[論文レビュー] Numerical Estimation Schemes for Quantum Tomography

Yong Siah Teo|arXiv (Cornell University)|Feb 14, 2013

Quantum Information and Cryptography参考文献 9被引用数 3

ひとこと要約

本学位論文は、量子トモグラフィーのための新規数値推定スキームを提案し、効率的な最尤量子状態推定のための共役勾配法と、情報的に不完全なデータにおける曖昧性を解消するための同時最尤・最大エントロピー（MLME）手法を導入する。さらに、見出し基底を用いたエンタングルメント検出のための適応的フレームワークを構築し、MLME手法を量子過程推定へと拡張し、シミュレーションおよび実験データにおいて、より高いロバスト性と正確性を示す。

ABSTRACT

This is a PhD dissertation on the latest numerical quantum estimation schemes as of 2012, submitted to the National University of Singapore. The main content of the thesis focuses on accessing quantum information with informationally incomplete measurements to reconstruct quantum states of large quantum systems, as well as to reduce the amount of resources to reconstruct quantum channels.

研究の動機と目的

• . 本論文の目的は、情報的に不完全な測定データ下での量子状態推定の効率性と信頼性を向上させることにある。
• . 本論文は、データが不完全な場合に生じる量子状態再構成における一意でない問題という根本的課題に取り組む。
• . 目的は、尤度とエントロピーのバランスを取ることで、偏りが最小限で最も尤もらしい推定器を系統的に得る方法を開発することにある。
• . 本研究は、適応的見出し測定を用いた量子過程推定およびエンタングルメント検出へと拡張される。
• . 本研究は、MLME手法とハージド最尤（HML）手法を比較し、不完全データ下での性能を評価する。

提案手法

• . 量子状態推定における尤度関数を最大化するための勾配降下法の代替として、より効率的な共役勾配法を提案する。
• . 情報的に不完全なデータにおける曖昧性を解消するために、尤度関数とフォン・ノイマンエントロピー関数を同時に最大化するMLME推定器を導入する。
• . 事前知識と不確実性を組み込んだハージド尤度関数を最大化する反復的HMLアルゴリズムを導出する。
• . MLME手法をシミュレーションおよび実験データ（2量子ビット系および見出し基底を用いたエンタングルメント検出含む）に適用する。
• . 見出し基底の測定を適応的に最適化する戦略を開発し、入力状態および測定設定を最適化することで、検出効率を向上させる。
• . MLME原理を量子過程推定へと拡張し、不完全な過程トモグラフィーのデータから一意で物理的に意味のある推定器を得る。

実験結果

リサーチクエスチョン

• RQ1 . 測定データが情報的に不完全な場合に、量子状態推定をどのようにしてより効率的かつロバストにできるか。
• RQ2 . 不完全データ下での量子状態推定器選択において、尤度とエントロピーの最適なトレードオフは何か。
• RQ3 . MLME推定器は、ハージド最尤（HML）推定器と比較して、バイアスおよび正確性の観点でどのように異なるか。
• RQ4 . 一般的な手法と比較して、適応的見出し基底測定はエンタングルメント検出の効率を向上させ得るか。
• RQ5 . 最尤および最大エントロピーの原則を、不完全なデータ下での量子過程推定へとどのように拡張できるか。

主な発見

• . 共役勾配法は、量子状態推定において勾配降下法よりも収束速度と計算効率が著しく優れている。
• . モンテカルロシミュレーションによる検証により、MLME推定器は不完全データ下で常に尤もらしく、バイアスが最小限の状態推定を一貫して得る。
• . HML推定器は、標準的な最尤推定と比較して、ノイズおよびモデル不適合に対するロバスト性が向上している。
• . 見出し基底の適応的測定と組み合わせた状態推定により、測定データを完全に活用することでエンタングルメント検出率が向上し、期待値のみを用いる戦略を上回る。
• . 不完全な過程トモグラフィーのデータからでも、MLME手法による量子過程推定は一意で物理的に意味のある推定器をもたらす。
• . 数値的シミュレーションにより、MLME手法がさまざまなノイズレベルおよびデータスパarsity領域においても高い忠実度と安定性を維持することが確認された。