Third-Order Quantum Information from Distributed Randomized Measurements
本文证明，通过利用置换对称性将问题简化为求一个 3x3 矩阵的逆，可以高效地从分布式随机测量中重建三阶量子信息，从而避免了全密度矩阵重建的指数级复杂度。
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
在量子世界中，对一个系统最完整的描述是一个被称为密度矩阵的数学对象。这个对象包含了关于粒子状态的所有可能细节，从它们的能量到它们彼此之间的关联。然而，对于除了极微小系统之外的任何系统，写下或测量这个完整的对象都是不可能的。所需的细节数量增长得如此之快，以至于即使是最强大的计算机也会难以承载哪怕是一组适度规模粒子的信息。正因如此，物理学家长期以来一直在寻找无需重建整个全貌就能了解量子态的方法。他们寻找特定的、有用的属性——例如两个粒子之间是如何链接的，或者一个状态有多复杂——这些属性可以通过进行更小、更简单的测量来获得。一种强大的方法涉及在随机改变观察方式的同时，对系统进行多次快照。通过对这些随机猜测的结果进行平均，科学家可以提取出关于状态的隐藏的非线性信息，例如不同结果的概率是如何相乘的。这种方法避免了需要知道每一次测量的精确设置的需求，而是依赖于随机性的统计力量。
一支研究团队现在将这种随机测量的方法推向了更高水平的复杂度和清晰度。他们研究了当你同时使用相同的随机设置，对三个独立的量子态副本进行测量，并观察这三个结果之积时会发生什么。虽然之前的研究已经展示了如何从成对的测量中提取信息，但这项研究侧重于当涉及三个副本时所产生的三阶关系。研究人员提出了一个基本问题：如果你拥有一组分布在不同实验室的场所，每个实验室都在其各自持有的共享量子系统的一部分上进行这些随机测量，那么仅仅通过对比彼此的记录，他们能恢复出哪些特定信息？他们想确切知道，通过这种方法可以看到哪些状态属性的组合，而哪些属性则永远处于隐藏状态。
该团队发现，答案取决于测量过程的对称性。当随机设置被平均化时，数据并不会揭示量子态的每一个细节。相反，它揭示了特定的信息分组，这些分组无论局部观察者如何旋转其测量设备，都保持不变。研究人员发现，虽然随着参与实验的方数增加，可能的输出结果呈爆炸式增长，但可恢复信息的底层结构却出奇地简单。他们证明了，解开这些测量的复杂问题可以分解为一系列小的、独立的谜题。每个谜题的大小都不超过一个简单的 3x3 数字网格。这意味着，无论是有两个参与方还是二十个参与方，重建可用信息所需的数学工作量都不会超过反转其中一个微型网格的难度。
这一发现具有重要意义，因为它消除了分析大型量子系统的一个主要障碍。在过去，试图从分布式测量中重建信息通常需要求解大规模且难以处理的方程，随着系统的增长，这些方程会变得无法处理。新方法表明，信息并没有丢失，而是以一种允许高效检索的方式组织起来。研究人员证明，唯一无法恢复的信息是数据中两种特定类型的“三循环”模式之间的差异。这些模式对应于量子态在一种被称为“偏转置”（partial transposition）的数学运算下行为的细微差别，而这种运算常被用于检测纠缠。平均过程自然地将这两种模式融合在一起，使它们变得无法区分。然而，研究证明，除此之外的一切——即这些模式之和以及所有其他三阶属性——都可以被完美地重建。
该协议对于现实世界的实验是实用的，因为它不需要实验室记录下每一次应用的随机旋转。他们只需要知道哪些测量是在相同的设置下进行的。这消除了对复杂的校准和存储随机酉矩阵的需求，使得该过程在分布式网络中更加经济且易于实现。研究人员展示了，通过简单地计算某些结果模式共同出现的频率，就可以计算出保留下来的量子属性的确切值。这项工作提供了一张关于什么是可获取的、什么是不可获取的完整地图，阐明了通过这些分布式随机测量所能获知的极限。它证实了，虽然一些精细的细节不可避免地会被平均化过程冲刷掉，但量子态的核心非线性信息仍然保持完好，并且可以以一种超越系统表象复杂性的数学简洁度被提取出来。
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。