技术摘要：受限并行访问下的量子信道学习

问题陈述

本文探讨了在并行访问受限的情况下，学习未知量子信道的基本极限。核心任务被定义为信道学习（问题 II.1）：估计表征量子信道 $E$ 的广义传递矩阵（或函数）中各项的绝对值。该传递矩阵描述了信道在正交算符基（用于 $d$ 维量子比特/qudit 和玻色模的 Heisenberg-Weyl 生成元）上的作用。

本研究侧重于 $c$-副本协议，即学习者在每一轮测量中同时拥有 $c$ 个未知信道 $E$ 的副本（或配对资源 $E \otimes E^*$，其中 $E^*$ 是复共轭信道）的访问权限。学习者可以使用任意辅助系统、自适应地准备输入态，并根据过去的测量结果进行自适应测量（POVM）。目标是确定在以 $\epsilon$ 的加性精度和 $1-\delta$ 的成功概率下估计这些传递矩阵项所需的样本复杂度（信道使用次数）。

本文特别研究了复共轭信道 $E^*$ 的可用性以及并行副本数 $c$ 如何影响以下三种系统类型的学习难度：

1. 量子比特系统 ($d=2$)。
2. $d$ 维量子系统 ($d$ 级系统，其中 $d$ 为素数或无平方因子数)。
3. 玻色系统（连续变量多模系统）。

研究方法

1. 形式化：传递矩阵与 Choi 态

作者利用 Choi-Jamiołkowski 同构将信道学习重新表述为对信道 Choi 态的学习。

• Qudits（$d$ 维量子系统）： 信道由位移传递矩阵 $C_E$ 表征，该矩阵通过 Choi 态上 Heisenberg-Weyl 位移算符 $\hat{D}_{d,m}(q, p)$ 的期望值来定义。
• Bosons（玻色系统）： 由于玻色算符具有无界性，作者使用双模挤压真空（TMSV）态作为探测器，定义了 TMSV 传递函数 $C^{TMSV,r}_E$。这确保了学习任务在物理上是定义良好的，同时仍能提供信道的完整描述。

2. 主引理（下界）

本文的核心理论贡献是 Lemma III.1，这是一个“主引理”，它为任何 $c$-副本学习协议的深度 $T$ 建立了通用的下界。

• 假设检验框架： 该引理将信道学习问题简化为“多对一信道判别”任务（问题 III.1）。学习者必须在零假设（一个替换信道 $E_0$）和一组由随机变量参数化的备选假设（$E_{u,v}$）之间进行区分。
• 机制： 该界限依赖于特定张量积位移算符的算符范数。具体而言，它分析了捕捉假设可区分性的量 $\Delta$。该界限指出 $T = \Omega(1/\Delta)$。
• 通用性： 该引理适用于任意输入/输出希尔伯特空间（有限维或无限维），并允许任意辅助系统协助及自适应策略。它将之前的状态学习下界（例如 [11–13]）扩展到了更通用的信道设置中。

3. 构建困难信道

为了证明下界，作者构建了特定的“难以学习”的信道族（纠缠破缺信道），这些信道在传递矩阵基底中具有稀疏表示。

• Qudits： 信道通过带有随机参数的位移算符 $\hat{D}_{d,m}(q, p)$ 之和来构建。
• Bosons： 信道通过位移算符的高斯混合来构建。
• 自共轭信道： 对于没有 $E^*$ 访问权限的情景，作者构建了满足 $E \equiv E^*$ 的信道，以测试自共轭性本身是否有助于学习。

核心贡献与结果

本文推导了估计传递矩阵项的紧凑样本复杂度界限，揭示了高效学习所需的资源存在严格的层级结构。

1. 获取复共轭信道的访问权限 ($E \otimes E^*$)

• 结果： 如果学习者可以访问复共轭信道 $E^*$（实际上是访问 $E \otimes E^*$），则可以实现高效学习。
• 标度： 样本复杂度按 $\Theta(\epsilon^{-4})$ 缩放（定理 IV.1, IV.6, IV.7）。
• 意义： 这适用于量子比特、qudit 和玻色系统。由于 $E^*$ 的存在，学习者可以高效地测量对易观测量，从而绕过了在其他设置中看到的指数级复杂度。$\epsilon^{-4}$ 的标度被证明是紧致的（与上界匹配）。

2. 无 $E^*$ 的受限并行访问 (Qudits)

• 结果： 在没有 $E^*$ 访问权限的情况下，副本数 $c$ 至关重要。
• 情况 $c < d$： 对于 $d$ 级系统（其中 $d$ 为素数），如果学习者拥有的副本数少于 $d$ 个（$c < d$），则样本复杂度相对于 $m$ 个 qudit 是指数级的（定理 IV.2）。具体而言，$T = \Omega(d^m c^{-2} \epsilon^{-2})$。
• 情况 $c = d$： 一旦学习者获得 $d$ 个副本，复杂度会降至 $\Theta(\epsilon^{-2d})$ 的多项式标度。
• 无平方因子 $d$： 这种层级结构也适用于无平方因子整数 $d$（例如 $d=6$），其中 $d-1$ 个副本不足以实现高效学习，但 $d$ 个副本可以实现高效学习。
• 自共轭信道： 即使信道满足 $E \equiv E^*$，仅有 1-副本 访问权限（$c=1$）对于高效学习也是不足够的；其复杂度仍然是指数级的（定理 IV.4, IV.5）。自共轭信道的高效学习需要 2-副本 访问权限。

3. 玻色系统

• 结果： 对于玻色信道，即使在拥有多个副本的情况下，如果副本数相对于精度受到限制，难度依然存在。
• 标度： 对于任何 $c = O(1/\epsilon)$，样本复杂度相对于模数仍然是指数级的（定理 IV.3, IV.5）。
• 启示： 与 qudit 情况不同（在 qudit 情况中，增加 $c$ 最终会导致效率提升），玻色信道在有限并行访问机制下表现出持久的困难性，除非 $E^*$ 可用。

4. 学习资源的层级结构

本文建立了一个清晰的层级结构（如图 4 所示）：

• 1-副本困难： 通用的多量子比特信道和自共轭信道至少需要 2 个副本才能实现高效学习。
• $(d-1)$-副本困难： 通用的多 qudit 信道（局部维度 $d$）需要 $d$ 个副本才能实现高效学习。
• 始终困难（对于 $c=O(1/\epsilon)$）： 多模玻色信道。
• 使用 $E \otimes E^*$ 时高效： 所有类型的信道在获得共轭信道访问权限后都会变得高效可学。

重要性与主张

作者声称这项工作建立了信道学习资源的层级结构，表明：

1. 信道学习比状态学习更难： 虽然状态学习是信道学习的一个特例（其中信道是替换信道），但通过任意输入探测信道的能力使得该任务更加全面。这里推导的下界比标准的态学习下界更强，因为学习者可以控制输入态。
2. 共轭信道的威力： 访问 $E^*$ 是一种强大的资源，它坍缩了复杂度层级，使所有类型的系统都能以紧致的 $\epsilon^{-4}$ 标度实现高效学习。
3. 维度相关的阈值： 对于 qudit，在 $c=d$ 时存在复杂度的剧烈转变，这是由 $d$ 个副本可用时观测量的对易性驱动的。这将其之前的状态学习结果推广到了信道领域。
4. 并行访问的基本极限： 结果强调，如果没有特定的资源（如 $E^*$ 或足够的副本 $c \ge d$），在高维或连续变量系统中学习量子信道在根本上是低效的，需要指数级的资源。

文章总结道，虽然该任务在技术上是“学习一个态”（即 Choi 态），但信道访问的约束创造了一个独特的复杂度景观，这与标准的态层析术（state tomography）显著不同，特别是在实现效率方面，涉及到对特定副本数量或共轭访问的必要性。