อะไรเป็นวิธีที่เป็นไปได้ในการมองเห็นภาพรวมที่มีขนาดใหญ่และยุ่งเหยิง?

อะไรคือทัศนวิสัยที่โดดเด่นที่ใช้ในการอธิบายถึงรัฐขนาดใหญ่ที่ยุ่งเหยิงและในบริบทใดที่ใช้กันมากที่สุด?

ข้อดีและข้อเสียของพวกเขาคืออะไร?

ในการตรวจสอบพัวพันของแท้สั่งสูงกราฟต่อไปนี้เป็นตัวแทนของ qudits ยุ่ง

ในคำตอบของ 'Alternative to Bloch sphere เพื่อเป็นตัวแทน qubit เดียว' @Rob การอ้างอิงMajorana การเป็นตัวแทน, qutrit Hilbert space และการใช้ NMR ของประตู qutritซึ่งระบุ

Majorana เป็นตัวแทนของสปิน −$s$ ระบบพบการใช้งานที่แพร่หลายเช่นการกำหนดเฟสเรขาคณิตของสปินซึ่งเป็นตัวแทน $N$ สปินเตอร์โดย $N$ จุด, การเป็นตัวแทนทางเรขาคณิตของรัฐพันกันหลายบิต, สถิติของระบบพลวัตควอนตัมที่วุ่นวายและลักษณะแสงโพลาไรซ์

กระดาษนี้ยังรวมถึงรูปแบบของการเป็นตัวแทนสำหรับ qudits

ฉันเพิ่งถามเกี่ยวกับวิธีการที่จะเป็นตัวแทนของสายตา qubyte ในความคิดเห็นของคำตอบของ @ DaftWullie ฉันเสนอ 8-cube ( กราฟ hypercube ):

สามารถฉาย n-cube ภายในรูปหลายเหลี่ยม 2n-gonal ปกติโดยการฉายภาพมุมฉากแบบเบ้

วิธีนี้ดูเหมือนว่าจะช่วยให้ความซับซ้อนของการพัวพันถูกมองเห็นได้ในแบบที่ปรับขนาดได้

ZX แคลคูลัสเป็นภาษากราฟิกสำหรับจัดการกับแผนที่เชิงเส้นของ qubits และโดยเฉพาะอย่างยิ่งสามารถแสดงสถานะของ qubits ใด ๆ โดยทั่วไป ZX ไดอะแกรมเป็นเครือข่ายเทนเซอร์ แต่มีกฎการเขียนซ้ำเพิ่มเติมที่อนุญาตให้คุณจัดการกับกราฟิกได้ ในหน้า Wikipediaคุณสามารถหาตัวอย่างของวิธีการพิสูจน์ว่าวงจรควอนตัมบางอย่างใช้สถานะ GHZ อย่างแน่นอน มันยังถูกใช้เพื่อให้เหตุผลเกี่ยวกับการคำนวณควอนตัมโดยใช้การวัดเนื่องจากช่วยให้คุณสามารถให้เหตุผลเกี่ยวกับสถานะกราฟได้อย่างตรงไปตรงมา

ในPyZX (ข้อจำกัดความรับผิดชอบ: ฉันเป็นผู้พัฒนานำ) เราใช้การเขียนกราฟอัตโนมัติเพื่อให้เหตุผลและพิสูจน์ผลลัพธ์ด้วย ZX-diagrams ที่เกี่ยวข้องกับจุดยอดนับพันและเราสามารถมองเห็นวงจรและสถานะในหลายสิบ qubits

มุมมองส่วนตัวของฉัน:

ใช่รัฐพันกันยุ่งขนาดใหญ่สามารถมองเห็นได้โดยใช้เครือข่ายควอนตัมเบย์ ดู

• การแยกตัวประกอบของเมทริกซ์ความหนาแน่นควอนตัมตาม Bayesian และ Markov Networks โดย Robert R. Tucci (เห็นได้ชัดว่าฉันเป็นผู้เขียนที่นี่)

• เครื่องมือ Python สำหรับการวิเคราะห์เครือข่าย Bayesian ทั้งแบบดั้งเดิมและแบบควอนตัม (การปฏิเสธความรับผิดชอบ: artiste-qb.net เป็น บริษัท ของฉัน)

คนอื่นอาจแนะนำให้ใช้ Tensor Networks แทนการใช้มุ้งควอนตัมแบบเบย์ นี่เป็นคำถามที่ถาม: Quantum Bayesian Networks และ Tensor Networks มีวิธีการเปรียบเทียบอย่างไร ฉันมีความคิดเกี่ยวกับที่และรวบรวมความคิดของฉันในนี้โพสต์บล็อก

บรรทัดแรกของบล็อกโพสต์:

คำถามที่ฉันมักถูกถามคืออะไรคือความแตกต่างระหว่างเครือข่ายเทนเซอร์กับควอนตัมเบย์แบบเครือข่ายและมีข้อได้เปรียบอะไรบ้างในการใช้เครือข่ายหนึ่ง

เมื่อจัดการกับความน่าจะเป็นฉันชอบเครือข่ายควอนตัมเบย์เพราะตาข่ายเป็นวิธีที่แสดงความน่าจะเป็นธรรมชาติ (และความน่าจะเป็นแอมพลิจูด) ในขณะที่ตาข่ายเทนเซอร์สามารถใช้เพื่อแสดงปริมาณทางกายภาพอื่น ๆ ขอวนคือ ให้ฉันอธิบายรายละเอียดเพิ่มเติมเกี่ยวกับความโน้มเอียงทางเทคนิค

หนึ่งสามารถพิจารณาพัวพันสองฝ่ายสำหรับพาร์ทิชันทั้งสองของเครือข่ายควอนตัมเบย์ หนึ่งสามารถเขียนอสมการที่ดีสำหรับพัวพันสองฝ่ายเช่น ดูตัวอย่างพัวพัน Polygon ความไม่เท่าเทียมกันในระบบ Qubit, เสี่ยวฮ Qian, มิเกลกอลอนโซ่, โจเซฟเอช Eberly

เราสามารถลองวัดการพัวพันของ n-partite สำหรับ n> 2 โดยที่ n คือจำนวนโหนดของอวนควอนตัมเบย์ ดูตัวอย่างเช่นการตรวจสอบของแท้สูงใบสั่งพัวพันเจ๊หมิงหลี่ไคเฉิน, อันเดรีย Reingruber, ยู่น่านเฉินเจี้ยน-Wei แพน