[論文レビュー] Quantum state tomography: Mean squared error matters, bias does not

Jiangwei Shang, Hui Khoon Ng+1 more|arXiv (Cornell University)|May 21, 2014

Reservoir Engineering and Simulation Methods被引用数 7

ひとこと要約

この論文は、量子状態トモグラフィーにおいて、バイアスを排除することよりも平均二乗誤差（MSE）を最小化することが重要であると主張し、線形逆行列（LIN）がその非バイアス性ゆえに優れているという主張に挑戦する。LINはゼロバイアスの推定器を生成するが、負の固有値を持つ物理的に不成立な状態を生成し、深刻な実用的問題を引き起こす。本研究では、最大尤度推定（MLE）が物理的整合性を保ちつつ、MSE性能を同等または上回ることを示しており、内在的なバイアスがあるにもかかわらず、実用的・信頼性面でははるかに優れていることが明らかになった。

ABSTRACT

Because of the constraint that the estimators be bona fide physical states, any quantum state tomography scheme - including the widely used maximum likelihood estimation - yields estimators that may have a bias, although they are consistent estimators. Schwemmer et al. (arXiv:1310.8465 [quant-ph]) illustrate this by observing a systematic underestimation of the fidelity and an overestimation of entanglement in estimators obtained from simulated data. Further, these authors argue that the simple method of linear inversion overcomes this (perceived) problem of bias, and there is the suggestion to abandon time-tested estimation procedures in favor of linear inversion. Here, we discuss the pros and cons of using biased and unbiased estimators for quantum state tomography. We conclude that the little occasional benefit from the unbiased linear-inversion estimation does not justify the high price of using unphysical estimators, which are typically the case in that scheme.

研究の動機と目的

• 線形逆行列（LIN）が非バイアス性ゆえに優れているという主張に反論すること。
• バイアスのある物理的状態推定器（例：MLE）と非バイアスだが物理的に不成立な推定器（例：LIN）の間の推定精度という観点でのトレードオフを評価すること。
• 量子状態トモグラフィーにおける推定器の品質を評価する際の主要な指標はバイアスではなく、平均二乗誤差（MSE）であることを示すこと。
• LINが生成する物理的に不成立な推定器（例：負の固有値、物理的に不成立なfidelity値）に起因する実用的欠陥を強調すること。
• 物理的整合性を持つ推定器（例：MLE）を、バイアスがあるにせよ継続的に使用すべきであるという主張をすること。これは、全体的な性能と信頼性に優れるからである。

提案手法

• シミュレートされた測定データを用いて、線形逆行列（LIN）、最大尤度推定（MLE）、フリー最小二乗法（FLS）という3つの推定手法を比較する。
• 500回の繰り返しを含むモンテカルロシミュレーションを実施し、さまざまな量子状態において、バイアス、分散、平均二乗誤差（MSE）を各推定器について計算する。
• 真のfidelity $ F(\rho_{\textsc{t}}, \hat{\rho}) $ と推定fidelityの差を評価する指標として、目標fidelity $ F_0 $ を用い、バイアスを $ F_0 $ からの逸脱として計算する。
• 推定器の物理的整合性を検証するため、$ \hat{\rho} $ に負の固有値が存在するかを確認する。これは、状態が有効な密度演算子でないことを示す。
• MSEをバイアスの二乗と分散の和として定量化し、LINは低バイアスだが高分散であるため、MSEはMLEと同等またはそれ以上であることが示された。
• LINに対する事後の補正（例：fidelity値を[0,1]にクリッピング）は再びバイアスを生じさせ、LINの主な利点を損なう。

実験結果

リサーチクエスチョン

• RQ1 線形逆行列（LIN）の非バイアス性が、バイアスがあるが物理的整合性を持つ推定器（例：MLE）よりも、量子状態トモグラフィーにおいて優れた推定器であると見なせるか？
• RQ2 LINの低バイアスが、平均二乗誤差（MSE）という指標で測定した場合、推定精度の有意な向上に繋がるか？
• RQ3 LINが生成する負の固有値を持つ物理的に不成立な推定器の実用的影響とは何か？
• RQ4 物理的整合性が必須である場合、MLEとLINのMSE性能はどのように比較されるか？
• RQ5 LIN や MLE を用いた完全な状態再構成よりも、直接的にパrameter（例：fidelity）をデータから推定する方法は、性能が優れているか？

主な発見

• 線形逆行列（LIN）は、シミュレーション結果により、真の値 $ F_0 $ に近い平均fidelityを示すなど、構成上ゼロバイアスの推定器を生成する。
• ゼロバイアスであるにもかかわらず、すべてのテストケースで負の固有値を持つ物理的に不成立な状態を生成し、量子状態として無効である。
• すべてのテスト状態において、LINの分散はMLEと同等またはそれ以上であり、その結果、MSEはMLEと同等またはそれ以上である。
• 真のfidelityが0.8であるランダムに選ばれたターゲット状態に対して、LINのMSEはMLEよりわずかに小さいが、物理的整合性の喪失を補うに足るほどの利点ではない。
• LINに対する事後の補正（例：fidelity値を[0,1]にクリッピング）は再びバイアスを生じさせ、推定器の主な利点を損なう。
• 最大尤度推定（MLE）は、LINと同等のMSE性能を達成しながら、物理的整合性を保証しており、実用的・信頼性面でははるかに優れた選択肢である。