[论文解读] Precision Bounds on Continuous-Variable State Tomography using Classical Shadows

Srilekha Gandhari, Victor V. Albert+3 more|arXiv (Cornell University)|Nov 9, 2022

Quantum Information and Cryptography被引用 5

一句话总结

该论文将连续变量量子态层析成像协议——本振检测、异步检测、光子数分辨（PNR）检测及光子偶极检测——重新表述于经典阴影框架中，推导出对测量资源精度的严格界限。结果表明，对于N光子态，本振检测需要𝒪(N⁴⁺¹ᐟ³)次测量，PNR/光子偶极检测需要𝒪(N⁴)次测量（忽略对数因子），数值与实验数据表明其实际缩放优于理论界限。

ABSTRACT

Shadow tomography is a framework for constructing succinct descriptions of quantum states using randomized measurement bases, called classical shadows, with powerful methods to bound the estimators used. We recast existing experimental protocols for continuous-variable quantum state tomography in the classical-shadow framework, obtaining rigorous bounds on the number of independent measurements needed for estimating density matrices from these protocols. We analyze the efficiency of homodyne, heterodyne, photon number resolving (PNR), and photon-parity protocols. To reach a desired precision on the classical shadow of an $N$-photon density matrix with a high probability, we show that homodyne detection requires an order $\mathcal{O}(N^{4+1/3})$ measurements in the worst case, whereas PNR and photon-parity detection require $\mathcal{O}(N^4)$ measurements in the worst case (both up to logarithmic corrections). We benchmark these results against numerical simulation as well as experimental data from optical homodyne experiments. We find that numerical and experimental homodyne tomography significantly outperforms our bounds, exhibiting a more typical scaling of the number of measurements that is close to linear in $N$. We extend our single-mode results to an efficient construction of multimode shadows based on local measurements.

研究动机与目标

• 建立使用经典阴影进行连续变量（CV）量子态层析成像时，实现精确重建所需测量次数的严格、有限样本界限。
• 将经典阴影框架——此前仅适用于有限维离散变量系统——推广至无限维连续变量系统，且不依赖于态设计或SIC-POVM。
• 分析现有实验性连续变量层析成像协议（本振检测、异步检测、PNR检测及光子偶极检测）的样本复杂度。
• 将理论界限与数值模拟及2010年真实本振检测实验数据进行对比，揭示其在缩放行为上存在差异。
• 通过局域测量将单模阴影构造推广至多模系统，同时保持与系统规模的多项式缩放关系。

提出的方法

• 通过将密度矩阵表示为随机测量基（如位移 Fock 态、模式函数）的形式，将本振检测、PNR 及光子偶极检测协议重新表述为经典阴影层析成像。
• 应用经典阴影框架，利用三角不等式与算子范数界限，推导出阴影范数与估计器方差的界限。
• 利用引理 II.1 中的界限，将估计误差与样本复杂度关联，其中样本数 T 按 𝒪(ν²/ε² log(1/δ)) 缩放，目标误差为 ε，失败概率为 δ。
• 通过 T-算子的特征值分解及位移 Fock 基，估计阴影估计器的算子范数与方差。
• 通过分析特征值 λₙ^(r) 的渐近行为及其对 N 与 r 的依赖关系（特别是 r ≠ 0 时出现的 N 的指数增长），推导出样本复杂度界限。
• 通过从局域测量构建局域阴影，将单模结果推广至多模系统，保持与模式数 M 及光子数 N 的多项式缩放关系。

实验结果

研究问题

• RQ1 在经典阴影框架下，重建连续变量量子态所需达到给定精度的最小测量次数是多少？
• RQ2 本振检测的样本复杂度如何随最大光子数 N 变化？该复杂度能否优于最坏情况下的界限？
• RQ3 为何数值模拟与实验本振层析成像结果表现出接近线性的 N 缩放，而理论界限却显示 𝒪(N⁴⁺¹ᐟ³) 缩放？
• RQ4 经典阴影框架能否在不依赖离散变量结构（如态设计或 SIC-POVM）的前提下适配连续变量系统？
• RQ5 在经典阴影框架下，PNR 与光子偶极检测的样本复杂度是多少？与本振检测相比有何差异？

主要发现

• 在经典阴影框架下，本振检测为实现目标精度 ε 且高概率成功，最多需要 𝒪(N⁴⁺¹ᐟ³) 次测量（忽略对数修正）。
• 光子数分辨（PNR）与光子偶极检测协议在最坏情况下需要 𝒪(N⁴) 次测量，与 PNR 阴影估计器的方差与范数界限的缩放一致。
• 数值模拟与光学本振层析成像实验数据表明，其缩放更为有利——接近与 N 的线性关系——与理论最坏情况界限 𝒪(N⁴⁺¹ᐟ³) 形成鲜明对比。
• 理论界限的推导不依赖于离散变量结构（如态设计或 SIC-POVM），因此可直接应用于无限维连续变量系统。
• 多模连续变量态的样本复杂度与模式数 M 及最大光子数 N 均呈多项式缩放，上界范围从 𝒪(N⁴ᴹ) 到 𝒪(N^(6+1/3)ᴹ) 不等，具体取决于协议。
• 对于 PNR 层析成像，当 r ≠ 0 时，由于特征值 λₙ^(r) 的行为，样本复杂度随 N 呈指数增长，导致固定 r ≠ 0 时的界限为 T = 𝒪(N⁴ exp(2N))，其主导项为指数因子。