Liệu định mức dấu vết của sự khác biệt của hai ma trận mật độ là một hàm ý hai ma trận mật độ này có thể đồng thời chéo nhau không?


11

Tôi tin rằng câu trả lời cho câu hỏi này là nổi tiếng; nhưng, thật không may, tôi không biết.

Trong điện toán lượng tử, chúng ta biết rằng các trạng thái hỗn hợp được biểu diễn bằng ma trận mật độ. Và định mức dấu vết của sự khác biệt của hai ma trận mật độ đặc trưng cho sự phân biệt của hai trạng thái hỗn hợp tương ứng. Ở đây, định nghĩa của định mức theo dõi là tổng của tất cả các giá trị riêng của ma trận mật độ, với hệ số nhân thêm 1/2 (theo sự khác biệt thống kê của hai phân phối). Người ta biết rằng, khi sự khác biệt của hai ma trận mật độ là một, thì hai trạng thái hỗn hợp tương ứng là hoàn toàn có thể phân biệt được, trong khi khi chênh lệch bằng 0, hai trạng thái hỗn hợp hoàn toàn không thể phân biệt được.

Câu hỏi của tôi là, liệu định mức dấu vết của sự khác biệt của hai ma trận mật độ có phải là một hàm ý hai ma trận mật độ này có thể đồng thời chéo nhau không? Nếu đây là trường hợp, sau đó thực hiện phép đo tối ưu để phân biệt hai trạng thái hỗn hợp này sẽ hành xử như để phân biệt hai phân phối trên cùng một miền với sự hỗ trợ rời rạc .


Bạn có thể định nghĩa một ma trận mật độ là gì? nó chỉ là một ma trận xác định tích cực?
Suresh Venkat

1
@Suresh: Ma trận mật độ là một ẩn sĩ, ma trận bán nguyệt dương có dấu vết bằng 1.
Tsuyoshi Ito

Câu trả lời cho câu hỏi là có, bởi vì khoảng cách theo dõi là 1 ngụ ý rằng hai ma trận mật độ có hỗ trợ trực giao.
Tsuyoshi Ito

1
@Tsuyoshi: Có lẽ bạn nên viết bình luận đó như một câu trả lời?
Robin Kothari

@Robin: Chắc chắn rồi, xong rồi.
Tsuyoshi Ito

Câu trả lời:


21

Đây là một cách để chứng minh sự thật mà bạn quan tâm.

Giả sử và là ma trận mật độ. Giống như mọi ma trận Hermitian khác, nó có thể thể hiện sự khác biệt như cho và là semidefinite tích cực và có những hình ảnh trực giao. (Đôi khi điều này được gọi là phân hủy Jordan-Hahn, nó là duy nhất và dễ dàng thu được từ một phân hủy quang phổ của .) Lưu ý rằng thực tế là và có hình ảnh trực giao ngụ ý rằng họ là đồng thời những đường chéo, mà tôi giải thích là tài sản bạn quan tâm.ρ 1 ρ 0 - ρ 1 ρ 0 - ρ 1 = P 0 - P 1 P 0 P 1 ρ 0 - ρ 1 P 0 P 1ρ0ρ1ρ0ρ1

ρ0ρ1=P0P1
P0P1ρ0ρ1P0P1

Định mức theo dõi của chênh lệch (như bạn xác định, với hệ số nhân 1/2), được đưa ra bởi Theo giả định rằng số lượng này là 1, chúng tôi sẽ kết luận rằng và , điều này chứng minh những gì bạn muốn chứng minh.ρ0ρ1

ρ0ρ1tr=12Tr(P0)+12Tr(P1).
P0=ρ0P1=ρ1

Để rút ra kết luận này, trước tiên hãy lưu ý rằng và , vì vậy . Tiếp theo, hãy và là dự trực giao lên những hình ảnh của và , tương ứng. Chúng tôi có vì vậy Cả vàTr(P0)Tr(P1)=0Tr(P0)+Tr(P1)=2Tr(P0)=Tr(P1)=1Π0Π1P0P1

Π0(ρ0ρ1)=Π0(P0P1)=P0
Tr(Π0ρ0)Tr(Π0ρ1)=1.
Tr(Π0ρ0)Tr(Π0ρ1)phải được chứa trong khoảng [0,1], từ đó chúng tôi kết luận rằng và . Từ các phương trình này, không khó để kết luận và , và do đó theo phương trình trên. Một đối số tương tự hiển thị .Tr ( Π 0 ρ 1 ) = 0 Π 0 ρ 0 = ρ 0 Π 0 ρ 1 = 0 P 0 = ρ 0 P 1 = ρ 1Tr(Π0ρ0)=1Tr(Π0ρ1)=0Π0ρ0=ρ0Π0ρ1=0P0=ρ0P1=ρ1

1
Cảm ơn bạn, giáo sư Watky. Trên thực tế, tôi học tất cả các ma trận định mức và ma trận mật độ từ các ghi chú bài giảng của bạn.
Jeremy Yan

2
Tôi muốn thêm rằng tất cả những thứ được thảo luận trong bài này có thể được tìm thấy trong các ghi chú bài giảng trực tuyến của Giáo sư Watours (bài giảng 3): cs.uwaterloo.ca/~watrous/quant-info
Jeremy Yan

10

Đúng. Nếu khoảng cách theo dõi của hai ma trận mật độ bằng 1, thì chúng có các giá đỡ trực giao, và do đó chúng đồng thời có thể chéo.


Tôi đoán câu trả lời là có, nhưng tôi không biết bằng chứng.
Jeremy Yan

1
Ý tưởng chính của bằng chứng xác lập hai ma trận mật độ hoàn toàn có thể phân biệt được khi khoảng cách theo dõi là một, là đường chéo cho sự khác biệt của hai ma trận mật độ; nhưng làm thế nào để chứng minh cơ sở giống nhau chéo chính hai ma trận mật độ? Có thể hai ma trận mật độ này không phải là đường chéo đối với cơ sở này, nhưng sự khác biệt của chúng là. Bất cứ ai có thể đưa ra một số ý tưởng bằng chứng, hoặc đưa ra một số tài liệu tham khảo cho bằng chứng? Cảm ơn bạn.
Jeremy Yan
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.