta varias propiedades favorables que lo hacen apto para implementación experimental. El coste computacional es mínimo: requiere una única inversión de matriz 3×3 en tiempo de calibración, lo cual es instantáneo en hardware moderno. La estabilidad numérica está garantizada por el buen condicionamiento de la matriz de Gram, y la regularización de Tikhonov está disponible como respaldo para casos con condicionamiento deteriorado.
La amplificación máxima |Am,k| = 1.018 es trivial para el AWG, significando que las plantillas corregidas no requieren potencias de pulso significativamente mayores que las originales. El cambio de plantilla por modo en norma L² es del 13-28%, un rango que está bien dentro de las capacidades de reprogramación de AWGs estándar. El número de condición cond(S) = 1.10 confirma que el problema está bien planteado y la inversión es estable.
Matriz de Absorción A
- Bien condicionada
- cond(S) = 1.10
- Amplificación máxima
- |Am,k| = 1.018
- Límite de pérdida alcanzado
- 0.827 / 0.830 = 99.6%
Resultados del Barrido de Distorsión
Los barridos paramétricos 1D revelan el comportamiento diferenciado de la corrección AGE frente a distintas fuentes de distorsión. En el barrido de desintonización (0-5 MHz), la selectividad base Σ se degrada drásticamente de ~1942 a ~4, mientras que ΣAGE se mantiene aproximadamente constante en el rango ~525-540. Esta estabilidad demuestra que AGE compensa eficazmente la desintonización independentemente de su magnitud dentro del rango estudiado.
En el barrido de errores de conformado (0-20%), la selectividad base permanece casi plana (~38-39), ya que los errores de conformado por sí solos no rompen significativamente la ortogonalidad. Sin embargo, ΣAGE aumenta con el conformado (466→1697), un efecto contraintuitivo que se explica porque las distorsiones adicionales proporcionan más información al algoritmo AGE para optimizar las plantillas de absorción.
Mapa de Robustez 2D
El barrido paramétrico 2D a lo largo de 42 puntos operativos muestra que la corrección AGE es robusta en un amplio rango de condiciones del canal. La mejora máxima es de 53.1× en el punto (2.0 MHz, 15% conformado), donde la selectividad base se ha colapsado severamente pero AGE mantiene alta selectividad. Este resultado es particularmente importante porque demuestra que la corrección AGE es más valiosa en regímenes de alta distorsión donde más se necesita.
En ausencia de distorsión, AGE puede ligeramente perjudicar la selectividad (mejora < 1×) dado que los modos ya son casi ortogonales y la corrección introduce una pequeña degradación numérica. A distorsión fuerte (δω = 3 MHz), la mejora alcanza hasta 44×, confirmando la escalabilidad del beneficio con la severidad del canal. Esta transición suave entre regímenes confirma la estabilidad del algoritmo en todo el espacio de parámetros.
Limitaciones y Extensiones
Limitaciones
- No corrige pérdida: la pérdida permanece al 17% independientemente de la corrección AGE. La re-diagonalización solo restaura la ortogonalidad de los modos, no puede recuperar fotones perdidos en el canal.
- Modelo fenomenológico: se utiliza un modelo de canal fenomenológico que no ha sido validado contra datos experimentales de chip superconductor. La transferibilidad a hardware real requiere verificación experimental.
- K=3 modos solamente: la demostración se limita a K=3 modos temporales. La escalabilidad a K>3 requiere análisis adicional del condicionamiento de la matriz de Gram.
- Efectos no-Markovianos: no se consideran efectos de memoria no-Markovianos en el canal, que podrían ser relevantes para redes de guía de ondas con reflexiones parásitas.
Extensiones
- Más modos (K>3): extensión a espacios de modos de mayor dimensión para aumentar la capacidad de codificación temporal por fotón.
- Redes en cascada: aplicación de AGE a redes de múltiples nodos en cascada, donde las distorsiones se acumulan a lo largo de la cadena.
- Codificación multiplexada: combinación de modos temporales con codificación de frecuencia o polarización para multiplexación cuántica híbrida.
- Adaptación a redes ópticas: traslación del marco AGE a redes ópticas de fibra, donde las fuentes de distorsión son diferentes (dispersión cromática, PMD).
- Validación experimental: verificación en chip superconductor real para confirmar las predicciones numéricas del modelo fenomenológico.
Reproducibilidad Computacional
Todos los resultados presentados en esta página son completamente reproducibles utilizando el paquete Python age_temporal_modes. El paquete incluye los scripts de benchmark completos, los datos de entrada y los parámetros de simulación utilizados. El tiempo de ejecución total es de aproximadamente 3 minutos en un ordenador estándar, generando todas las figuras y datos numéricos presentados.
Paquete Python: age_temporal_modes
Datos abiertos: data/01…05*.json
Repositorio con DOI: en preparación (Zenodo)
Los datos de salida (JSON) y los parámetros de simulación se publican en esta misma página para facilitar la verificación independiente; los comandos de clonación se retiraron hasta disponer de un repositorio público con DOI (véase el registro de erratas, entrada 7).
Escalera TM-04 → TM-06 en age-quantum.orgage_temporal_modes
- Lenguaje
- Python 3
- Dependencias
- NumPy, SciPy, Matplotlib
- Tiempo de ejecución
- ~3 minutos
- Formato de salida
- JSON + PNG
- Licencia
- MIT
Datos de Referencia
Descarga los datos completos del barrido paramétrico y la corrección AGE para verificación independiente.