Higher moment theory and learnability of bosonic states

以下是关于 Iosue 等人的论文《高阶矩理论与玻色子态的可学习性》（Higher moment theory and learnability of bosonic states）的详细技术摘要。

问题陈述

量子态层析法（Quantum state tomography）通常随着系统规模的扩大而面临内在的指数级样本和时间复杂度问题。虽然针对特定类别的态（例如稳定器态、低深度电路或高斯态）已存在高效的学习算法，但关于作用在任意高斯幺正变换下的 Fock 态仍是一个重要的开放性问题，这类状态是 BosonSampling 实验的核心，旨在展示量子优势。

先前的研究表明，作用在高斯幺正变换下的费米子 Fock 态是高斯态，因此完全由其二阶矩决定，从而可以进行高效学习。然而，作用在高斯幺正变换下的玻色子 Fock 态并非高斯态。因此，现有的依赖于二阶矩（协方差矩阵）或经典可模拟性的高效学习算法并不适用。本文探讨的问题是：是否存在一种样本和时间效率均较高的算法，能够学习任何作用在任意高斯幺正变换下的玻色子 Fock 态？

方法论与理论框架

1. 高阶矩理论与 $G_t$ 态
作者引入了一系列由其矩定义的态层级。他们将 $G_t$ 态定义为一种玻色混合态，该态是某个哈密顿量的热态，且该哈密顿量在正交算符（quadrature operators）中的次数 $\le t$（对于纯态，则是该哈密顿量的基态）。

• 核心理论洞察： 虽然高斯态（$t=2$）完全由一阶和二阶矩确定，但作者证明了作用在任意高斯幺正变换下的 Fock 态完全由其前四阶矩确定（具体而言是二阶和四阶矩，因为 Fock 态的奇数阶矩为零）。
• 重构： 他们建立，如果一个态被承诺为一个 $G_t$ 态，那么通过了解其前 $t$ 阶矩，即可实现对该态的完整重构（通过混合态的最大熵原理或纯态的基态唯一性）。

2. 对称不变性（Symplectic Invariants）
为了表征不同状态在高斯幺正变换下的关系，作者开发了一套对称不变性谱。

• 他们定义了矩张量 $\Sigma^{(t)}$ 和重塑算符 $\Lambda^{(s)}$。
• 他们构建了一组由涉及辛形式 $\Omega$ 和置换算符的特定算符的特征值导出的不变性 $\lambda(\rho)$。
• 结果： 他们证明了任何在高斯幺正变换下具有多项式不变性的量都可以表示为这些对称不变性的函数。这为两个状态是否可以通过高斯幺正变换相互转换（高斯可转换性）提供了必要条件。他们展示了二阶矩不变性（协方差矩阵的辛特征值）不足以区分某些非高斯态，因此必须引入高阶矩。

3. 学习算法
其核心贡献是一个显式算法，用于在给定通过异测（heterodyne）测量获取的样本访问态 $|\psi\rangle = \mathcal{U}_S |f\rangle$ 的情况下，学习未知的高斯幺正变换 $\mathcal{U}_S$ 和未知的初始 Fock 态 $|f\rangle$。

• 步骤 1：矩估计。 算法使用异测测量来估计一阶和二阶矩矩阵（$\Lambda^{(1)}$ 和 $\Lambda^{(2)}$）。
• 步骤 2：Fock 态识别。 通过对一阶矩矩阵（协方差矩阵）的实部进行 Williamson 分解，算法提取出辛特征值。这些特征值唯一地确定了初始 Fock 态 $|f\rangle$ 中的光子数（在置换意义下）。
• 步骤 3：幺正变换恢复。 一旦识别出初始态结构，算法便利用辛对角化矩阵“撤销”高斯幺正变换中活跃的（挤压/squeezing）部分。这使得问题转化为学习作用在已知 Fock 态上的被动高斯幺正变换（线性光学）。
• 步骤 4：被动幺正变换学习。 对于被动情况，算法利用四阶矩矩阵。它从四阶矩和已知 Fock 态参数中构造一个特定矩阵 $A$。通过对 $A$ 进行对角化并对派生矩阵进行同时对角化，算法恢复了未知的幺正矩阵 $W$（在置换和全局相位意义下）。

关键结果

1. 高效学习算法
论文提出了 定理 2（以及补充材料中详细版本的定理 S1–S3），证明了可以高效学习作用在未知高斯幺正变换 $\mathcal{U}_S$ 下的未知 Fock 态 $|f\rangle$。

• 样本复杂度： 所需的异测样本数量随模数 $n$、最大光子数 $f_{\max}$ 和挤压参数 $e^s$ 呈多项式级缩放。具体而言，对于标准的 BosonSampling 情况（被动幺正变换，$f_{\max}=1$），样本复杂度为 $\tilde{O}(n^8)$。
• 时间复杂度： 经典后处理时间相对于 $n$、$f_{\max}$ 和 $e^s$ 是多项式级的。该算法依赖于标准的线性代数程序：矩阵对角化、奇异值分解（SVD）和 Williamson 分解。

2. 解决开放问题
这项工作解决了 Aaronson 和 Grewal 提出的关于 BosonSampling 态可学习性的开放问题。虽然之前存在针对 "$t$-doped" 高斯态或经典阴影（classical shadows）的算法，但它们要么具有指数级时间复杂度，要么不适用于这种特定的非高斯类别。这项工作提供了针对此类状态的第一个样本和时间效率均较高的算法。

3. 数值证据
在随机幺正变换上的数值模拟表明，实际所需的样本数量缩放更接近 $O(n^6)$，这优于其严格的最坏情况界限 $O(n^8 \log n)$。

意义与主张

作者声称，他们的工作建立了一个基于高阶矩的学习量子态的新框架，扩展了高斯态层析法的局限性。

• 互补性： 该结果与其他学习算法（例如针对 $t$-doped 态或经典阴影的算法）具有互补性，后者适用于不同类别的非高斯态。
• 不变性： 导出的对称不变性提供了一个在不设定 Fock 空间截断的情况下确定高斯可转换性的工具，此前的方法在计算上非常繁琐或受到限制。
• 未来方向： 论文谦虚地建议，这些基于矩的方法可以扩展到学习其他 $G_t$ 态（例如 $t=6$），并且这些不变性可以在将高斯操作视为“免费”资源的资源理论中发挥作用。它还指出，$G_t$ 态的定义和矩技术可以推广到费米子系统。

该论文并未提出新的实验装置，而是为表征现有 BosonSampling 架构中所生成态的问题提供了理论和算法上的解决方案，证明了尽管这些态具有非高斯特性，但它们仍然是高效可学习的。