.png){kind=icon}
返回
Learning quantum states of continuous-variable systems
.png){kind=icon}
OA
AI
DOI：10.1038/s41567-025-03086-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子测量是概率性的，并且通常只能提供关于底层量子状态的有限信息。获取未知量子状态的全局经典描述需要分析多个不同的测量，这一任务被称为量子态层析成像。在此，我们分析了连续变量系统（如玻色子系统和量子光学系统）层析成像的最终可实现性能。我们证明，这些系统的层析成像在时间资源方面效率极低，远低于如量子比特等有限维系统的层析成像。不仅层析成像所需的最小状态拷贝数量随模态数量呈指数增长，即使对于低能态，其与原始状态及其估计经典描述之间的迹距离误差的缩放关系也不利。值得肯定的是，我们证明通过建立由已知一阶和二阶矩近似高斯状态时产生的迹距离误差的界限，高斯态的层析成像是高效的。最后，我们证明通过高斯幺正变换和少量局部非高斯演化制备的非高斯态的层析成像是高效且实验可行的。获取量子状态的经典描述可能需要资源密集型的层析成像协议。现已证明，对于玻色子系统，层析成像在一般情况下效率极低，但针对某些有用的状态可以实现高效成像。
Keyword:
quantum-state tomography
continuous-variable systems
Gaussian states
non-Gaussian states
trace-distance error
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
18.4
论文数:
6.7K
被引数:
5.7W
机构
查看更多机构
引用论文
暂无论文信息