Near-optimal incoherent tomography of low-rank quantum channels

技术摘要：低秩量子信道近优的非相干层析术

问题陈述
本研究探讨了非相干模型下量子信道层析术的查询复杂度。目标是在非相干设定下，以钻石范数（diamond-norm）误差 $\epsilon$ 重建一个 Kraus 秩至多为 $r$ 的未知量子信道 $\mathcal{E}: \mathcal{L}(\mathbb{C}^{d_1}) \to \mathcal{L}(\mathbb{C}^{d_2})$。该学习算法运行在非相干设定中，这意味着它在查询信道之间不具备量子记忆；它必须在每次使用信道后测量输出态，尽管后续的输入和测量可以根据之前结果的经典转录进行自适应调整。准确度通过钻石范数来衡量，该范数量化了信道之间最坏情况下的可区分性。

核心问题是确定实现此类重建所需的信道查询次数。已知相干协议（利用纠缠输入和联合测量）在“远离边界”的机制下可以达到 $\Theta(d_1 d_2 r / \epsilon^2)$ 的查询复杂度，而对于一般低秩信道（$1 < r < d_1 d_2$），非相于复杂度此前除了平凡情况（$r=1$ 和满秩）外，一直未被表征。

方法论
本文针对不同频谱类型的信道，利用不同的技术手段建立了查询复杂度的上界和下界。

1. 上界（有间隙情况）：
   对于 Choi 算子的非零特征值下界为 $\Omega(d_1/r)$ 的信道，作者利用了基于 [SSKKG22] 的辅助辅助投影最小二乘估计器，采用了一种非自适应协议。该协议涉及制备一个固定的最大纠缠输入态，应用信道，并在 Haar 随机基下测量输出。

   • 关键技术创新： 作者开发了一种新的分析方法来限制钻石范数误差。他们将估计误差 $\Delta$ 相对于 Choi 算子的支撑集进行分块分解。一个关键组成部分是参数 $\kappa(\mathcal{E}) = d_1 \| \text{tr}_B P_E \|_\infty$，其中 $P_E$ 是指向 Choi 支撑集的投影。对于有间隙的信道，$\kappa(\mathcal{E}) = O(r)$。该分析利用了误差分布在支撑集正交补上的酉共轭不变性，从而“平坦化”输入边缘，通过标量 Bernstein 不等式和覆盖网论证实现了对钻石距离的严格控制。

2. 上界（一般情况）：
   对于频谱可能不存在间隙（即 $\kappa(\mathcal{E})$ 可能很大）的任意信道，作者提出了一种自适应算法。

   • 关键技术创新： 该算法采用矩阵乘法权重更新（Matrix Exponentiated Gradient）方法来迭代选择输入态。核心难点在于控制误差的量 $\kappa(\sigma_{in})$ 对输入态是不连续依赖的。为了克服这一点，作者引入了一个正则化滤波器 $f_s(X) = X(X+sI)^{-1}$ 以及相应的“正则化输入敏感算子” $H_s(\sigma_{in})$。他们构建了一个两批次估计器，以获得 $H_s(\sigma_{in}) + rI$ 的乘性估计。权重更新规则会增加 $H_s$ 较大的输入方向的权重，从而收敛到一个输入态 $\bar{\sigma}$，使得 $\|H_s(\bar{\sigma})\|_\infty = O(r)$，且仅需 $O(\log d_1)$ 次迭代。这使得算法能够以仅有的对数级开销实现近优复杂度。

3. 下界：
   下界是通过构建一个“困难族”信道并应用 Fano 不等式这一标准的信息论策略推导出的。

   • 关键技术创新： 作者通过扰动基础信道的 Kraus 算子构建了一个新的困难信道族。该族设计使得每个非零 Choi 特征值都落在特定的范围 $[d_1/(4r), 4d_1/r]$ 内。证明过程限制了信道参数与算法转录之间的互信息。至关重要的是，他们利用单查询实验的测试器表示法，证明了单查询 Fisher 信息矩阵的迹被一致地限制在 $O(d_1 d_2 / r)$。通过对信道参数的先验分布应用高斯 log-Sobolev 不等式，他们将此 Fisher 信息界限转化为互信息界限，从而确立了即使对于自适应非相干协议，也必须具备 $\Omega(d_1 d_2 r^2 / \epsilon^2)$ 次查询的必要性。

主要贡献与结果
本文对非相干低秩量子信道层析术的查询复杂度提供了近乎完整的表征：

• 有间隙信道： 对于具有 $\Omega(d_1/r)$-间隙 Choi 频谱的信道，作者证明了其最优查询复杂度为 $\Theta(d_1 d_2 r^2 / \epsilon^2)$。这是通过使用固定最大纠缠输入的非自适应算法实现的。
• 一般信道： 对于任意低秩信道，作者通过自适应算法建立了 $O(d_1 d_2 r^2 \log(2d_1) / \epsilon^2)$ 的上界。这与下界非常接近，仅在输入维度上存在对数因子差异。
• 下界： 本文证明了对于学习秩为 $r$ 的信道的任何自适应非相干协议，都存在一个通用的下界 $\Omega(d_1 d_2 r^2 / \epsilon^2)$。该界限在整个可行参数范围内均成立，包括扩张率 $\tau = rd_2/d_1 = 1$ 的边界机制。

意义
本文回答了关于非相干低秩量子信道层析术查询复杂度的开放性问题。其主要意义在于量化了缺乏量子记忆所带来的代价：

• 与相干协议相比（相干协议在远离边界机制下可实现 $\Theta(d_1 d_2 r / \epsilon^2)$），非相干设定引入了大约 $O(r)$ 的乘性开销。
• 与相干设定不同（在相干设定中，边界机制 $\tau=1$ 表现出 $\Theta(d_1 d_2 r / \epsilon)$ 的海森堡定标），非相干下界在整个可行参数空间内都保持了 $1/\epsilon^2$ 的定标。
• 这些结果将之前关于最小秩（$r=1$）和满秩（$r=d_1 d_2$）的发现推广到了任意中间秩，统一了对不同秩谱下非相干层析术的理解。

作者指出，他们的上界算法是辅助辅助式的，并且依赖于精确的 Haar 随机基，这留下了关于无辅助算法或近似酉设计是否能达到类似复杂度的问题。