基于流的连续变量量子态相空间层析成像

论文信息

标题: Flow-based Phase-space Tomography of Continuous-variable Quantum States

作者: Owen Dugan, Rumen Dangovski, Peter Y. Lu, et al.

发布日期: 2026-07-23

arXiv ID: 2607.21584v1

PDF 链接: 下载 PDF

引言：连续变量量子态层析的挑战

连续变量（CV）量子系统是量子光学、超导电路、量子传感和玻色子纠错等领域的自然语言。描述这类系统状态最常用的工具是相空间中的准概率分布，例如 Husimi $Q$ 函数和 Wigner 函数。前者对应于相干态测量，始终非负；后者可通过零差层析或位移宇称测量获得，其负值区域是非经典性的直接证据。然而，CV 态层析面临的核心困难在于：希尔伯特空间无限维，实验数据有限且含噪，而像猫态、二项式态、GKP 态等高度非经典态在相空间中具有极细微的结构，随着模式数增加，分辨率要求急剧上升。

传统方法通常将密度矩阵截断到有限 Fock 基或把准概率分布离散到固定网格上。这些方法在低维实验中依然强大，但其开销由截断维度或网格分辨率决定，并且随模式数指数增长。对于 Wigner 函数，其干涉条纹和负值区域蕴含丰富的量子相干信息，但对粗取样、损耗和散粒噪声十分敏感。近年来，基于机器学习的方法逐步进入 CV 量子层析领域，例如利用经典阴影估计、非参数特征函数估计或条件生成对抗网络（CGAN）重建 Wigner 函数。但这些方法在处理通用非高斯态、多模扩展、Wigner 负性和连续表示时仍存在局限。

归一化流（normalizing flows）作为一类强大的生成模型，通过可逆变换将简单基分布映射为复杂目标分布，且保留精确的密度评估和直接采样能力。这使它们天然适合处理正定的 $Q$ 函数层析问题。然而，如何将这一思想拓展到带有符号变化的 Wigner 函数，构建统一、可扩展的相空间层析框架，仍是一个开放问题。本文提出的 QST-Flow 正是针对这一问题的创新解答。

核心方法：从正定到符号的流模型

QST-Flow 包含两种互补的变体：QST-QFlow 处理 Husimi $Q$ 函数层析，QST-WFlow 处理 Wigner 函数层析。

QST-QFlow：正定相空间的归一化流

$Q$ 函数天生非负且归一化，可直接视为概率密度。QST-QFlow 用单个归一化流 $f_\theta$ 表示目标 $Q$ 函数：

$$Q_Y(y)=Q_X(f_\theta^{-1}(y))\left|\frac{\partial f_\theta^{-1}(y)}{\partial y}\right|,$$

其中基分布 $Q_X$ 常取单位正态分布。该表达兼具归一化概率和精确采样能力。训练时并不依赖固定网格，而是利用重要性采样估计 KL 散度：

$$KL(Q_{\rm exp}\|Q_\theta)\approx\frac{1}{N}\sum_{(\alpha,P_\alpha)\sim B}\frac{Q_{\rm exp}(\alpha)}{P_\alpha}\log\frac{Q_{\rm exp}(\alpha)}{Q_\theta(\alpha)},$$

样本从提案分布 $P$ 中抽取，构成动态更新的样本库 $B$。这种设计允许采样点集中在峰值、尾部和重建误差主导的区域，极大提高测量效率。

QST-WFlow：符号准概率的双流分解

Wigner 函数可以取负值，因此无法直接建模为正态分布。QST-WFlow 创新性地将任意归一化的 Wigner 函数分解为两个归一化正分布的差：

$$W=(\lambda+1)Q_1-\lambda Q_2,$$

其中 $Q_1,Q_2$ 分别由两个归一化流表示，$\lambda\ge0$ 为可训练参数，对应全体负值部分的积分。此构造自动保证 $\int W=1$，而负值出现的位置正是第二个分量局部大于第一个分量的区域。这赋予了模型明确表征负值的能力，而非通过后期加工添加。训练时可采用重要性采样的 $L_1$ 损失：

$$L_1[W_\theta,W]\approx\frac{1}{N}\sum_{((x,p),P_{(x,p)})\sim B}\frac{|W_\theta(x,p)-W(x,p)|}{P_{(x,p)}},$$

提案分布可以选取 $\frac12(Q_1+Q_2)$，既覆盖正负区域又无需马尔可夫链蒙特卡洛（MCMC）采样。这种 “符号流” 架构把生成模型从普通概率密度推广到量子准概率分布，为处理其他带有符号的科学数据提供了新思路。

创新点与贡献

QST-Flow 的主要贡献体现在以下几个方面：

1. 统一的相空间层析框架：首次将归一化流同时应用于 $Q$ 函数和 Wigner 函数层析，无需截断密度矩阵或固定网格，模型本身就是归一化的连续表示。

2. 天然的负值表征：QST-WFlow 通过双流差分直接学习 Wigner 负值，负性由模型的可训练参数 $\lambda$ 和两个流的相对大小自然产生，避免了后期添加负值或依赖对抗训练的不稳定性。

3. 测量效率与灵活性：采用重要性采样和动态样本库，模型可根据当前重建主动选取高信息量的相空间点进行测量，打破了传统等距网格的限制，显著降低了对测量次数的需求。

4. 多模扩展能力：流模型工作在 $2M$ 维连续相空间，无需构建指数级增长的张量积网格，成功展示了 5 模和 10 模的 $Q$ 函数层析，显示出良好的可扩展性。

5. 噪声鲁棒性：在含噪 Wigner 数据上的对比实验表明，QST-WFlow 的重建误差低于先前最优的 QST-CGAN 方法，验证了基于物理先验（归一化、符号分解）的模型在面对实际噪声时的优势。

实验结果分析

论文选取了猫态、Fock 态、数值码态、二项式态和 GKP 态等典型非高斯态进行单模重建，囊括了相空间中的干涉条纹、旋转环带、稀疏叠加和格点峰结构等复杂特征。QST-QFlow 成功捕捉了 $Q$ 函数的平滑正定结构，而 QST-WFlow 则正确复现了 Wigner 函数的振荡和负值区域。在带噪 Wigner 数据基准中，QST-WFlow 的 $L_1$ 误差低于 QST-CGAN，且更忠实地跟随了测量分布。多模实验进一步证明，流模型可自然地处理高维乘积态，无需预先假设态的可分离性，为真实多体 CV 系统层析开辟了道路。

实践应用建议

对于量子计算与量子光学实验研究者，QST-Flow 提供了一种测量高效的相空间层析方案，尤其适用于：

• 超导电路和离子阱中的玻色模式：这些平台常制备猫态、GKP 态等非经典态，QST-WFlow 可直接利用位移宇称测量数据，快速获取完整的 Wigner 函数，从而验证纠错码的性能。
• 量子传感与计量：通过重建态的 $Q$ 或 Wigner 函数，可定量评估态的纯度和非高斯性，为优化传感灵敏度提供依据。
• 量子通信：在连续变量量子密钥分发和隐形传态中，层析结果可用于估计安全码率或保真度。

对于人工智能领域，QST-WFlow 的符号流差分分解范式从经典概率密度拓展到符号分布，可启发对其他含符号数据（如金融信号、相位恢复、积分变换）的生成建模。此外，重要性采样和动态样本库的策略可在主动学习、实验设计等场景中直接迁移。

未来发展方向

当前框架仅关注相空间准概率分布的拟合，并未显式保证重建态的密度矩阵完全正定。未来可将正定性约束融入流模型，例如通过添加正则项或设计具有物理可行性的网络结构。此外，实际实验中存在光子损耗、探测器死时间和非理想宇称测量，模型的噪声适应性和不确定性量化能力有待加强。结合在线自适应采样、主动选择待测相空间点，可进一步减少测量次数。最后，将流模型扩展到纠缠态、混合态以及更高维度的多模态，并与实际硬件反馈回路相结合，将是实现全自动、高效 CV 量子态层析的重要方向。

总结与展望

QST-Flow 将归一化流的强大生成能力与相空间层析的物理约束紧密结合，为连续变量量子态提供了一种测量高效、数学优雅且可扩展的重建工具。其对 Wigner 负性的直接建模打破了传统生成模型仅限于正分布的边界，不仅为量子信息处理提供了新的表征手段，更为广义上的符号数据建模开辟了道路。随着量子设备规模的扩大和复杂度的提升，这类融合物理先验与深度学习的混合方法，将在量子态的验证、控制和资源优化中发挥日益关键的作用。