量子态层析（Quantum State Tomography, QST）是量子信息科学中最基础的实验技术之一：通过对量子态的大量测量，重建其完整描述（密度矩阵 $\rho$）。本文系统介绍从指数级标准层析到多项式级 Shadow Tomography 的方法演进，分析复杂度、适用场景和局限性。

问题背景

量子态的完整描述

$n$ 量子比特系统的状态由密度矩阵 $\rho \in \mathbb{C}^{N \times N}$（$N = 2^n$）完全描述。$\rho$ 有 $N^2 - 1 = 4^n - 1$ 个独立实参数（归一化后）。

目标：通过测量制备好的量子态副本，估计 $\rho$ 的所有参数。

测量的量子力学限制

量子测量会扰动态：测量 $\rho$ 在基 $|b\rangle$ 上的投影 $P_b = |b\rangle\langle b|$ 得到 $b$ 的概率为 $\text{tr}(P_b \rho)$，且测量后态坍缩到 $P_b \rho P_b / \text{tr}(P_b \rho)$。

因此：每次测量只获得 $\rho$ 的一个比特信息，完整重建 $\rho$ 需要 $O(N^2)$ 次测量。

方法一：标准层析（指数方法）

Pauli 层析

基本思想：任意 $\rho$ 可以展开为泡利基：

$$\rho = \frac{1}{N} \sum_{P \in \{I, X, Y, Z\}^{\otimes n}} \text{tr}(P\rho) \cdot P$$

估计 $\text{tr}(P\rho)$ 即可重建 $\rho$。

测量方法：对每个泡利字符串 $P$，先施加相应的基变换（$X$ 基：$H$ 门；$Y$ 基：$HS^\dagger$ 门），再在计算基测量。每个泡利字符串需要独立测量。

泡利字符串总数：$4^n - 1$（去除 $I^{\otimes n}$）。

每个 $\text{tr}(P\rho)$ 的测量次数：为达到精度 $\varepsilon$，需要 $O(1/\varepsilon^2)$ 次测量（中心极限定理）。

总测量次数：

$$M = O\left(\frac{4^n}{\varepsilon^2}\right) = O\left(\frac{N^2}{\varepsilon^2}\right)$$

这是指数级的——$n = 50$ 时 $4^{50} \approx 10^{30}$，完全不可行。

最大似然层析（MLE）

给定测量数据 $\{(b_i, m_i)\}$（$b_i$ 为测量结果，$m_i$ 为出现次数），最大化似然函数：

$$\mathcal{L}(\rho) = \prod_i [\text{tr}(P_{b_i} \rho)]^{m_i}$$

约束 $\rho \ge 0$，$\text{tr}(\rho) = 1$。

MLE 的优点是保证输出合法的密度矩阵（半正定），缺点是凸优化问题在高维空间中求解代价高。

复杂度总结

代码示例（uniqc 实现）

类型：完整算法演示。用 uniqc 自带的 state_tomography 在 2 量子比特 Bell 态 $|\Phi^+\rangle = (|00\rangle + |11\rangle)/\sqrt{2}$ 上做完整 Pauli 层析（$3^2 = 9$ 个测量基），看测量样本数如何控制重建保真度与迹距离。

import numpy as np
from uniqc import Circuit
from uniqc.algorithms.core.measurement import state_tomography, tomography_summary

def bell_phi_plus_circuit() -> Circuit:
    c = Circuit()
    c.h(0)
    c.cnot(0, 1)
    c.measure(0)
    c.measure(1)
    return c

def fidelity(rho_est, psi_true):
    return float(np.real(psi_true.conj() @ rho_est @ psi_true))

np.random.seed(0)
circ = bell_phi_plus_circuit()

psi_true = np.zeros(4, dtype=complex)
psi_true[0] = 1 / np.sqrt(2)  # |00⟩
psi_true[3] = 1 / np.sqrt(2)  # |11⟩
rho_true = np.outer(psi_true, psi_true.conj())

for shots in (256, 1024, 8192):
    rho_est = state_tomography(circ, qubits=[0, 1], shots=shots)
    f = fidelity(rho_est, psi_true)
    purity = float(np.real(np.trace(rho_est @ rho_est)))
    trace_dist = 0.5 * float(np.sum(np.abs(np.linalg.eigvalsh(rho_est - rho_true))))
    print(f'[shots={shots:>4d}] F ={f:.6f}, Tr(ρ²) ={purity:.6f}, D ={trace_dist:.6f}')

# 在最大 shots 下打印重建的密度矩阵
rho_est = state_tomography(circ, qubits=[0, 1], shots=8192)
print('\n重建 ρ（实部，绝对值<0.005 已置零）：')
rho_real = np.real(rho_est)
rho_real[np.abs(rho_real) < 0.005] = 0.0
print(np.array2string(rho_real, precision=3, suppress_small=True, floatmode='fixed'))
tomography_summary(rho_est, print_summary=True)

运行结果：

[shots= 256] F = 1.000000, Tr(ρ²) = 1.013977, D = 0.115139
[shots=1024] F = 1.000000, Tr(ρ²) = 1.001806, D = 0.034775
[shots=8192] F = 1.000000, Tr(ρ²) = 1.000300, D = 0.013729

重建 ρ（实部，绝对值<0.005 已置零）：
[[0.505 0.000 0.000 0.500]
 [0.000 0.000 0.000 0.000]
 [0.000 0.000 0.000 0.000]
 [0.500 0.000 0.000 0.495]]

==================================================
State Tomography Summary  (label=ρ, n_qubits=2)
==================================================
Eigenvalues (largest first):
  λ_0 =  1.000027
  λ_1 =  0.009076
  λ_2 = -0.000006
  λ_3 = -0.009097
Purity  Tr(ρ²) = 1.000219  (mixed)
Trace   Tr(ρ)   = 1.000000
==================================================

观察：

1. 保真度 F = 1.000000 看起来”完美”，但这是因为最大本征向量已经几乎对齐 $|\Phi^+\rangle$；真实重建误差需用迹距离或纯度偏差衡量。
2. 迹距离 D 与 $1/\sqrt{N}$ 同步衰减：$256 \to 1024 \to 8192$ 时，$D \approx 0.115 \to 0.035 \to 0.014$，确认了 $O(1/\varepsilon^2)$ 的测量复杂度（$\varepsilon \sim 1/\sqrt{\text{shots}}$）。
3. 存在负本征值（$\lambda_3 = -0.009$）：这是线性反演重建的固有缺陷——不保证 $\hat\rho \succeq 0$。这正是文中提到的 MLE 在 $\hat\rho \ge 0$ 约束下求解的动机。
4. 本例 $n = 2$ 时仅需 $9$ 个基；推广到 $n = 10$ 即需 $3^{10} \approx 6 \times 10^4$ 个基，$n = 20$ 时 $\sim 3.5 \times 10^9$，正是文章随后讨论的”指数代价”瓶颈。

方法二：$\ell_\infty$ 层析（实数层析）

动机

标准层析估计所有 $4^n$ 个泡利系数——信息量极大。但许多应用只需要估计 $\rho$ 的部分性质（如保真度、纯度、纠缠度量）。

$\ell_\infty$ 层析（Infinity Norm Tomography）专注于估计密度矩阵元素的最大绝对值（$\ell_\infty$ 范数），或在最大范数下逼近 $\rho$。

数学定义

$\ell_\infty$ 层析的目标是找到 $\hat{\rho}$ 满足：

$$\|\rho - \hat{\rho}\|_\infty = \max_{i,j} |\rho_{ij} - \hat{\rho}_{ij}| \le \varepsilon$$

（其中 $\|\cdot\|_\infty$ 是矩阵元素的最大绝对值，不是算符范数。）

实现方法

行采样法：

1. 测量 $\rho$ 在随机计算基 $|j\rangle$ 上的对角元素 $\rho_{jj}$（$O(n/\varepsilon^2)$ 次）
2. 对每行 $i$，通过 SWAP 测试或直接测量提取行向量 $\rho_{i, \cdot}$ 的估计

复杂度：

$$M = O\left(\frac{n \cdot 2^n}{\varepsilon^2}\right)$$

比完整层析（$O(4^n)$）改进了指数因子 $2^n$，但仍是指数级的。

限制

• $\ell_\infty$ 范数不是酉不变的，依赖于基的选择
• 对实数矩阵更适用，复数情况需额外处理相位
• 不能直接给出保真度等酉不变量

方法三：稀疏层析

动机

许多物理相关的量子态是稀疏的——在某个基下，大部分元素为零或可忽略：

• 低纠缠态（矩阵乘积态，MPS）
• 对角密度矩阵（经典概率混合）
• 局域相关态

定义

密度矩阵 $\rho$ 是 $s$-稀疏的：在计算基下至多有 $s$ 个非零元素。

目标：以 $O(s \cdot \text{poly}(n, 1/\varepsilon))$ 次测量重建 $\rho$。

稀疏层析方法

方法一：直接元素估计

对每个可能非零的 $(i, j)$，用 $O(1/\varepsilon^2)$ 次测量估计 $\rho_{ij}$。

问题：需要知道哪些 $(i, j)$ 是非零的——这本身需要探索。

方法二：Pauli 基下的稀疏性

若 $\rho$ 在泡利基下有 $s$ 个非零系数（$s = \text{poly}(n)$），则只需测量 $s$ 个泡利字符串：

$$M = O\left(\frac{s}{\varepsilon^2}\right)$$

方法三：压缩感知层析

利用 $\rho$ 的低秩或稀疏性，通过随机测量（如随机泡利测量）和压缩感知重构算法，以 $O(s \cdot \text{poly}(n) / \varepsilon^2)$ 次测量重建 $\rho$。

数学基础：若 $\rho$ 在某个正交基下是 $s$-稀疏的，则 $O(s \log N)$ 次随机线性测量足以唯一确定 $\rho$（RIP 条件）。

复杂度对比

方法四：Shadow Tomography（影子层析）

突破性思想

Shadow Tomography 由 Scott Aaronson 于 2018 年提出，由 Huang, Kueng, Preskill 于 2020 年发展为实用方法。它不重建完整的 $\rho$，而是直接估计 $\rho$ 的 $M$ 个函数值 $f_1(\rho), f_2(\rho), \ldots, f_M(\rho)$，以 $O(\log M)$ 的测量次数达到给定精度。

数学定义

Shadow Tomography 问题：给定 $\rho$ 的制备访问，以及 $M$ 个可观测量 $O_1, O_2, \ldots, O_M$（$\|O_k\| \le 1$），估计所有 $\text{tr}(O_k \rho)$ 到精度 $\varepsilon$。

Aaronson 定理（2018）：存在量子算法以 $O(\log M \cdot \log^4 N / \varepsilon^5)$ 次测量估计所有 $\text{tr}(O_k \rho)$。

关键改进：$\log M$ 因子——即使 $M = 2^{2^n}$（所有可能的可观测量），也只需 $O(n)$ 次测量！

随机测量 Shadow Tomography（实用版本）

Huang, Kueng, Preskill (2020) 提出了更实用的方案：随机泡利测量 + 经典后处理。

步骤：

1. 对 $\rho$ 的每个副本，随机选取泡利基 $U \in \{I, H, HS^\dagger\}^{\otimes n}$（对应 $X, Y, Z$ 基变换）
2. 施加 $U$，测量得到比特串 $b \in \{0, 1\}^n$
3. 计算单副本影子态：$\hat{\rho}_b = (3U^\dagger |b\rangle\langle b|U - I)$（这是 $\rho$ 的无偏估计器）
4. 重复 $N_s$ 次，得到影子态集合 $\{\hat{\rho}_{b_1}, \ldots, \hat{\rho}_{b_{N_s}}\}$
5. 对任意可观测量 $O_k$，估计 $\text{tr}(O_k \rho) \approx \frac{1}{N_s}\sum_i \text{tr}(O_k \hat{\rho}_{b_i})$

数学关键：单副本影子态 $\hat{\rho}_b$ 是 $\rho$ 的无偏估计：

$$\mathbb{E}[\hat{\rho}_b] = \rho$$

方差取决于 $\rho$ 和 $O$ 的结构。

复杂度分析

定理（Huang, Kueng, Preskill, 2020）：为达到 $\max_k |\text{tr}(O_k \rho) - \widehat{\text{tr}(O_k \rho)}| \le \varepsilon$，所需副本数：

$$N_s = O\left(\frac{\log M}{\varepsilon^2} \cdot \max_k \text{tr}(O_k^2 \rho) - \text{tr}(O_k \rho)^2\right)$$

对作用于常数个量子比特的局域泡利可观测量 $O_k = P_k$，方差上界为 $O(1)$，故：

$$N_s = O\left(\frac{\log M}{\varepsilon^2}\right)$$

注意：对 $n$ 量子比特的一般 Pauli 算符，shadow 范数平方为 $3^n$（指数级），样本复杂度为 $O(3^n \log M / \varepsilon^2)$。仅对局域 Pauli 算符（作用于常数个量子比特）才为 $O(1)$。

对比：

应用场景

保真度估计：$F = \text{tr}(\rho \sigma)$，$\sigma$ 已知。只需 $M = 1$，$N_s = O(1/\varepsilon^2)$。

纠缠检测：估计 $M$ 个 Bell 不等式期望值，$N_s = O(\log M / \varepsilon^2)$。

量子态验证：验证实验制备的态与目标态的接近程度。

量子基准测试：随机基准测试中估计门保真度。

各方法的比较总结

实验实现

标准层析的实验进展

• 2019：Google 在 Sycamore（53 量子比特）上实现 2-量子比特态层析
• 2021：中国科学技术大学在 76 光子系统上演示高维态层析

Shadow Tomography 的实验进展

• 2021：IBM 在 27 量子比特设备上验证 shadow tomography
• 2022：多个实验组演示 $O(10)$ 量子比特的高效 shadow estimation
• 2023：扩展到量子过程层析（channel shadow）

局限性

标准层析

• 指数测量次数限制了 $n \lesssim 15$
• 经典后处理（MLE）在高维空间中代价极高
• 系统误差（不完美测量、态漂移）难以校正

$\ell_\infty$ 层析

• 仍需指数测量次数（$O(n2^n)$）
• $\ell_\infty$ 范数不是酉不变的，物理意义有限
• 对复数矩阵的处理比实数情况复杂

稀疏层析

• 需要预先知道稀疏结构（或用压缩感知自动发现）
• 对”近似稀疏”态，近似误差难以控制
• 经典后处理（压缩感知重构）可能不稳定

Shadow Tomography

• 不重建完整 $\rho$，只估计特定函数
• 对非泡利可观测量，方差估计需要额外分析
• 依赖经典后处理的 $O(N^3)$ 存储（$N = 2^n$）
• 对量子通道层析（channel shadow），资源需求显著增加

总结

量子态层析经历了从”完整重建 $\rho$”到”估计 $\rho$ 的函数”的范式转变。标准层析的指数代价推动了稀疏层析、$\ell_\infty$ 层析和 Shadow Tomography 等新方法的发展。Shadow Tomography 以 $O(\log M / \varepsilon^2)$ 的测量次数估计 $M$ 个可观测量，是目前最具可扩展性的方案，但其适用范围限于有限个已知可观测量的期望值估计。

参考文献：

1. Aaronson, S. (2018). Shadow tomography of quantum states. STOC 2018.
2. Huang, H. Y., Kueng, R., & Preskill, J. (2020). Predicting many properties of a quantum system from very few measurements. Nature Physics, 16, 1050-1057.
3. Gross, D., Liu, Y. K., Flammia, S. T., Becker, S., & Eisert, J. (2010). Quantum state tomography via compressed sensing. Physical Review Letters, 105(15), 150401.
4. Haah, J., Harrow, A. W., Ji, Z., Wu, X., & Yu, N. (2017). Sample-optimal tomography of quantum states. IEEE Transactions on Information Theory, 63(9), 5834-5851.

返回目录：量子计算算法教程系列