[論文レビュー] Quantum Learnability is Arbitrarily Distillable

Joe H. Jenne, David R. M. Arvidsson-Shukur|arXiv (Cornell University)|Apr 19, 2021

Quantum Computing Algorithms and Architecture参考文献 2被引用数 4

ひとこと要約

本論文は、量子ネガティビティが量子学習における複数パラメータにわたるフィッシャー情報の無限大かつ損失のない精錬を可能にすることを示している。これにより、情報損失なしに任意に多くの入力状態を1つの出力状態に圧縮できる。主な結果は、非古典的擬確率を活用して、古典的限界を超えて任意に高い情報濃縮を達成する、後選択プロトコルである。

ABSTRACT

Quantum learning (in metrology and machine learning) involves estimating unknown parameters from measurements of quantum states. The quantum Fisher information matrix can bound the average amount of information learnt about the unknown parameters per experimental trial. In several scenarios, it is advantageous to concentrate information in as few states as possible. Here, we present two "go-go" theorems proving that negativity, a narrower nonclassicality concept than noncommutation, enables unbounded and lossless distillation of Fisher information about multiple parameters in quantum learning.

研究の動機と目的

• 単一パラメータ推定を超えて、複数の未知パラメータを含む多パラメータ学習への後選択量子メトロロジーの一般化を図ること。
• 量子学習プロトコルにおける無限大の情報濃縮を可能にする非古典的資源を同定すること。
• 非可換性ではなく、ネガティビティが情報精錬の根本的資源であることを確立すること。
• 多数の量子状態から少数の状態に情報を集中させる損失のないプロトコルを設計することにより、実験的オーバーヘッドを最小限に抑えること。
• 擬確率分布、量子フィッシャー情報、実験的コスト削減を結びつける理論的枠組みを提供すること。

提案手法

• 後選択強度の摂動展開を用いて、後選択量子フィッシャー情報行列の一般式を導出する。
• フィッシャー情報の古典的・非古典的限界を特徴付けるために、キルクワッド＝ディラック擬確率分布を導入する。
• 有効な情報含量をスケーリングできる調整可能なパラメータ t を持つ制御された後選択プロトコルを用いる。
• 後選択フィッシャー情報が 1/t² のスケーリングに従うことを示し、大きな t に対して無限大の濃縮が可能になることを示す。
• 幾何学的量子性（ウルマン曲率）が後選択に対して不変であることを示し、非古典的構造の堅牢性を確認する。
• 負の擬確率が、古典的限界を超える異常なフィッシャー情報の項を可能にすることを確立する。

実験結果

リサーチクエスチョン

• RQ1 複数の未知パラメータに関する量子情報が、損失なしに多数の入力状態から1つの出力状態に精錬可能か？
• RQ2 多パラメータ量子学習におけるフィッシャー情報の無限大精錬を可能にする非古典的資源は何か？
• RQ3 擬確率分布におけるネガティビティの存在が、量子フィッシャー情報の限界にどのように影響するか？
• RQ4 後選択プロトコルは、量子メトロロジーにおける実験的コスト削減を図りながら情報の整合性を維持できるか？
• RQ5 情報精錬を伴う後選択操作において、状態の幾何学的量子性は保存されるか？

主な発見

• 後選択量子フィッシャー情報行列は、元の値に対して 1/t² のスケーリングに従い、大きな t に対して無限大の情報濃縮が可能になる。
• キルクワッド＝ディラック擬確率分布における負の項が、フィッシャー情報の項が古典的限界を超えるのを可能にし、非古典的増幅を実現する。
• プロトコルは損失がない：精錬過程で情報が無駄にされず、完全に量子フィッシャー情報内容が保持される。
• 幾何学的量子性の測度は後選択に対して一定のままであり、非古典的構造の安定性を示している。
• 本手法は多パラメータ推定に一般に適用可能であり、従来のプロトコルが残り1つのパラメータを除きすべてのパラメータを事前に知る必要があるという制限を克服する。
• 結果から、ネガティビティが量子学習における情報精錬の十分かつ任意に強力な資源であることが示された。