[论文解读] Quantum Learnability is Arbitrarily Distillable

Joe H. Jenne, David R. M. Arvidsson-Shukur|arXiv (Cornell University)|Apr 19, 2021

Quantum Computing Algorithms and Architecture参考文献 2被引用 4

一句话总结

该论文表明，量子负性使得在量子学习中能够对多个参数的费舍尔信息实现无界、无损的浓缩，允许将任意多的输入态压缩为单一输出态而不会造成信息损失。关键成果是一个后选择协议，该协议在集中信息的同时保持了量子费舍尔信息，利用非经典准概率分布实现了超越经典极限的任意高信息浓缩。

ABSTRACT

Quantum learning (in metrology and machine learning) involves estimating unknown parameters from measurements of quantum states. The quantum Fisher information matrix can bound the average amount of information learnt about the unknown parameters per experimental trial. In several scenarios, it is advantageous to concentrate information in as few states as possible. Here, we present two "go-go" theorems proving that negativity, a narrower nonclassicality concept than noncommutation, enables unbounded and lossless distillation of Fisher information about multiple parameters in quantum learning.

研究动机与目标

• 将后选择量子计量学从单参数估计推广至多参数学习，涵盖多个未知数。
• 识别在量子学习协议中实现无界信息浓缩的非经典资源。
• 确立负性而非非对易性，是信息浓缩的根本资源。
• 设计一种无损协议，将大量量子态的信息浓缩为少数态，最大限度减少实验开销。
• 提供一个理论框架，将准概率分布、量子费舍尔信息与实验成本降低联系起来。

提出的方法

• 通过后选择强度的微扰展开，推导出后选择量子费舍尔信息矩阵的一般公式。
• 引入Kirkwood-Dirac准概率分布，以表征费舍尔信息条目在经典与非经典边界之间的差异。
• 采用具有可调参数 t 的受控后选择协议，以调节后选择态中的有效信息含量。
• 证明后选择费舍尔信息随 1/t² 缩放，从而在 t 较大时实现无界浓缩。
• 表明几何量子性（Uhlmann曲率）在后选择下保持不变，证实了非经典结构的鲁棒性。
• 确立负的准概率分布可使费舍尔信息条目超出经典边界，实现非经典增强。

实验结果

研究问题

• RQ1 能否在不损失信息的前提下，将多个未知参数的量子信息从大量输入态浓缩为单一输出态？
• RQ2 何种非经典资源使多参数量子学习中的费舍尔信息实现无界浓缩？
• RQ3 准概率分布中的负性如何影响量子费舍尔信息的边界？
• RQ4 后选择协议能否在降低实验成本的同时保持信息完整性？
• RQ5 在信息浓缩型后选择操作下，态的几何量子性是否保持不变？

主要发现

• 后选择量子费舍尔信息矩阵相对于原始值按 1/t² 缩放，从而在 t 较大时实现无界信息浓缩。
• Kirkwood-Dirac准概率分布中的负条目使费舍尔信息条目超出经典边界，实现非经典增强。
• 该协议为无损：信息浓缩过程中无信息浪费，完整保留了量子费舍尔信息内容。
• 几何量子性度量在后选择下保持恒定，表明非经典结构的稳定性。
• 该方法普遍适用于多参数估计，克服了先前协议需预先知晓除一个以外所有参数的局限性。
• 结果表明，负性是量子学习中信息浓缩的充分且可任意强大的资源。