⚛️ quantum physics

Energy-independent tomography of Gaussian states

本文介绍了一种高效且在实验上可行的高斯态断层扫描算法，该算法通过利用一种旨在降低总挤压量的自适应策略，实现了与状态能量无关的可证明迹距离保证，从而比现有方法实现了双指数级的提升。

原作者： Lennart Bittel, Francesco Anna Mele, Jens Eisert, Antonio Anna Mele

发布于 2026-09-29

📖 1 分钟阅读🧠 深度阅读

原作者： Lennart Bittel, Francesco Anna Mele, Jens Eisert, Antonio Anna Mele

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在量子物理学领域，科学家们经常需要对一个系统进行完整的成像以了解其运作机制。这一过程被称为断层扫描（tomography），就像是通过从许多不同角度观察物体的影子来重建一个三维物体一样。对于光和其他连续形式的能量，这些系统由“高斯态”（Gaussian states）来描述，这是实验室中最常见且性质最稳定的量子态类型。这些状态由两个主要特征定义：能量的中心位置以及它的波动程度。虽然科学家早已知道如何测量这些特征，但随着光能量的增加，实现绝对精确的测量已变得日益困难。在许多前沿实验中，例如寻找引力波的实验，研究人员使用的光具有极高的能量且高度“挤压”（squeezed）——在这种状态下，一种属性的不确定性被大幅降低，代价是另一种属性的不确定性增加。直到现在，准确绘制这些高能态所需的测量次数随能量水平增长得如此之快，以至于威胁到了这些最先进实验的可行性。

一组研究人员现在开发出了一种打破这一能量壁垒的新方法，它允许精确重建这些复杂的态，而不会导致所需测量次数随能量增加而爆炸式增长。他们的研究方法详述于最近的一项研究中，该方法引入了一种自适应策略，能在最终测量之前有效地抵消极端的挤压效应。该团队并非尝试直接测量该状态（这会随着能量上升而变得呈指数级困难），而是首先利用少量的快速测量来估计存在的挤压程度。随后，他们应用一系列特定的光学操作来“解挤压”（unsqueeze）该状态，将其转化为一种更平稳、低能的形式，从而使其更容易分析。一旦状态被“驯服”，就可以使用标准的测量技术来重建其特性。研究人员在数学上证明，这个过程所需的测量次数几乎完全取决于涉及的光束数量，而非系统的总能量。即使对于能量水平与可观测宇宙相当的状态，该方法也仅需通过极少数额外的步骤来处理初始的挤压，使得整个过程实际上与能量无关。

该团队展示了这一自适应协议完全依赖于现代光学实验室中现有的工具，例如无源分束器和相位移器，并结合预制的挤压光辅助态。他们表明，通过将未知状态与这种辅助光混合并测量结果，他们可以模拟复杂的主动操作的效果，而无需直接对脆弱的量子态执行这些操作。这使得该方法不仅在理论上成立，而且在实验上也是可行的。此外，研究人员还指出，如果能够获得量子态的“转置”（transposed）版本——即一种可以在特定设置下生成的数学镜像——那么能量依赖性可以被完全消除，从而留下一个无论状态持有多少能量都保持恒定的协议。

这项工作在量子学习的理论要求与实验物理学的实际情况之间架起了一座至关重要的桥梁。通过证明估算重建态与真实态之间的距离可以在不受到能量约束困扰的情况下高效完成，该研究为量子传感和计量学提供了一条新路径。研究结果表明，表征高能量子态的难度并非自然的根本限制，而是以往测量策略的局限性。有了这种新算法，科学家现在可以放心地规划涉及高度挤压光的实验，并准确重建其状态，从而为从引力波探测到量子通信等领域的更精确测量打开了大门。研究结果是一个严谨的证明，即此类任务的样本复杂度可以从对能量的多项式依赖降低到近乎常数的值，这代表了相对于现有方法实现的双指数级的提升。

技术摘要：高斯态的能量无关断层扫描

问题陈述

量子态断层扫描是从测量数据中重建未知量子态的基础任务。虽然在有限维系统中已取得了显著进展，但连续变量（CV）系统由于其无限维希尔伯特空间带来了独特的挑战。高斯态是连续变量系统中的一个关键子类，广泛存在于量子光学、传感和通信领域。这些状态完全由其一阶矩（位移矢量）和二阶矩（协方差矩阵）表征。

现有的高斯态断层扫描协议，特别是依赖于标准异型检测（heterodyne detection）的协议，存在一个严重的局限性：其样本复杂度与状态的能量（或平均光子数）呈多项式相关。具体而言，先前的界限表明其复杂度为 $O(nE^4/\epsilon^2)$ 或 $O(nE^2/\epsilon^2)$ ，其中 $n$ 是模式数， $E$ 是平均能量， $\epsilon$ 是期望的迹距离（trace-distance）精度。这种对能量的依赖使得这些协议在处理高能态时变得不切实际，例如基础物理实验（如引力波探测器）中常用的高度挤压态（highly squeezed states）。本研究探讨的核心问题是：是否可以设计出一种样本复杂度与状态能量无关的高斯态断层扫描算法。

方法论

作者开发了三种不同的断层扫描算法，所有算法都基于一种全新的高斯态迹距离扰动界限。该界限通过描述两个高斯态之间的迹距离，将其量化为一阶和二阶矩之差，并具有比以往界限更有利的能量函数依赖关系。

1. 改进的非自适应异型断层扫描

作者首先重新审视了实验室中常规实施的标准异型断层扫描协议。通过应用他们新的扰动界限和统计学习工具，他们推导出了严谨的恢复保证。

方法： 对 $N$ 个未知态的副本进行异型测量，以估计经验均值和协方差矩阵。
结果： 他们证明了在迹距离 $\epsilon$ 内重建状态所需的测量次数为 $N = O(nE^2/\epsilon^2)$ 。这改进了之前 $O(nE^4/\epsilon^2)$ 的最优界限。
洞察： 在这种非自适应方案中，能量依赖性完全源于状态的挤压。对于非挤压态（例如热态或相干态），其标度优化为 $O(n^3/\epsilon^2)$ ，与能量无关。

2. 自适应能量无关断层扫描

为了规避高度挤压态带来的能量依赖性，作者提出了一种自适应协议，该协议通过系统地降低未知态的有效挤压程度来进行标准断层扫描。

核心策略： 该协议利用少量初始测量来估计状态的挤压程度。随后，它对状态应用一个近似的“去挤压”（unsqueezing）高斯幺正变换。
实现： 至关重要的是，作者展示了用于去挤压的活性高斯幺正变换可以通过仅使用被动高斯操作（如分束器和相移器的线性光学器件）结合离线准备的辅助挤压真空态来模拟。这避免了在测量过程中需要对信号态进行实验要求极高的活性挤压。
机制： 该协议迭代地应用此去挤压步骤 $k$ 次。每一轮都会指数级地增加协方差矩阵的最小特征值。经过 $k = O(\log \log E)$ 轮后，状态变得实际上是非挤压的。
最后一步： 对变换后的状态进行标准异型断层扫描，然后应用逆变换来重建原始状态。
复杂度： 总样本复杂度为 $O((n + \log \log \log E) \log \log E + n^3/\epsilon^2)$ 。在自然状态下 $n \gtrsim \log \log E$ ，这可以简化为 $O(n^3/\epsilon^2)$ ，这在实际上与能量 $E$ 无关。即使对于高达可观测宇宙规模的能量，自适应轮数也保持为一个很小的常数（ $k \le 10$ ）。

3. 通过转置态实现的完全能量无关断层扫描

作者进一步证明，如果可以使用转置态 $\rho^T$ ，则可以完全消除剩余的双对数能量依赖性。

方法： 该协议涉及将未知态 $\rho$ 与其转置态 $\rho^T$ 在平衡分束器上进行干涉，随后在输出端口进行同型检测（homodyne detection）。
结果： 这种特定的测量方案产生的样本来自一个经典高斯分布，其协方差矩阵与未知态 $\rho$ 完全匹配，从而消除了标准异型检测中固有的加性单位恒等偏移（噪声）。
复杂度： 样本复杂度变为 $O(n^3/\epsilon^2)$ ，这对于任意强的挤压都是严格独立于状态能量的。

主要贡献与结果

新的扰动界限： 推导了一种全新的高斯态迹距离扰动界限，该界限将状态之间的距离与其矩之间的距离联系起来，并具有更有利的能量依赖关系。
对标准协议的严谨保证： 提供了标准异型断层扫描的首个严谨的迹距离误差界限，将已知样本复杂度从 $O(nE^4/\epsilon^2)$ 提升至 $O(nE^2/\epsilon^2)$ 。
自适应算法： 提出了一种具有自适应性的、实验可行的算法，通过利用离线挤压和被动线性光学来模拟活性挤压，实现了近乎能量无关的特性（ $O(\log \log E)$ 依赖）。
转置诱导优势： 展示了获取转置态可以实现完全能量无关的断层扫描，突显了在其他量子学习语境中观察到的类似的量子优势。
实验可行性： 所有提出的方案都仅依赖于当前量子光学实验室中可用的工具：辅助挤压输入、被动高斯幺正变换和同型检测。在测量阶段不需要对信号态进行活性挤压。

意义

本文声称这些结果代表了连续变量量子信息领域的重大进展。通过将样本复杂度与状态能量解耦，所提出的方法使得高精度断层扫描高度挤压、高能态成为可能。这对于量子计量学和传感尤为重要，因为此类状态是超越经典极限的关键。这项工作通过提供在迹距离（一种被广泛认为具有操作意义的度量）下的严谨、定量的恢复保证，弥合了实验实践与理论要求之间的鸿沟。此外，这些结果通过识别学习未知量子系统的最优策略，为不断发展的量子学习理论做出了贡献。