[論文レビュー] Numerical Bayesian state assignment for a three-level quantum system. I. Absolute-frequency data; constant and Gaussian-like priors

Anders Månsson, PierGianLuca Porta Mana+1 more|ArXiv.org|Dec 13, 2006

Statistical Mechanics and Entropy参考文献 112被引用数 4

ひとこと要約

本稿では、絶対周波数測定データと2種類の事前分布（密度行列の凸集合上の一様事前分布と純粋状態を中心にしたガウス型事前分布）を用いて、3準位系における数値的ベイズ的手法による量子状態割り当てを提示する。この手法は、8次元までの高次元数値積分を用いて事後密度行列を計算し、データが少ない状況下で事前知識が状態推定に顕著に影響することを示しており、Nが小さい場合でさえ、事前分布の違いが明確な定量的差異を生じさせることを明らかにしている。主な貢献は、限られたデータ下でのベイズ的状態推定に事前知識を統合する実用的な枠組みを提供することであり、事後分布の解析的および数値的計算によって検証されている。

ABSTRACT

This paper offers examples of concrete numerical applications of Bayesian quantum-state-assignment methods to a three-level quantum system. The statistical operator assigned on the evidence of various measurement data and kinds of prior knowledge is computed partly analytically, partly through numerical integration (in eight dimensions) on a computer. The measurement data consist in absolute frequencies of the outcomes of N identical von Neumann projective measurements performed on N identically prepared three-level systems. Various small values of N as well as the large-N limit are considered. Two kinds of prior knowledge are used: one represented by a plausibility distribution constant in respect of the convex structure of the set of statistical operators; the other represented by a Gaussian-like distribution centred on a pure statistical operator, and thus reflecting a situation in which one has useful prior knowledge about the likely preparation of the system. In a companion paper the case of measurement data consisting in average values, and an additional prior studied by Slater, are considered.

研究の動機と目的

• 測定データが限られている状況下での3準位系における実用的な数値的ベイズ的手法の開発を目的とする。
• データ数が少ない状況（small-N）において、状態空間上の一様事前分布と純粋状態を中心にしたガウス型事前分布という異なる事前知識が、状態推定に与える影響を調査することを目的とする。
• 絶対周波数データに対する高次元積分（最大8次元）を用いたベイズ的状態割り当ての実現可能性と数値的実装を示すこと。
• 少数の測定結果しか得られない状況下で、事前知識が事後密度行列に与える影響を比較すること。
• 今後、平均値データや他の事前分布への拡張の基盤を提供すること（別紙で概説）。

提案手法

• ベイズ的手法では、絶対周波数測定結果と、密度行列空間における事前妥当性分布を組み合わせて事後密度行列を計算する。
• 事前分布は、密度行列の凸集合上の一様分布（定数事前分布）と、純粋状態を中心にしたガウス型分布（情報的事前分布）としてモデル化される。
• 3準位密度行列のブロッホ表現の8次元パrameter空間における数値的積分により、事後分布が得られる。
• 純粋状態の角度と振幅に関するパラメトリック表現を用いて、積分領域の境界を定義する。
• 小規模なN（例：N=1,2,3）および大規模Nの極限において数値的積分を実施し、異なる事前分布間での結果を比較する。
• 定数事前分布下での結果間に成り立つ非自明な数値的関係（式52）を導出し、その妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 絶対周波数測定データが限られている3準位系において、状態空間上の一様事前分布と純粋状態を中心にしたガウス型事前分布という2種類の事前分布の選択が、事後密度行列にどのように影響を与えるか？
• RQ2 少数の測定結果（例：N=1）しか得られない状況下で、事前知識の定量的影響は何か？
• RQ3 密度行列の高次元パrameter空間を考慮した場合、絶対周波数データに対するベイズ的状態割り当ては、どのように数値的に実装可能か？
• RQ4 定数事前分布下での数値的事後分布は、何らかの正確な解析的関係を満たすか？その関係の意味は何か？
• RQ5 同じ小規模Nデータセットに対して、定数事前分布とガウス型事前分布の両方を用いたベイズ的状態割り当ての結果は、どのように比較できるか？

主な発見

• Nが小さい（例：N=1）場合、選択された事前分布が事後密度行列に強く影響し、ガウス型事前分布は真の純粋状態の周囲に集中した推定を生じる。
• データがない状況では、定数事前分布は状態空間全体に一様な事後分布をもたらすが、ガウス型事前分布はその中心に近い推定をバイアスする。
• 密度行列の8次元空間における数値的積分は実行可能であり、Nが小さい場合でも安定した結果をもたらすため、実用的なベイズ的状態割り当てが可能になる。
• 定数事前分布下での事後結果間に非自明な数値的関係（式52）が観察され、これは正確な幾何的または代数的構造が存在する可能性を示唆しており、解析的に証明可能である可能性がある。
• 大規模Nの極限では最大尤度推定に収束し、ベイズ的手法が頻度主義推定と整合的であることが確認された。
• 本手法は、適切に表現された事前知識が、データが少ない状況下で状態推定を顕著に改善できることを示しており、実験的量子系の応用において価値がある。