量子 Rényi 熵与 Tsallis 熵的近似样本最优估计器

论文信息

标题: Nearly Sample-Optimal Estimators for Quantum Rényi and Tsallis Entropies

作者: Kean Chen, Qisheng Wang

发布日期: 2026-08-18

arXiv ID: 2608.18070v1

PDF 链接: 下载 PDF

3 分钟速览

• 研究问题：这篇论文要解决量子 Rényi 熵和 Tsallis 熵估计的样本复杂度缺口，即在给定维数 $d$ 和加性误差 $\varepsilon$ 时，构造更接近理论下界的估计器。
• 核心方法：对 $0<\alpha<1$，用 Bures $\chi^2$-散度层析和新的矩阵不等式估计 $\operatorname{tr}(\rho^\alpha)$；对非整数 $\alpha>1$，用随机纯化、Hayashi POVM 和多个批量大小的线性组合消除偏差。
• 关键结果：在 $0<\alpha<1$ 时，Rényi 熵估计器达到 $O(d^{1+1/\alpha}/\varepsilon^{1/\alpha}+d^{1/\alpha-1}/\varepsilon^2)$ 样本数；非整数 $\alpha>1$ 时，Rényi 熵估计器达到 $O(d^2/\varepsilon^{1/\alpha}+d^{1-1/\alpha}/\varepsilon^2)$，均与已知下界在多对数因子内匹配（见定理 1.1 与表 1）。
• 主要局限：所有上界只在多对数因子内最优，未消除 $\operatorname{polylog}(d,1/\varepsilon)$ 差距；非整数 $\alpha>1$ 的 Tsallis 熵不在本文处理范围内。
• 适合读者：从事量子信息论、量子统计推断、理论计算机科学，特别是量子态熵估计与样本复杂度分析的研究者。

论文背景和研究动机

经典信息论中，Shannon 熵、Rényi 熵和 Tsallis 熵的估计已经形成了较完整的样本复杂度图景。但在量子情形下，给定未知 $d$ 维量子态 $\rho$ 的独立副本，估计

$$S_\alpha^R(\rho)=\frac{1}{1-\alpha}\log \operatorname{tr}(\rho^\alpha), \qquad S_\alpha^T(\rho)=\frac{1}{1-\alpha}\bigl(\operatorname{tr}(\rho^\alpha)-1\bigr)$$

时，核心量都是 $F_\alpha(\rho)=\operatorname{tr}(\rho^\alpha)$。

论文指出，此前对 $0<\alpha<1$，Rényi 熵的上界为 $O(d^{2/\alpha}/\varepsilon^{2/\alpha})$，Tsallis 熵也类似；而 Wang (2026) 给出的下界为 $\widetilde{\Omega}(d^{1+1/\alpha}/\varepsilon^{1/\alpha}+d^{1/\alpha-1}/\varepsilon^2)$（Rényi）和 $\widetilde{\Omega}(d^{1+1/\alpha}/\varepsilon^{1/\alpha}+d^{2-2\alpha}/\varepsilon^2)$（Tsallis）。上下界之间存在明显缺口。对非整数 $\alpha>1$，Rényi 熵的前人上界为 $O(d^2/\varepsilon^2)$，下界为 $\widetilde{\Omega}(d^2/\varepsilon^{1/\alpha}+d^{1-1/\alpha}/\varepsilon^2)$，精度高时差距也很大。该论文的目标就是闭合这些缺口，至少在多对数因子意义上达到最优。

核心方法和技术细节

1. 对 $0<\alpha<1$：Bures $\chi^2$-散度与层析

该部分核心是一个新的偏差不等式（论文第 2.2.2 节 Lemma 2.6）：若 $0<\alpha<1$，且 $\sigma \succeq \frac{d}{n}I$，则

$$0 \le (1-\alpha)\operatorname{tr}(\sigma^\alpha) +\alpha\operatorname{tr}(\rho\sigma^{\alpha-1}) -\operatorname{tr}(\rho^\alpha) \le \left(\frac{d}{n}\right)^{\alpha-1}D_{\chi^2}(\rho\|\sigma).$$

这里 $D_{\chi^2}(\rho\|\sigma)$ 是 Bures $\chi^2$-散度。这个不等式提示：如果把 $(1-\alpha)\operatorname{tr}(\sigma^\alpha)+\alpha\operatorname{tr}(\rho\sigma^{\alpha-1})$ 作为 $\operatorname{tr}(\rho^\alpha)$ 的估计，偏差由 $D_{\chi^2}(\rho\|\sigma)$ 控制。

为了获得小的 Bures $\chi^2$-散度，论文使用 Pelecanos 等 2026 年提出的 Bures $\chi^2$-散度层析算法 $\mathsf{TomoBures\chi^2}$（论文 Lemma 2.2）。给定 $n$ 个 $\rho$ 样本，它输出 $\hat\rho$，并构造

$$\sigma=\hat\rho+\frac{2d}{n}I.$$

论文 Lemma 2.5 证明在层析成功事件 $E$ 下，$\sigma\succeq \frac{d}{n}I$，且

$$D_{\chi^2}(\rho\|\sigma)=O\left(\frac{d^2}{n}\right).$$

于是估计器（Algorithm 1）分两部分：$(1-\alpha)\operatorname{tr}(\sigma^\alpha)$ 可直接从已知 $\sigma$ 计算；$\alpha\operatorname{tr}(\rho\sigma^{\alpha-1})$ 则在 $\sigma$ 的本征基下测量 $\rho$，得到随机变量 $X=s_J^{\alpha-1}$，用 $m$ 个样本取平均。论文详细分析了 $X$ 的二阶矩（Lemma 2.9），并据此选择 $n$ 和 $m$。对于 Rényi 熵，需要相对误差，因此通过 Fact 1.2 把加性误差 $\delta=1-e^{-(1-\alpha)\varepsilon}$ 转换为熵误差 $\varepsilon$。

2. 对非整数 $\alpha>1$：随机纯化、Hayashi POVM 与偏差消除

这一侧采用完全不同的构造。论文先通过随机纯化信道 $\Lambda_{\mathrm{pur}}^{(s)}$（Lemma 3.2）把 $\rho^{\otimes s}$ 变成其随机纯态 $\lvert\psi_\rho\rangle^{\otimes s}$ 的期望。然后对纯态批量运行 Hayashi 的协变 POVM（Definition 3.3），得到输出 $\lvert v\rangle$。论文 Lemma 3.6 表明，在选定相位后，输出可以写作

$$\lvert v\rangle =\sqrt{1-T}\,\lvert\psi\rangle+\sqrt{T}\,\lvert G\rangle,$$

其中 $T\sim \operatorname{Beta}(d^2-1,s+1)$，$G$ 在 $\psi^\perp$ 的单位球上均匀分布，且 $T$ 与 $G$ 独立。设 $\hat\rho=\operatorname{tr}_{\mathrm{anc}}\lvert v\rangle\langle v\rvert$，批量估计为 $Y_s=\operatorname{tr}(\hat\rho^\alpha)$。

利用 Schatten 范数的多线性展开（Lemma 3.8）和随机方向 $G$ 的矩估计（Lemma 3.9），论文 Lemma 3.4 证明

$$\mathbb{E}[Y_s] = F+\sum_{j=1}^{k}c_j(\rho)\,\mu_j(s)+R_s,$$

其中 $k=\lceil\alpha\rceil-1$，$\mu_j(s)$ 是 Beta 分布的 $j$ 阶矩，$R_s=O(F(d^2/s)^\alpha)$，且系数 $c_j(\rho)$ 均满足 $|c_j(\rho)|=O(F)$。

Algorithm 4 使用 $k+1$ 个不同批量大小 $s_\ell=2^\ell m$，构造线性组合

$$\widetilde{F}=\sum_{\ell=0}^{k}a_\ell Y_{s_\ell},$$

并选择系数 $a_\ell$ 使得

$$\sum_{\ell=0}^{k}a_\ell=1,\qquad \sum_{\ell=0}^{k}a_\ell\,\mu_j(s_\ell)=0\quad (1\le j\le k).$$

这样，偏差中的低阶 Beta 矩项全部抵消，只剩 $O(F(d^2/m)^\alpha)$ 的余项。论文 Lemma 3.5 同时控制方差，最终通过选取

$$m=\Theta\!\left(K_\alpha\left(\frac{d^2}{\theta^{1/\alpha}} +\frac{d^{1-1/\alpha}}{\theta^2}\right)\right), \qquad \theta=1-e^{-(\alpha-1)\varepsilon},$$

得到 Rényi 熵的定理 3.1。

创新点和贡献

论文的主要贡献不是简单改进常数，而是给出了与下界几乎匹配的样本复杂度。表 1 的对比可以清楚看到：对 $0<\alpha<1$，前人的单项上界 $O(d^{2/\alpha}/\varepsilon^{2/\alpha})$ 被替换为两项形式，其中 $\varepsilon$ 的指数从 $2/\alpha$ 降到 $1/\alpha$ 或 $2$，具体取决于误差项；尤其对 $0<\alpha\le 1/2$，样本复杂度直接成为 $O(d^{1+1/\alpha}/\varepsilon^{1/\alpha})$。对非整数 $\alpha>1$，Rényi 熵的样本复杂度从 $O(d^2/\varepsilon^2)$ 改善到 $O(d^2/\varepsilon^{1/\alpha}+d^{1-1/\alpha}/\varepsilon^2)$，在高精度下 $\varepsilon$ 的指数从 2 降至 $1/\alpha$。

技术上，论文第 1.1 节强调，先前工作多基于 weak Schur sampling，而本文的估计器建立在新的 Bures $\chi^2$-散度不等式和特定量子态层析上。对 $\alpha>1$，论文给出了 Hayashi 纯态估计算法结合随机纯化技术的偏差消除分析。论文还将新上界与 Wang (2026) 的下界对照，指出所有结果在 $d$ 和 $1/\varepsilon$ 的多对数因子内匹配。这是本领域较完整的样本复杂度刻画之一。

局限与待解决问题

首先，本文的上界是 $\widetilde{O}(\cdot)$ 意义下的，仍有 $\operatorname{polylog}(d,1/\varepsilon)$ 因子未被消除。因此不能写成严格的 $\Theta$ 或最优常数。

其次，论文只对 $0<\alpha<1$ 给出了 Tsallis 熵的新上界；对非整数 $\alpha>1$ 的 Tsallis 熵，论文没有提供新结果。表 1 显示该区域已有 Chen 和 Wang 的 $\widetilde{\Theta}(1/\varepsilon^{2/(\alpha-1)})$ 或 $\widetilde{\Theta}(1/\varepsilon^2)$ 结果，因此不在本文闭合缺口的目标范围内。类似地，整数 $\alpha\ge 2$ 的 Rényi 熵和 Tsallis 熵已有最优复杂度，论文未覆盖。

第三，算法涉及 Bures $\chi^2$-散度层析、Hayashi POVM 和随机纯化信道。这些原语在理论上可行，但论文只讨论样本复杂度，未分析电路深度、门复杂性或物理实现细节。对于实际量子设备，常数因子和实现成本可能会显著影响适用性。

最后，层析成功概率设为至少 $0.99$，最终置信度通过联合成功事件给出。论文中的常数依赖 $\alpha$ 和通用常数 $C$，但未给出显式数值。实际算法调参时需要根据具体 $\alpha$、$d$ 和 $\varepsilon$ 重新确定这些常数。若要进一步推进到严格最优或给出实用估计器，这是需要继续处理的问题。