经典阴影层析#

背景#

经典阴影层析（Huang, Kueng & Preskill, 2020）是一种高效方法，可以从少量测量中预测量子系统的许多性质。

核心思想#

不同于需要 \(O(4^n)\) 次测量的完整态层析，经典阴影收集 \(N\) 次随机 Pauli 测量（“快照”），利用它们预测 \(M\) 个可观测量，样本复杂度为：

\[N = O\left(\log(M) \cdot \max_i \|O_i\|_{\text{shadow}}^2 / \epsilon^2\right)\]

对于预测局部可观测量而言，这比完整层析指数级更高效。

协议流程#

  1. 随机基测量：对每次快照，为每个比特随机选择 \(X\)、\(Y\) 或 \(Z\) 基进行测量并记录结果。

  2. 经典后处理：重建”经典阴影”——密度矩阵的一个快照。

  3. 预测：对所有快照取平均以估计任意可观测量。

运行示例#

python examples/measurement/shadow_tomography.py --n-shadow 100 --n-shots 1000

代码讲解#

from uniqc.algorithmics.measurement import classical_shadow, shadow_expectation

# 收集阴影快照
shadows = classical_shadow(circuit, qubits=[0, 1], shots=1000, n_shadow=100)

# 估计可观测量
est = shadow_expectation(shadows, {"Z0Z1": 1.0})

主要特性#

  • 高效：从少量测量中预测多个可观测量。

  • 灵活：适用于任意 Pauli 可观测量。

  • 无需校准：随机 Pauli 测量可直接在设备上执行。

References#

  1. Huang, H.-Y., Kueng, R., & Preskill, J. (2020). “Predicting many properties of a quantum system from very few measurements.” Nature Physics 16, 1050–1057.

  2. Aaronson, S. & Rothblum, G. N. (2019). “Gentle Measurement of Quantum States and Differential Privacy.” STOC ‘19.