在 Krylov 子空间中计算玻色子态的迹距离

Calculating trace distances of bosonic states in Krylov subspace

arXiv: 2603.05499v1

论文信息

标题: Calculating trace distances of bosonic states in Krylov subspace

作者: Javier Martínez-Cifuentes, Nicolás Quesada

发布日期: 2026-03-05

arXiv ID: 2603.05499v1

PDF 链接: 下载 PDF

3 分钟速览

  • 研究问题：这篇论文要解决连续变量量子系统中，两个高斯态之间迹距离（trace distance）难以高效数值计算的问题。迹距离是衡量量子态可区分性的核心指标，但现有方法需要截断无穷维希尔伯特空间，计算成本随模式数指数增长。

  • 核心方法：利用广义 Lanczos 算法，在 Krylov 子空间中仅通过高斯态的协方差矩阵和第一矩向量信息进行计算，完全避免显式的矩阵表示和对角化，将迹距离的计算转化为求解单一正特征值的问题。

  • 关键结果：对于纯态与混合高斯态的迹距离计算，该方法的时间复杂度随模式数多项式增长，论文在 10 模式系统上以仅 10 步 Lanczos 迭代就获得了与精确对角化高度吻合的结果（见图 1）。

  • 主要局限：该方法直接适用于纯态与混合态的场景。对于两个混合高斯态，算法只能给出迹距离的下界而非精确值，因为此时需要大量特征值才能准确计算迹范数，而 Lanczos 算法对远离谱边缘的特征值近似精度不够。

  • 适合读者：从事连续变量量子信息处理、量子光学实验、量子态认证与学习的科研人员；对数值线性代数在量子物理中应用感兴趣的计算科学从业者。

论文背景和研究动机

连续变量（CV）量子系统——如光子学系统——是量子技术的核心平台，在量子通信、量子计量和量子信息处理中扮演关键角色。在这些系统中，Gaussian 态因其简单的数学描述而占据中心地位：一个 Gaussian 态完全由其第一矩向量 r\bm{r} 和协方差矩阵 V\bm{V} 所刻画。

一个自然而重要的问题是：给定两个 Gaussian 态的矩参数，我们能在多大程度上区分它们？这在实验上尤为常见——当需要比较制备出的量子态与理论预期时，迹距离直接给出最优区分概率的下界。根据 Holevo-Helstrom 定理，最小判别错误概率为 Perror, min=12−12d(ϱ^1,ϱ^2)P_{\text{error, min}} = \frac{1}{2} - \frac{1}{2}d(\hat{\varrho}_1, \hat{\varrho}_2)，其中迹距离 d=12∥Δϱ^∥1d = \frac{1}{2}\|\Delta\hat{\varrho}\|_1。

然而，当前面临两重困境：解析上，除两个纯态情形外，没有迹距离的闭公式；数值上，现有方法需要在 Fock 基下构造 Δϱ^\Delta\hat{\varrho} 的矩阵表示并对其对角化。对于一个 MM 模系统，若每个模的截断维数为 cc，则矩阵元数量以 O(cM)\mathcal{O}(c^M) 增长——这就是连续变量系统的 “指数墙”。

论文正是在这一背景下，试图打破数值计算瓶颈。

核心方法和技术细节

关键定理：纯态情形只有一个正特征值

论文的技术起点是一条被前人忽视的定理（见论文 Theorem 1）：当 ϱ^1=∣ψ⟩⟨ψ∣\hat{\varrho}_1 = |\psi\rangle\langle\psi| 为纯态时，差值算子 Δϱ^=∣ψ⟩⟨ψ∣−ϱ^\Delta\hat{\varrho} = |\psi\rangle\langle\psi| - \hat{\varrho} 有且仅有一个正特征值 λ+\lambda_+，且 d(∣ψ⟩⟨ψ∣,ϱ^)=λ+d(|\psi\rangle\langle\psi|, \hat{\varrho}) = \lambda_+。

这一结论来自算子理论中的 Courant-Fischer 定理（论文在 Supplemental Material 中给出了详细证明）。其推论是：计算迹距离不再需要对整个算子对角化，而只需寻找单个孤立的极值特征值——这正是 Krylov 子空间方法擅长的工作。

Lanczos 算法在矩空间中的实现

论文采用 Lanczos 算法（一种专为厄米算子设计的 Krylov 子空间方法），但关键的创新在于如何实现它而不构造矩阵表示。

令 A^=∣ψ⟩⟨ψ∣−ϱ^\hat{A} = |\psi\rangle\langle\psi| - \hat{\varrho}，选择试验向量 ∣c⟩=∣ψ⟩|c\rangle = |\psi\rangle。传统 Lanczos 迭代需要反复作用 A^\hat{A} 并计算内积。论文证明（见 Proposition 1 和 2），每一个 Krylov 向量 ∣ϕ~ℓ⟩=A^ℓ∣ψ⟩−∑k⟨ϕk∣A^ℓ∣ψ⟩∣ϕk⟩|\tilde{\phi}_\ell\rangle = \hat{A}^\ell|\psi\rangle - \sum_{k} \langle\phi_k|\hat{A}^\ell|\psi\rangle |\phi_k\rangle 都可展开为 ∑k=0ℓD~ℓ,k ϱ^k∣ψ⟩\sum_{k=0}^{\ell} \tilde{D}_{\ell,k}\ \hat{\varrho}^k|\psi\rangle 的形式。

这意味着 Lanczos 迭代所需的所有信息都编码在度量矩阵 G\bm{\mathcal{G}} 中，其元素为

(G)j,k=⟨ψ∣ϱ^j+k∣ψ⟩(\bm{\mathcal{G}})_{j,k} = \langle\psi|\hat{\varrho}^{j+k}|\psi\rangle

这正是 Bargmann 不变量（multivariate trace）的特例。对于 Gaussian 态，Bargmann 不变量有严格公式（见论文式(6)）：

Tr(ϱ^1⋯ϱ^m)=exp⁡(−12zTM−1z)det⁡(M/ℏ)\text{Tr}(\hat{\varrho}_1 \cdots \hat{\varrho}_m) = \frac{\exp(-\frac{1}{2}\bm{z}^T\bm{M}^{-1}\bm{z})}{\sqrt{\det(\bm{M}/\hbar)}}

其中 M\bm{M} 由各态的协方差矩阵直接构造，z\bm{z} 由第一矩差值构成。计算 M\bm{M} 和求逆的时间复杂度约为 O(m3M3)\mathcal{O}(m^3 M^3)，其中 mm 为序列长度，MM 为模式数——多项式级别。

算法流程

算法的每一次迭代 ℓ\ell 仅需：1）利用递推关系（式(3)-(4)）计算系数矩阵 C\bm{C} 和 D~\tilde{\bm{D}}；2）通过 Bargmann 不变量公式计算新的度量矩阵元；3）构造并对角化三对角矩阵 Tℓ\bm{T}_\ell。极值特征值随 ℓ\ell 快速收敛（见图 1，ℓ=10\ell=10 时黄色圆点与 Fock 基精确解几乎重合）。

创新点和贡献

方法论突破：绕开指数截断

这项工作最重要的贡献在于，它证明了迹距离计算可以在完全不触碰希尔伯特空间截断的前提下完成。传统方法中，截断维数 cc 的选择本身就是一门 “艺术”——截断太小，精度不足；截断太大，计算不可行。论文的方法只需操作 2M×2M2M \times 2M 的协方差矩阵及相关构造，其规模与模式数相容。

可扩展至非高斯态

论文进一步将方法推广到可写为纯 Gaussian 态线性组合的态（如 Schrödinger 猫态、GKP 态等）。此时度量矩阵的计算仍保持多项式复杂度，因为对于任意 ℓ\ell，ϱ^ℓ\hat{\varrho}^\ell 的值域始终在 span({∣fj⟩})\text{span}(\{|f_j\rangle\}) 中，不会随迭代而扩展（见式(8)-(9)）。图 2 展示了多分量猫态在损耗信道下的迹距离计算，ℓ=10\ell=10 的结果与截断 c=100c=100 的 Fock 基对角化高度一致。

混合态下界

对于两个混合 Gaussian 态，虽然无法直接得到精确迹距离，但算法可提供有效下界。原因在于 Lanczos 方法从下方近似特征值的绝对值（论文正文结尾处讨论），且只需少量步骤即可捕获谱边缘的大特征值。图 3 和图 4 展示了这一下界与已知理论下界（虚线）的比较。

局限与待解决问题

混合态精确计算的组合爆炸

论文坦诚指出，当两个态均为混合态时，度量矩阵的元素计算需要枚举 Δϱ^\Delta\hat{\varrho} 的展开项。具体而言，若 Δϱ^=ϱ^1−ϱ^2\Delta\hat{\varrho} = \hat{\varrho}_1 - \hat{\varrho}_2，则 ⟨c∣(Δϱ^)ℓ∣c⟩\langle c|(\Delta\hat{\varrho})^\ell|c\rangle 需要求和一个长度为 2ℓ2^\ell 的元组（见式(10)）。这意味着计算成本随迭代步数指数增长，使得精确迹距离仍不可行——这正是图 3 中算法仅给出下界而非精确值的技术根源。

特征值收敛的理论保证

Lanczos 算法对极端特征值的快速收敛是经验性的。论文未提供收敛速率的理论界（如误差随 ℓ\ell 的解析表达式），也未讨论病态情况（如几乎简并的特征值或极小的谱隙）对收敛性的影响。在实际应用中，用户可能需要针对特定态类调优迭代步数。

非 Gaussian 态线性组合的表示能力

方法对 “线性组合” 的依赖是一个本质限制。对于无法高效表示为少数纯 Gaussian 态叠加的非 Gaussian 态（如高激发 Fock 态的某些叠加），构造其表示本身就需要指数多个 Gaussian 分量，抵消了算法的多项式优势。论文指出，即使混合态可写为 Gaussian 态乘积的线性组合，度量矩阵的计算也可能随迭代步数指数增长（见 Supplemental Material §A.4）。

未来方向

论文明确提出了两个 open problems：一是寻找可处理更一般混合态组合的度量计算方法；二是发展新的 Krylov 子空间技术来更好地逼近厄米算子的正部迹（trace of positive part）。这两个问题的解决将把本工作的下界提升为对混合态迹距离的精确高效估算。