[论文解读] Efficient quantum tomography

Ryan O’Donnell, John C. Wright|arXiv (Cornell University)|Aug 8, 2015

Quantum Computing Algorithms and Architecture被引用 12

一句话总结

本文提出了一种高效的量子态层析成像协议，仅需 $ O(d/\epsilon) $ 份副本即可以 Frobenius 范数误差 $ \epsilon $ 估计 $ d $ 维混合量子态 $ \rho $，显著优于以往的界限。该方法利用 Schur–Weyl 分布与 RSK 对应关系，实现最优谱估计与主成分分析，对于低秩近似，所需副本数为 $ O(kd/\epsilon^2) $。

ABSTRACT

In the quantum state tomography problem, one wishes to estimate an unknown $d$-dimensional mixed quantum state $ρ$, given few copies. We show that $O(d/ε)$ copies suffice to obtain an estimate $\hatρ$ that satisfies $\|\hatρ - ρ\|_F^2 \leq ε$ (with high probability). An immediate consequence is that $O(\mathrm{rank}(ρ) \cdot d/ε^2) \leq O(d^2/ε^2)$ copies suffice to obtain an $ε$-accurate estimate in the standard trace distance. This improves on the best known prior result of $O(d^3/ε^2)$ copies for full tomography, and even on the best known prior result of $O(d^2\log(d/ε)/ε^2)$ copies for spectrum estimation. Our result is the first to show that nontrivial tomography can be obtained using a number of copies that is just linear in the dimension. Next, we generalize these results to show that one can perform efficient principal component analysis on $ρ$. Our main result is that $O(k d/ε^2)$ copies suffice to output a rank-$k$ approximation $\hatρ$ whose trace distance error is at most $ε$ more than that of the best rank-$k$ approximator to $ρ$. This subsumes our above trace distance tomography result and generalizes it to the case when $ρ$ is not guaranteed to be of low rank. A key part of the proof is the analogous generalization of our spectrum-learning results: we show that the largest $k$ eigenvalues of $ρ$ can be estimated to trace-distance error $ε$ using $O(k^2/ε^2)$ copies. In turn, this result relies on a new coupling theorem concerning the Robinson-Schensted-Knuth algorithm that should be of independent combinatorial interest.

研究动机与目标

• 解决高维系统中量子态层析成像所需副本数最小化的长期开放问题。
• 克服估计 $ d $ 维量子态时的指数缩放瓶颈，尤其针对大 $ d $ 的情形。
• 在完整态层析成像与低秩态的主成分分析（PCA）中，实现最优或近似最优的副本复杂度。
• 提出 RSK 算法的新耦合定理，以实现对特征值估计与态重建的理论保证。
• 证明非平凡的层析成像仅需与维度 $ d $ 呈线性依赖关系，从而弥合了量子信息复杂性中的一个重大空白。

提出的方法

• 基于 Schur–Weyl 分布使用经验杨图（EYD）测量，从 $ n $ 份 $ \rho $ 的副本中提取谱信息。
• 应用 Keyl 的态估计协议，通过最高权向量投影从观测到的杨图重建密度矩阵。
• 利用字符串与标准杨表对之间的 RSK 对应关系，分析观测到的特征值频率分布。
• 证明 RSK 的关键耦合定理，确保在偏置采样下表图形状的单调性，从而实现集中不等式。
• 建立重建态 $ \hat{\rho} $ 的 Frobenius 范数误差的期望上界为 $ (4d-3)/n $，表明 $ O(d/\epsilon^2) $ 份副本足以实现 $ \epsilon $-精度。
• 将框架推广至主成分分析：通过估计前 $ k $ 个特征值并将投影至对应特征子空间，仅需 $ O(kd/\epsilon^2) $ 份副本。

实验结果

研究问题

• RQ1 能否以与维度 $ d $ 呈线性关系的副本复杂度实现量子态层析成像，而非多项式或更高？
• RQ2 估计低秩混合态谱的最优副本数是多少，才能实现高精度？
• RQ3 能否在未知量子态上以 $ d $ 的次二次副本数实现高效的主成分分析？
• RQ4 如何利用 RSK 对应关系推导出量子层析成像中特征值估计的新集中不等式？
• RQ5 量子层析成像所需副本数的最紧下界是什么？上界又能多接近它？

主要发现

• 重建态 $ \hat{\rho} $ 的 Frobenius 范数误差满足 $ \mathbb{E}[\|\hat{\rho} - \rho\|_F^2] \leq (4d-3)/n $，因此 $ O(d/\epsilon^2) $ 份副本足以实现 Frobenius 距离下的 $ \epsilon $-精度。
• 对于秩为 $ r $ 的态，$ O(rd/\epsilon^2) $ 份副本足以在迹距离下实现 $ \epsilon $-精度，优于先前的 $ O(d^3/\epsilon^2) $ 边界。
• 仅需 $ O(k^2/\epsilon^2) $ 份副本即可将 $ \rho $ 的前 $ k $ 个最大特征值估计至迹距离误差 $ \epsilon $，相比先前的 $ O(k^2 \log(k/\epsilon)/\epsilon^2) $ 方法有显著改进。
• 该方法在对数因子范围内达到最优副本复杂度：对于 Frobenius 误差 $ \epsilon_0 $，$ \widetilde{\Omega}(d) $ 份副本是必要的，而本文的 $ O(d/\epsilon^2) $ 边界与之仅相差 $ \log d $ 因子。
• RSK 表图的耦合定理表明，当 $ p > q $ 时，$ p $-偏置字符串 stochastically 支配 $ q $-偏置字符串，从而支持集中与比较论证。
• 该框架可推广至高效 PCA：$ O(kd/\epsilon^2) $ 份副本足以输出一个秩为 $ k $ 的近似态 $ \hat{\rho} $，其迹距离误差至多比最优秩 $ k $ 近似器大 $ \epsilon $。