[论文解读] Estimation of low rank density matrices: bounds in Schatten norms and other distances

Dong Xia, Vladimir Koltchinskii|arXiv (Cornell University)|Apr 15, 2016

Quantum Information and Cryptography参考文献 24被引用 3

一句话总结

该论文提出了一种基于随机测量的迹回归方法，用于低秩量子密度矩阵的最小距离估计。研究证明，该估计器在施加特 p-范数、Bures-Hellinger 距离和量子相对熵距离下，达到几乎最优的极小极大率（对数因子内），并通过将特征值投影到单纯形上的方法实现高效计算。

ABSTRACT

Let ${\mathcal S}_m$ be the set of all $m imes m$ density matrices (Hermitian positively semi-definite matrices of unit trace). Consider a problem of estimation of an unknown density matrix $ρ\in {\mathcal S}_m$ based on outcomes of $n$ measurements of observables $X_1,\dots, X_n\in {\mathbb H}_m$ (${\mathbb H}_m$ being the space of $m imes m$ Hermitian matrices) for a quantum system identically prepared $n$ times in state $ρ.$ Outcomes $Y_1,\dots, Y_n$ of such measurements could be described by a trace regression model in which ${\mathbb E}_ρ(Y_j|X_j)={ m tr}(ρX_j), j=1,\dots, n.$ The design variables $X_1,\dots, X_n$ are often sampled at random from the uniform distribution in an orthonormal basis $\{E_1,\dots, E_{m^2}\}$ of ${\mathbb H}_m$ (such as Pauli basis). The goal is to estimate the unknown density matrix $ρ$ based on the data $(X_1,Y_1), \dots, (X_n,Y_n).$ Let $$ \hat Z:=\frac{m^2}{n}\sum_{j=1}^n Y_j X_j $$ and let $\check ρ$ be the projection of $\hat Z$ onto the convex set ${\mathcal S}_m$ of density matrices. It is shown that for estimator $\check ρ$ the minimax lower bounds in classes of low rank density matrices (established earlier) are attained up logarithmic factors for all Schatten $p$-norm distances, $p\in [1,\infty]$ and for Bures version of quantum Hellinger distance. Moreover, for a slightly modified version of estimator $\check ρ$ the same property holds also for quantum relative entropy (Kullback-Leibler) distance between density matrices.

研究动机与目标

• 解决在量子态层析成像中，从噪声和随机采样的测量中估计低秩量子密度矩阵的问题。
• 弥合现有上界与各种量子距离度量下估计误差的极小极大下界之间的差距。
• 为高维量子系统中计算高效的估计器提供理论保证。
• 将最优性结果扩展至希尔伯特-施密特（Frobenius）范数之外，涵盖施加特 p-范数、Bures-Hellinger 距离和量子相对熵距离。

提出的方法

• 将量子态层析成像问题建模为迹回归模型：$ Y_j = \langle \rho, X_j \rangle + \xi_j $，其中 $ X_j $ 为随机厄米特可观测量，$ Y_j $ 为测量结果。
• 构造最小距离估计器 $ \hat{Z} = \frac{m^2}{n} \sum_{j=1}^n Y_j X_j $，随后将其投影 $ \check{\rho} = \pi_{\mathcal{S}_m}(\hat{Z}) $ 到密度矩阵集合上。
• 利用 $ \hat{Z} $ 的特征分解，并将其特征值投影到概率单纯形 $ \Delta_m $ 上以计算 $ \check{\rho} $，确保其半正定性与迹为1。
• 借助矩阵集中不等式和 Weyl 的扰动定理，对估计误差的算子范数与施加特范数进行有界。
• 通过酉不变性，建立矩阵投影与特征值投影到单纯形之间等价性的证明。
• 通过调整投影步骤，分析修正后的估计器在量子相对熵距离下的表现，实现对数因子内的极小极大最优性。

实验结果

研究问题

• RQ1 一个计算简单的估计器是否能在低秩密度矩阵估计中实现施加特 p-范数下的极小极大最优率？
• RQ2 低秩密度矩阵的极小极大下界在施加特 p-范数和量子散度下在多大程度上仍然成立？
• RQ3 最小距离估计器 $ \check{\rho} $ 是否在 Bures-Hellinger 距离和量子相对熵距离下达到极小极大率（对数因子内）？
• RQ4 在高维设置下，最小距离估计器的计算复杂度与矩阵 LASSO 或 SVT 等迭代方法相比如何？
• RQ5 能否通过将特征值投影到单纯形上，高效计算密度矩阵估计器，同时保持统计最优性？

主要发现

• 最小距离估计器 $ \check{\rho} = \pi_{\mathcal{S}_m}(\hat{Z}) $ 在所有施加特 $ p $-范数（$ p \in [1, \infty] $）下，达到对数因子内的极小极大最优率。
• 该估计器在量子 Hellinger 距离的 Bures 形式下，达到对数因子内的极小极大下界。
• 对 $ \check{\rho} $ 略作修改后，可在量子相对熵（Kullback-Leibler）距离下实现对数因子内的极小极大最优性。
• 估计器 $ \check{\rho} $ 的计算复杂度为 $ O((n + m)m^2) $，主要由特征分解与单纯形投影决定，显著快于 SVT 等迭代求解器。
• 对 $ \hat{Z} $ 的特征值进行单纯形 $ \Delta_m $ 上的投影，可得到最优密度矩阵估计器，其显式解的复杂度为 $ O(m) $。
• 该估计器对从正交基（如泡利基）中随机采样的设计矩阵具有鲁棒性，这在量子层析成像实验中十分常见。