La justificación habitual para considerar las POVM como medidas fundamentales es a través del teorema de Neumark, es decir, mostrando que siempre se pueden realizar mediante una medida proyectiva en un espacio de Hilbert mayor.
Esa justificación a veces es problemática porque para algunas aplicaciones es importante no agrandar el espacio de Hilbert, para garantizar que el resultado que probó a través de POVM es realmente sobre un espacio de Hilbert de esa dimensión, y no solo una sombra de un espacio de Hilbert más grande.
Entonces, mi pregunta es, ¿cómo implementar POVM sin ampliar el espacio de Hilbert?
La única estrategia que conozco es hacer PVM estocásticamente y agrupar resultados; por ejemplo, el POVM
Pero esta clase no puede ser el conjunto completo de POVM; el Mercedes-Benz POVM (que tiene tres resultados proporcionales a y ) claramente no se puede implementar de esta manera. ¿Existe una caracterización clara de esta clase? ¿Hay investigaciones publicadas al respecto? Aún mejor, ¿hay otra forma (más poderosa) de implementar POVM sin ampliar el espacio de Hilbert?
Parece que tal vez te estás perdiendo una pieza crucial del rompecabezas. El enfoque estocástico que describe es equivalente a realizar una unidad que se elige estocásticamente (esencialmente aplicando un superoperador) y luego medir en una base fija. En principio, sin embargo, puede ir más allá, eligiendo estocásticamente si medir o no, produciendo así una clase de medidas no proyectivas. Una vez que las mediciones no proyectivas son una posibilidad, el rango de posibles mediciones se expande enormemente, ya que es posible que desee realizar una secuencia de tales mediciones.
Dado que las únicas operaciones abiertas para usted en este sistema cerrado son medidas unitarias y proyectivas en sus subsistemas, y usted es capaz de realizar cálculos clásicos aleatorios, creo que todo el conjunto de medidas que se pueden realizar son exactamente las que se pueden realizar de la siguiente manera:
Lo anterior debería ser válido para cualquier sistema; sin embargo, si está considerando qubits, 3 se puede simplificar para simplemente decidir si medir o no un qubit designado. La razón para elegir qué subsistema medir es que pueden tener una dimensionalidad relativamente principal, en cuyo caso es probable que la dimensionalidad del subsistema medido sea importante.
Creo que la clase anterior incluye la medida de Mercedes-Benz que mencionas como imposible a través de tu método.
Un enfoque paso a paso es (1) considerar el POVM como la aproximación de grano grueso al operador de Lindbladian en el espacio de Hilbert de interés, luego (2) luego escriba el Lindbladian en términos de formas diferenciales estocásticas (Stratonovich), luego (3) extraiga las formas en cualquier variedad Kähleriana que parezca adecuada (un estado de producto de matriz, por ejemplo), junto con (4) las formas métrica y simplética del espacio padre .
Este marco de retroceso matemáticamente natural y computacionalmente eficiente le permite integrar trayectorias dinámicas en prácticamente cualquier espacio de estado Kähleriano que desee, con cualquier dimensión que necesite (incluidas las esferas clásicas de Bloch y los osciladores armónicos clásicos).
Un buen tutorial sobre las formas de Lindbladian requeridas son las notas en línea de Carlton Caves Mapas completamente positivos, mapas positivos y la forma de Lindblad .
Encontré un artículo que parece relevante para la pregunta: aleatoriedad clásica en mediciones cuánticas , de Giacomo Mauro D'Ariano, Paoloplacido Lo Presti y Paolo Perinotti. Los autores describen qué POVM son "puros", es decir, no se pueden implementar eligiendo estocásticamente entre otros POVM.
Para hacer eso, proporcionan un algoritmo simple para descomponer un POVM dado en una mezcla de POVM puros. Dado que los PVM son un caso especial de los POVM puros, se puede usar su algoritmo para decidir si un POVM dado se puede o no implementar mezclando PVM.
También demuestran un límite interesante en la cantidad de resultados que puede tener un POVM y seguir siendo puro: . Para algunas aplicaciones, esto demuestra que es inútil considerar POVM con más de resultados.
Mateus Araújo
joe fitzsimons
Mateus Araújo
joe fitzsimons
Mateus Araújo