ความแตกต่างระหว่างควอนตัมฯ


11

เมื่อพิจารณาถึงสถานะควอนตัมได้รับการสุ่มเลือกอย่างสุ่มจากกลุ่มของรัฐผสมความน่าจะเป็นเฉลี่ยสูงสุดของการระบุอย่างถูกต้องคืออะไร? N ρ 1 . . ρ N AρANρ1...ρNA

ปัญหานี้อาจจะกลายเป็นปัญหา distinguishability สองรัฐโดยพิจารณาปัญหาของการแยกความแตกต่างจากA}ρ B = 1ρAρB=1N1iAρi

ฉันรู้ว่าสถานะควอนตัมสองสถานะปัญหามีวิธีแก้ปัญหาที่ดีในแง่ของระยะทางติดตามระหว่างรัฐเมื่อคุณลดความน่าจะเป็นข้อผิดพลาดสูงสุดให้น้อยที่สุดแทนที่จะลดความน่าจะเป็นเฉลี่ยของข้อผิดพลาดให้น้อยที่สุดและฉันหวังว่า กรณีนี้. แน่นอนว่ามันเป็นไปได้ที่จะเขียนความน่าจะเป็นในแง่ของการเพิ่มประสิทธิภาพมากกว่า POVMs แต่ฉันหวังว่าจะได้สิ่งที่การเพิ่มประสิทธิภาพได้ดำเนินการไปแล้ว

ฉันรู้ว่ามีวรรณคดีขนาดใหญ่เกี่ยวกับความแตกต่างของสถานะควอนตัมและฉันได้อ่านบทความจำนวนมากในช่วงไม่กี่วันที่ผ่านมาพยายามค้นหาคำตอบสำหรับคำถามนี้ แต่ฉันมีปัญหาในการหาคำตอบนี้ รูปแบบเฉพาะของปัญหา ฉันหวังว่าใครบางคนที่รู้ว่าวรรณคดีที่ดีกว่าสามารถช่วยฉันได้บ้าง

พูดอย่างเคร่งครัดฉันไม่ต้องการความน่าจะเป็นแน่นอนขอบเขตบนที่ดีจะทำ อย่างไรก็ตามความแตกต่างระหว่างรัฐใดรัฐหนึ่งและรัฐที่มีการผสมกันมากที่สุดนั้นค่อนข้างเล็กดังนั้นขอบเขตจะต้องมีประโยชน์ในขีด จำกัด นั้น


1
เนื่องจากความน่าจะเป็นของคำตอบที่ถูกต้องคือค่าสูงสุดของโปรแกรม semidefinite มันมักจะมีประโยชน์ในการพิจารณาคู่เพื่อให้ได้ขอบเขตสูงสุด
Tsuyoshi Ito

@TsuyoshiIto: จริง ๆ แล้ว แต่ฉันเดาว่าปัญหานี้ได้รับการศึกษามาอย่างดีและอาจมีผลกระป๋อง
Joe Fitzsimons

1
คุณรู้หรือไม่ว่าคำถามที่คล้ายคลึงกันสำหรับการแจกแจงความน่าจะเป็นแบบคลาสสิกมีคำตอบที่ดีหรือไม่? ผลลัพธ์ "ระยะทางติดตาม" ที่คุณพูดถึงคือการใช้ "ระยะทางสถิติ" (aka "ระยะทางรวมทั้งหมด") สำหรับการแจกแจงแบบดั้งเดิม [ในกรณีคลาสสิกกลยุทธ์ทางธรรมชาติคือการเลือกการกระจายที่มีแนวโน้มมากที่สุดที่จะสร้างผลลัพธ์เฉพาะ คุณสามารถเขียนแบบฟอร์มปิดสำหรับความน่าจะเป็นที่ประสบความสำเร็จแม้ว่าฉันจะไม่รู้ว่ามันสามารถแสดงในรูปของปริมาณง่าย ๆ (เช่นระยะห่างเฉลี่ยระหว่างการแจกแจง)]
Adam Smith

1
@ AdamSmith: ดูเหมือนว่าคลาสสิกคุณสามารถชั่งน้ำหนักการแจกแจงแต่ละครั้งโดยความน่าจะเป็นที่จะเกิดขึ้นจากนั้นเลือกอันที่น่าจะให้ผลลัพธ์ที่คุณสังเกตได้มากที่สุด
Joe Fitzsimons

คำตอบ:


10

ดังที่คุณกล่าวถึงเป็นไปได้ที่จะกำหนดความน่าจะเป็นค่าเฉลี่ยความสำเร็จที่เหมาะสมซึ่งสามารถทำได้อย่างมีประสิทธิภาพผ่านการเขียนโปรแกรมแบบกึ่งไร้ขีด จำกัด(ดูตัวอย่างเช่นบทความนี้โดย Eldar, Megretski และ Verghese หรือบันทึกการบรรยายเหล่านี้โดย John Watrous) ที่รู้จักกัน

อย่างไรก็ตามมีขอบเขตบนและล่างที่รู้จักกันหลายประการเกี่ยวกับความน่าจะเป็นของข้อผิดพลาด (เช่น 1 ลบความน่าจะเป็นความสำเร็จเฉลี่ย) ในแง่ของการ fidelities คู่น่าจะเป็นของข้อผิดพลาดในการตั้งค่าของคุณเป็นที่รู้จักกันจะถูกล้อมรอบที่ต่ำกว่าโดยและล้อมรอบบนโดย{1/2}21ยังไม่มีข้อความ2Σผม>JF(ρผม,ρJ)2ยังไม่มีข้อความΣผม>JF(ρผม,ρJ)1/2

นอกจากนี้ยังมีขอบเขตล่างที่รู้จักกันในแง่ของระยะทางติดตาม:ซึ่งจะช่วยลดการที่แน่นอน Helstrom ผูกพันในกรณีที่ 2 ดูบทความนี้เพื่อเปรียบเทียบสิ่งเหล่านี้และขอบเขตอื่น ๆ ด้วย โปรดทราบว่าขอบเขตทั้งหมดเหล่านี้มีไว้ในการตั้งค่าตัวพิมพ์เล็กโดยเฉลี่ยซึ่งมีการกระจายความน่าจะเป็นก่อนหน้านี้ในรัฐN=212(1-1ยังไม่มีข้อความ(ยังไม่มีข้อความ-1)Σผม>Jเสื้อR|ρผม-ρJ|)ยังไม่มีข้อความ=2


เยี่ยมมากขอบคุณแอชลีย์ ขอบเขตล่างของความน่าจะเป็นข้อผิดพลาดในแง่ของระยะการติดตามนั้นค่อนข้างตรงตามที่ฉันต้องการ ที่จริงแล้วแผนการสำรองข้อมูลของฉันทำให้ฉันไม่สามารถรับคำตอบที่ดีได้ที่นี่จะส่งอีเมลถึงคุณเนื่องจากฉันรู้ว่าคุณได้ทำสิ่งนี้แล้ว
Joe Fitzsimons

มีข้อ จำกัด ใด ๆ ที่ทำงานได้ดีในขีด จำกัด ของความน่าจะเป็นของข้อผิดพลาดที่ใกล้เคียงกับ 1 หรือไม่ ระยะการติดตามหนึ่งดูเหมือนว่าจะสูงสุดที่ 1/2 ตอนนี้ฉันกำลังลองความซื่อสัตย์อยู่ แต่ฉันไม่คิดว่าฉันจะสามารถคำนวณความเที่ยงตรงในปัญหาที่ฉันกำลังทำอยู่ได้และขอบเขตที่คุณให้นั้นดูเหมือนจะละเอียดอ่อนมากต่อข้อผิดพลาดเพิ่มเติม
Joe Fitzsimons

ที่จริงแล้วขอบเขตความน่าเชื่อถือที่ต่ำกว่าก็ดูเหมือนว่าจะสูงสุดที่ 1/2 ฉันหวังว่าบางสิ่งบางอย่างแข็งแกร่งตั้งแต่ฉันต้องการที่จะพิสูจน์ความน่าจะเป็นของความผิดพลาดเป็นสิ่งที่ต้องการสำหรับขนาดเล็กมาก\ϵ1-εε
Joe Fitzsimons
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.