[论文解读] Heralded Polynomial-Time Quantum State Tomography

Steven T. Flammia, David Groß+2 more|arXiv (Cornell University)|Feb 22, 2010

Electronic and Structural Properties of Oxides被引用 5

一句话总结

该论文提出了一种受 heralded 启发的多项式时间量子态层析成像算法（H-MPS），能够从局部测量中高效重构矩阵乘积态（MPS）形式的量子态，并在无需先验假设的前提下提供严格的保真度界限。该方法通过数据驱动的误差界限实现成功认证，为一维量子系统提供了具有指数级加速优势的可靠层析成像。

ABSTRACT

We describe an algorithm for quantum state tomography that converges in polynomial time to an estimate, together with a rigorous error bound on the fidelity between the estimate and the true state. The result suggests that state tomography on large quantum systems may be much more feasible than the exponential size of state space suggests. In many situations, the correctness of the state estimate can be certified from the data alone, with no a priori assumptions on the form of the measured state.

研究动机与目标

• 解决大规模系统下标准量子态层析成像的指数级经典复杂度问题。
• 开发一种协议，能够从多项式规模参数空间（如矩阵乘积态，MPS）中高效识别并重构量子态。
• 提供一种基于实验数据的认证机制，验证重构结果的准确性，而无需依赖对真实态结构的先验假设。
• 将量子态层析成像的可行性扩展到自然由少数参数描述的现实物理系统中。
• 证明 MPS 态可以被高效学习，从而解决 Aaronson（2007）提出的一个开放问题。

提出的方法

• 该算法通过测量大小为 2k 的小块连续 qudit，获得经验估计 σ_j，并满足迹范数误差界限 ||ρ_j - σ_j||_tr ≤ ε_j。
• 随后，这些局部估计由 H-MPS 算法处理，该算法尝试重构一个与所有局部数据一致的全局纯 MPS |Ψ⟩。
• 算法检查重叠块之间的数据一致性，并利用局部密度矩阵的奇异值分解所导出的间隙估计，计算保真度界限 F(|Ψ⟩, ρ) ≥ √(1 - τ)。
• 该方法基于通过局部操作区分正交态的证书机制，实现对重构结果的验证，而无需假设真实态是 MPS。
• 对于混合态，该方法通过利用约化密度矩阵的结构和一个温和的可逆性条件，推广至有限相关态（FCS）。
• 该算法避免了变分优化或迭代拟合，直接从数据中计算出有效的 MPS 或 PEPS 表示。

实验结果

研究问题

• RQ1 对于可由矩阵乘积态良好近似的态，是否可以在多项式时间内完成量子态层析成像？
• RQ2 是否可以仅从实验数据中认证重构的成功，而无需假设真实态属于假设态类？
• RQ3 是否能够从局部测量中高效学习 MPS 的参数，同时提供对真实态保真度的严格界限？
• RQ4 该算法如何扩展至混合态和高维系统？
• RQ5 该框架能否适配于具有关联性的通道的量子过程层析成像？

主要发现

• H-MPS 算法在 qudit 数量 n 上为多项式时间复杂度，无论在测量资源还是经典后处理方面均如此。
• 该算法输出一个有效的 MPS 估计 |Ψ⟩ 及其严格保真度界限 F(|Ψ⟩, ρ) ≥ √(1 - τ)，或在不存在此类态时输出失败标志。
• 保真度界限基于局部密度矩阵的谱间隙推导得出，且在局部估计在迹范数内误差不超过 ε_j 的假设下可被严格证明。
• 该方法可仅通过局部操作认证纯态（如 GHZ 态和 W 态）的重构，即使真实态嵌入在高维空间中亦可实现。
• 对于混合态，该方法通过类似的基于间隙的估计，提供了对有限相关态（FCS）的忠实表示，尽管解释更为复杂。
• 该框架通过 Choi-Jamiolkowski 对偶性推广至量子过程层析成像，实现了对具有记忆特性的相关通道的高效学习。