Skip to main content
QUICK REVIEW

[论文解读] Quantum steering in a star network

Guangming Jiang, Xiaohua Wu|arXiv (Cornell University)|Oct 4, 2022
Quantum Information and Cryptography被引用 4
一句话总结

本文提出了一种在中心可信、边缘节点不可信的星型网络中实现量子导引的框架,将n局部隐态(n-LHS)模型定义为n局部隐变量模型的特例。提出了三种判据——非线性与线性导引不等式,以及贝尔不等式——以验证网络导引,证明即使在可信中心节点执行固定测量的情况下,仍可检测到导引,且对GHZ型态的不等式违反程度可达(√2)^n倍。

ABSTRACT

In this work, we will consider the star network scenario where the central party is trusted while all the edge parties (with a number of $n$) are untrusted. Network steering is defined with an $n$ local hidden state model which can be viewed as a special kind of $n$ local hidden variable model. Two different types of sufficient criteria, nonlinear steering inequality and linear steering inequality will be constructed to verify the quantum steering in a star network. Based on the linear steering inequality, how to detect the network steering with a fixed measurement will be discussed.

研究动机与目标

  • 为可信中心节点与不可信边缘节点构成的星型网络定义量子导引。
  • 将n局部隐态(n-LHS)模型引入为网络导引中n局部隐变量模型的特例。
  • 提出三种充分判据——非线性、线性及贝尔型不等式——以验证网络中的量子导引。
  • 证明即使可信中心节点执行固定测量,网络导引仍可被检测。
  • 将现有导引不等式推广至星型网络场景,消除对互公平测量等约束条件的依赖。

提出的方法

  • 通过n-LHS模型形式化网络导引,其中中心节点的态受边缘节点测量影响,且中心节点被信任。
  • 推导出适用于两比特系统的非线性导引不等式(式35),推广了先前工作,并放宽了对可信节点需执行互公平测量的要求。
  • 构建线性导引不等式(式57),使其在可信节点执行固定测量时仍能检测到导引。
  • 基于多体关联构造贝尔型不等式(式60),使用定义在中心节点与边缘节点可观测量上的算符。
  • 采用GHZ型态|Ψ⟩ = ⊗_{μ=1}^n |Φ⁺⟩^{(μ)}作为测试态,每个源共享一个最大纠缠的贝尔态。
  • 定义边缘节点的测量设置(式37)与中心节点的固定算符(式73),实现关联期望的解析计算。

实验结果

研究问题

  • RQ1在中心节点可信、边缘节点不可信的星型网络中,能否验证量子导引?
  • RQ2当可信中心节点执行固定测量时,是否仍可检测网络导引?
  • RQ3非线性导引不等式能否在不依赖可信节点执行互公平测量的前提下推导得出?
  • RQ4三种判据——非线性、线性和贝尔不等式——在检测网络导引方面有何异同?
  • RQ5n-LHS模型能否被视为网络非局域性中n-LHV模型的特例?

主要发现

  • 即使可信中心节点执行固定测量,仍可通过线性导引不等式检测到网络导引,证明该判据具有鲁棒性。
  • 非线性导引不等式(式35)推广了先前工作,且不再要求可信节点执行互公平测量。
  • 对于包含n个最大纠缠贝尔对的GHZ型态,贝尔不等式(式60)的违反程度达到(√2)^n倍,证实了真实的网络非局域性。
  • 线性导引不等式(式57)可在固定测量设置下实现导引检测,表明其在实验实现中的可行性。
  • 正式证明了n-LHS模型是n-LHV模型的特例,将网络导引与更广泛的网络非局域性框架联系起来。
  • 贝尔不等式的违反程度可达2^n × (√2)^n(n个参与方),表明随着网络规模增大,非局域性不断增强。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。