Adaptive Protocol for Rényi Entropy Estimation
本文提出了一种基于梯度的自适应协议，该协议通过迭代优化随机幺正设置与投影测量之间的比例，以在受限于采样次数的量子实验中高效估计二阶 Rényi 熵，证明了其相比于固定比例方法具有更优的收敛性以及更低的测量预算。
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
在量子世界的隐秘架构中，粒子并非孤立存在；它们被一种被称为“纠缠”的深刻联系交织在一起。当两个或多个粒子发生纠缠时，其中一个粒子的状态会瞬间影响其他粒子，无论它们之间相隔多远。这种现象不仅是理论上的奇趣，更是下一代量子计算机和模拟器的基础资源。为了理解这些复杂系统的行为方式，科学家需要一种测量这些连接强度与结构的方法。用于此任务的最有力工具之一是被称为“熵”的量，在这种语境下，它充当了衡量系统不同部分之间信息共享程度的标尺。虽然由于步骤过于繁琐，某些形式的测量在现实世界的机器上无法执行，但一种被称为“二阶雷尼熵”（second-order Rényi entropy）的特定类型提供了一条切实可行的路径。它可以通过在对系统进行随机、轻微的旋转（shaking）后拍摄快照来估算，这就像是通过从许多不同角度触摸物体来试图理解其形状一样。
然而，当科学家尝试在实际硬件上进行这种测量时，一个重大的挑战随之而来。用于创建这些量子态的机器受限于有限的尝试次数，即“采样次数”（shots），在数据变得过于嘈杂而失去实用价值之前，它们能进行的尝试是有限的。研究人员必须决定如何分配这有限的预算：是应该尝试许多种不同的随机旋转但每种旋转只进行少量测量，还是应该坚持使用较少的旋转次数并对每种旋转进行重复测量？答案完全取决于所研究的量子系统的特定状态。一个高度无序的系统与一个完美有序的系统表现截然不同，而测量其中一种系统的最优策略往往是另一种系统的最差策略。如果科学家选择了错误的平衡点，他们可能会浪费掉全部的测量预算，却无法获得足够的清晰度来观察纠缠的真实本质。
为了解决这一困境，滑铁卢大学和圆周理论物理研究所的一个研究小组开发了一种全新的自适应协议。该方法不再是在开始前猜测旋转与测量之间的最佳平衡，而是通过“边学边做”的方式进行。过程始于一小组初始测量。随着数据的汇入，系统会分析结果，以确定哪种方向最能降低不确定性。如果数据表明系统对旋转的选择高度敏感，协议会自动分配更多资源去尝试新的旋转。如果数据表明系统稳定但噪声较大，它则会将重心转向对相同旋转进行更多次的测量。这个决策循环在数学梯度的引导下持续进行，该梯度指向资源利用效率最高的方向，直到实验总预算耗尽。
研究人员通过各种量子态（从完全随机的混合态到完美的有序积态）的计算机模拟测试了这种方法。他们发现，该自适应协议能够始终发现针对每种特定状态的最佳平衡点，且无需预先了解该状态的属性。对于高度无序的系统，该方法自然地选择了每种旋转进行多次测量的策略。对于高度有序的系统，它则转向了采用多种不同旋转但每种旋转测量次数较少的策略。在每种情况下，最终得到的纠缠估计值都与通过测试所有可能参数组合的“暴力搜索法”所获得的估计值一样准确，且自适应方法在无需预知的情况下收敛到了这些最优比例。
此外，研究表明，随着系统规模的扩大，这种自适应优势也随之增长。当研究人员将该方法与不改变策略的固定策略进行对比时，他们发现自适应协议在达到相同的精度水平时，所需的总测量次数显著减少。固定策略在系统规模增加时可能需要指数级增长的资源，而自适应方法在达到固定目标精度时，其所需测量预算的增长速度则较慢。这表明，对于未来大型且复杂的量子系统，这种具有自我修正能力的方案将对于从有限的实验时间内提取有意义的数据至关重要。通过使测量过程本身变得智能化，研究人员提供了一种更清晰地观测量子世界隐形丝线的方法，确保每一次实验采样都发挥其价值。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。