⚛️ quantum physics

From Discrete to Continuous-Variable Systems via Jordan-Schwinger Tomographic Transformation

本文首次利用 Jordan-Schwinger 和 Holstein-Primakoff 映射在经典概率表示（如层析图和 Wigner 函数）层面构建了离散变量与连续变量量子系统之间的桥梁，实现了无需重构密度矩阵即可直接在不同量子架构间转移和比较测量数据。

原作者： Liubov A. Markovich, Vladimir A. Orlov, Alexey N. Rubtsov, Vladimir I. Man'ko

发布于 2026-03-17

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Liubov A. Markovich, Vladimir A. Orlov, Alexey N. Rubtsov, Vladimir I. Man'ko

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

这篇论文讲述了一个非常有趣的故事：如何架起一座桥梁，让两种完全不同的“量子语言”能够互相听懂对方。

想象一下，量子世界里有两个截然不同的“部落”：

离散变量（DV）部落：就像乐高积木。它们由一个个独立的块组成（比如 0 和 1，或者量子比特）。这是目前大多数量子计算机（如超导量子计算机）使用的语言，清晰、明确，像开关一样。
连续变量（CV）部落：就像水流或声波。它们的变化是平滑、连续的，没有明显的“台阶”。这通常用于光波、微波或振动的离子，就像调音台上的滑块，可以停在任何位置。

问题出在哪里？
这两个部落虽然都在处理“量子信息”，但它们的“方言”完全不同。

如果你想把“乐高积木”（DV）的信息传给“水流”（CV），或者反过来，通常的做法是：先花大力气把“乐高”拼成一张复杂的密度矩阵（相当于把整个乐高城堡的蓝图画下来），然后再试图把它翻译成“水流”的波形。
但这有个大麻烦：画这张蓝图（重构密度矩阵）非常困难，就像试图通过观察海浪的倒影来还原海底的珊瑚礁，不仅容易出错，还充满了噪音和模糊不清的地方（数学上称为“病态逆问题”）。

这篇论文做了什么？
作者们发明了一种**“直接翻译器”**，不需要画蓝图，直接就能把一种语言的数据转换成另一种语言。

核心比喻：神奇的“滤镜”与“翻译官”

作者利用了两个古老的数学工具（Jordan–Schwinger 和 Holstein–Primakoﬀ 映射），把它们变成了**“概率翻译器”**。

不再看“全貌”，只看“切片”：
通常，要理解一个量子系统，我们需要知道它所有的状态。但这就像试图看清整个森林的每一片叶子。
作者的方法是：我们只关注特定数量的粒子（比如固定有 10 个光子）。在这个特定的“切片”里，复杂的“水流”（CV）和简单的“乐高”（DV）其实是同一种东西的不同表现形式。
- 比喻：想象你在看一场交响乐。DV 是数有多少个音符（离散），CV 是听声音的波形（连续）。作者发现，如果你只关注“音量固定为 100 分贝”的那一段音乐，那么数音符和听波形其实是完全对应的。
直接的数据压缩（Kernel）：
以前的方法需要先把数据变成复杂的数学公式（密度矩阵），再转换。
作者的方法像是一个智能滤镜。你直接把实验测到的原始数据（比如光探测器的读数）扔进这个滤镜，它瞬间就输出了另一种系统的“概率分布图”（Tomogram）。
- 比喻：以前你要把一张照片（CV 数据）先打印出来，再扫描成矢量图，最后重新画成乐高图纸。现在，你只需要把照片放在一个特殊的**“魔法相框”**里，它直接就在屏幕上显示出了乐高图纸的样子，而且完全不需要中间那些繁琐的步骤。
为什么这很重要？
- 省时间、省算力：不需要处理那些无限维度的复杂数学，直接算出结果。
- 更准确：避免了中间步骤带来的误差积累。
- 混合架构的未来：现在的量子计算机正在尝试结合 DV 和 CV 的优势（比如用光做传输，用电做计算）。有了这个“翻译器”，我们可以直接比较这两种硬件的表现，就像给两个说不同语言的人配了一个同声传译，让他们能无缝合作。

实验验证

作者不仅提出了理论，还拿真实的实验数据（来自实验室的光学测量）进行了测试。

他们把实验测到的“光波数据”直接通过这个“魔法滤镜”转换。
结果发现，转换出来的“量子比特（乐高）”数据，与理论预测完美吻合。
这证明了他们的方法不仅数学上漂亮，在现实世界中也是行得通且有效的。

总结

简单来说，这篇论文就像是为量子世界开发了一套**“即时翻译软件”**。它不需要你重新学习两种语言，也不需要你画复杂的地图，而是直接告诉你：如果你在这个系统（连续变量）里看到了这个现象，那么在另一个系统（离散变量）里，它对应的是那个现象。

这为未来构建更强大、更灵活的混合量子计算机铺平了道路，让不同技术的量子设备能够真正“握手言和”，共同解决难题。

这是一份关于论文《From Discrete to Continuous Variable Systems via Jordan–Schwinger Tomographic Transformation》（通过 Jordan-Schwinger 托莫格拉夫变换从离散变量系统到连续变量系统）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：
量子信息科学中存在两种互补的范式：

离散变量 (DV)： 描述有限维系统（如量子比特 qubits、qudits）。
连续变量 (CV)： 描述无限维系统（如光场模式、微波腔模式、离子振动模式）。

尽管混合架构（Hybrid Architectures）结合了 DV 和 CV 的优势，但在两者之间转移概念、信息和状态面临巨大挑战。主要问题在于：

形式化差异： 两种系统的数学描述（希尔伯特空间结构）截然不同。
重建困难： 传统的转换流程通常涉及从实验数据（如 CV 的同态探测数据）数值重构密度矩阵（Density Matrix），然后再投影到 DV 空间。这是一个病态的逆问题，容易受到噪声影响，需要正则化，且可能产生非物理伪影。
缺乏直接映射： 现有的 Jordan-Schwinger (JS) 和 Holstein-Primakoff (HP) 映射主要停留在算符（Operator）层面，缺乏在经典概率分布（如托莫格拉姆 Tomograms）层面的直接对应关系。

2. 方法论 (Methodology)

本文提出了一种基于托莫格拉夫概率表示 (Tomographic Probability Representation) 的框架，利用量化子 - 去量化子 (Quantizer-Dequantizer) 形式体系，建立了 DV 和 CV 系统之间的直接桥梁。

核心步骤：

概率表示基础：
- 不再使用密度矩阵，而是使用可直接测量的概率分布函数（PDFs）来描述量子态。
- CV 系统： 使用辛托莫格拉姆 (Symplectic Tomogram) $W(x|\mu, \nu)$ （正交分量的概率分布）或光子数托莫格拉姆。
- DV 系统： 使用自旋托莫格拉姆 (Spin Tomogram) $\omega_j(m, \Omega)$ （自旋投影的概率分布）。
引入受限态 (Restricted States)：
- 利用 JS 和 HP 映射将玻色子福克空间 (Fock Space) 的特定子空间与自旋 $j$ 的希尔伯特空间建立同构。
- JS 映射： 将双模玻色子系统的总粒子数固定为 $n=2j$ 的子空间映射到自旋 $j$ 空间。
- HP 映射： 将单模玻色子系统的截断子空间映射到自旋 $j$ 空间。
- 这种“受限”处理实际上充当了一个信息论滤波器，自动提取与目标自旋表示相关的玻色子希尔伯特空间部分，丢弃冗余贡献。
构建积分变换核 (Kernel Construction)：
- 推导了从 CV 托莫格拉姆直接转换到 DV 托莫格拉姆的积分变换核 $K$ 。
- 转换公式形式为：
  $\omega_{spin}(m, \Omega) = \int W_{opt}(x|\theta) K(m, \Omega; x, \theta) dx d\theta$
- 这些核函数具有解析闭式解（涉及拉盖尔多项式、Wigner D-矩阵等特殊函数），无需数值重构密度矩阵。
数据驱动流程：
- 直接从实验测量的 CV 数据（如同态探测数据）估计特征函数 (Characteristic Function)。
- 利用解析核直接计算目标 DV 系统的托莫格拉姆，完全绕过了密度矩阵重构步骤。

3. 主要贡献 (Key Contributions)

首次建立托莫格拉姆层面的映射： 论文首次明确展示了 Jordan-Schwinger 和 Holstein-Primakoff 映射如何作用于托莫格拉夫概率分布和 Wigner 函数，而不仅仅是在算符层面。
直接数据转移与压缩： 提出了一种“内禀数据压缩核”，允许直接从一种架构的实验测量数据获得另一种架构的托莫格拉姆，无需中间的重构步骤。这解决了病态逆问题带来的不稳定性。
解析解与计算效率： 推导出的变换核具有完全解析的闭式表达，避免了处理无限维密度矩阵所需的截断和高维数值线性代数，显著降低了计算成本并提高了数值稳定性。
精确性与适用范围： 证明了在固定的激发数 $n=2j$ 子空间内，JS 和 HP 映射是精确的（invertible）。这为离散与连续描述之间提供了一个受控的、精确的桥梁。

4. 实验结果与验证 (Results)

实验数据应用： 作者使用了来自文献 [23] 的真实同态探测数据（基于条件测量的非经典光态，即 Schrödinger kitten 态）。
流程验证：
1. 从原始同态数据估计辛托莫格拉姆的特征函数 (CF)。
2. 利用推导出的解析核，直接计算对应的光子数托莫格拉姆和自旋托莫格拉姆（针对自旋 1/2 和自旋 1 系统）。
3. 将计算结果与理论预测进行对比。
性能表现：
- 重建的托莫格拉姆与理论预测高度吻合。
- 该方法展示了与最大似然估计 (MLE) 相当的收敛速度，但避免了 MLE 对先验模型的依赖。
- 通过引入更精细的混合态模型（区分对角布居和相干性参数），进一步消除了理论与实验估计之间的偏差，证明了该方法在处理真实噪声数据时的鲁棒性。

5. 意义与影响 (Significance)

统一混合量子架构的基准测试： 提供了一种统一的框架，用于在不同硬件平台（如超导电路、囚禁离子、中性原子）之间比较、转移和基准测试量子信息。
混合协议与错误校正： 促进了依赖有限维和无限维系统之间映射的混合协议（Hybrid Protocols）的发展，特别是对于玻色子错误校正码（Bosonic Error-Correcting Codes）的验证至关重要。
避免病态重构： 提供了一种操作性的、直接的方法，用于验证混合设备，避免了传统方法中因密度矩阵重构带来的误差累积和非物理伪影。
未来扩展： 虽然目前聚焦于单模/双模和固定激发数，但该方法为未来扩展到多模场景、量子存储和光子通信链路的完全托莫格拉夫分析奠定了基础。

总结：
这项工作通过引入基于核函数的托莫格拉夫变换，成功地在离散变量和连续变量量子系统之间架起了一座“桥梁”。它不仅解决了跨平台数据转换的理论难题，还提供了一种高效、稳定且无需重构密度矩阵的实验数据处理工具，对混合量子计算和量子通信的发展具有重要的实用价值。