Stochastic unravelings for Heisenberg picture and trace-nonpreserving dynamics

Aquí presento un resumen técnico detallado del artículo "Stochastic unravelings for Heisenberg picture and trace-non-preserving dynamics" (Desenredos estocásticos para la imagen de Heisenberg y dinámicas que no preservan la traza), basado en el contenido proporcionado.

1. Planteamiento del Problema

Los desenredos estocásticos (stochastic unravelings) son herramientas computacionales fundamentales para simular la dinámica de sistemas cuánticos abiertos. Tradicionalmente, estos métodos se han restringido a:

• Imagen de Schrödinger: Donde la evolución del estado (matriz densidad $\rho$) se describe mediante ecuaciones maestras (ME) que preservan la traza (Trace-Preserving, TP) y la hermiticidad.
• Limitaciones actuales:
  1. La mayoría de los métodos no se aplican a la imagen de Heisenberg, donde los operadores evolucionan ($X(t)$) y la dinámica puede ser unitaria pero no necesariamente preservar la traza.
  2. No cubren ecuaciones maestras que no preservan la traza (Trace-Non-Preserving, TNP), las cuales son comunes en escenarios físicos como Hamiltonianos no hermitianos, estadística de conteo completo (full counting statistics) y dinámicas con pérdida o ganancia de partículas.
  3. La división de la dinámica (divisibilidad) puede diferir entre las imágenes de Schrödinger y Heisenberg, lo que afecta la eficiencia de las simulaciones (por ejemplo, la necesidad de "saltos inversos" en regímenes no markovianos).

El objetivo del trabajo es desarrollar un marco general que extienda los desenredos estocásticos de tipo determinista por partes (PDP) a la imagen de Heisenberg y a cualquier ecuación maestra TNP que preserve la positividad y la hermiticidad.

2. Metodología

Los autores proponen un marco unificado que modifica los esquemas de desenredo existentes (Monte Carlo Wave Function - MCWF y Rate Operator - RO) para manejar dos características clave:

A. Manejo de la No Preservación de la Traza (TNP)

En lugar de mantener un número fijo de realizaciones estocásticas (trayectorias), el método permite que el número total de realizaciones varíe en el tiempo.

• Interpretación: La traza de la matriz densidad promedio se relaciona con la razón entre el número de realizaciones en el tiempo $t$ ($N(t)$) y el número inicial ($N$).
• Mecanismos de variación:
  • Desaparición (Disappearance): Si la probabilidad total de evolución es menor que 1 ($p_T < 1$), una trayectoria puede "desaparecer" (volver a cero) con una probabilidad proporcional a la disminución de la traza.
  • Clonación (Replication/Creation): Si la probabilidad total es mayor que 1 ($p_T > 1$), se crea una copia de la trayectoria actual en el mismo estado con una probabilidad proporcional al aumento de la traza.
• Operadores: Se introduce un operador $\Gamma_{tp}$ que haría la ecuación maestra preservadora de traza. La diferencia $\langle \Gamma_{tp} - \Gamma_H \rangle_\psi$ determina la tasa de creación o destrucción de copias.

B. Extensión a la Imagen de Heisenberg

Dado que los operadores en la imagen de Heisenberg no tienen por qué ser positivos ni autoadjuntos, el método utiliza la siguiente estrategia:

1. Descomposición: Cualquier operador $X$ se separa en partes hermitianas y anti-hermitianas ($X = X_h + iX_a$).
2. Descomposición en positivos: Cada parte se expresa como la diferencia de dos operadores positivos ($X_{h,a} = X^+ - X^-$).
3. Desenredo independiente: Cada término positivo se desenreda como una matriz densidad estándar. La solución final se obtiene como una suma ponderada de estos desenredos.

C. Adaptación de Esquemas Específicos

• MCWF (Monte Carlo Wave Function): Se adapta para incluir los procesos de creación/destrucción de copias basados en los operadores de salto $R_j$ y tasas $\xi_j$ de la imagen de Heisenberg.
• RO (Rate Operator): Se generaliza para manejar dinámicas no divisibles completamente positivas (non-CP-divisible) sin necesidad de que las trayectorias dependan mutuamente, incluso en presencia de tasas negativas (usando saltos inversos si es necesario).

3. Contribuciones Clave

1. Marco General TNP: Se presenta la primera formulación general para desenredos estocásticos aplicables a cualquier ecuación maestra que preserve la positividad y hermiticidad, independientemente de si la traza se conserva, disminuye o aumenta.
2. Imagen de Heisenberg: Se demuestra cómo aplicar estos métodos a la imagen de Heisenberg, permitiendo simular la evolución de observables directamente.
3. Eficiencia Computacional: Se destaca que la divisibilidad de la dinámica puede ser diferente en las dos imágenes. Un sistema puede ser CP-divisible en la imagen de Heisenberg pero no en la de Schrödinger. Esto permite usar el método MCWF (más eficiente, sin necesidad de saltos inversos o almacenamiento de todas las trayectorias) en la imagen de Heisenberg, evitando la ineficiencia computacional que surgiría al simularlo en Schrödinger.
4. Aplicación a Estadística de Conteo Completo: Se muestra cómo el método se conecta naturalmente con los "tilted Lindbladians" (Lindbladianos inclinados) utilizados para calcular momentos y cumulantes de distribuciones de probabilidad en procesos de conteo de fotones.

4. Resultados y Ejemplos

Los autores validan el método mediante simulaciones numéricas en dos escenarios principales:

• Ejemplo 1: Dinámica CP-divisible en Heisenberg pero no en Schrödinger.

  • Se considera un sistema impulsado fuertemente donde las tasas en la imagen de Heisenberg son positivas, pero la dinámica en Schrödinger viola la divisibilidad P.
  • Resultado: El desenredo MCWF en la imagen de Heisenberg reproduce la solución exacta sin necesidad de saltos inversos, demostrando una mayor eficiencia computacional en comparación con la simulación en Schrödinger. Además, se verifica correctamente la evolución oscilatoria de la traza del observable.

• Ejemplo 2: Dinámica no CP-divisible (No Markoviana).

  • Se estudia una dinámica covariante de fase donde la tasa $\xi_z$ es negativa (violando CP-divisibilidad).
  • Resultado: El uso del esquema Rate Operator (RO) permite simular la evolución sin saltos inversos (gracias a la flexibilidad del transformador $\phi_\psi$), manteniendo la eficiencia. Se observa un aumento monótono de la traza en este caso.

• Ejemplo 3: Estadística de conteo de fotones.

  • Se aplica el método a un Lindbladiano inclinado para calcular los momentos de la distribución de fotones.
  • Resultado: Se demuestra que el método puede manejar términos inhomogéneos en las ecuaciones maestras (necesarios para calcular derivadas de la traza) mediante la creación de copias en estados propios específicos, obteniendo los momentos exactos con alta precisión.

5. Significado e Impacto

Este trabajo tiene un impacto significativo en la simulación de sistemas cuánticos abiertos por las siguientes razones:

• Ampliación del Alcance: Rompe la barrera de la imagen de Schrödinger, permitiendo simular dinámicas en la imagen de Heisenberg y dinámicas TNP, que son esenciales en óptica cuántica, termodinámica cuántica y teoría de información.
• Optimización de Recursos: Al explotar la diferencia de divisibilidad entre imágenes, ofrece una vía para simular sistemas no markovianos de manera más eficiente (evitando el costo de los saltos inversos y el almacenamiento de grandes ensembles).
• Versatilidad: El marco es compatible con diferentes esquemas de desenredo (MCWF, RO) y puede extenderse a regímenes no markovianos.
• Aplicabilidad Física: Proporciona una herramienta directa para estudiar fenómenos complejos como puntos excepcionales en Hamiltonianos no hermitianos, transferencia de energía y estadísticas de conteo completo, que antes requerían aproximaciones o métodos menos eficientes.

En conclusión, los autores han desarrollado una herramienta teórica y numérica robusta que unifica la simulación estocástica de sistemas cuánticos abiertos, superando las limitaciones tradicionales de preservación de traza y elección de imagen, lo que facilita el estudio de una gama mucho más amplia de fenómenos físicos.