基于流的连续变量量子态相空间层析成像

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

arXiv: 2607.21584v1

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

3 分钟速览

  • 研究问题：这篇论文要解决如何高效重建连续变量（Continuous-Variable, CV）量子态在相空间中的准概率分布，特别是处理高维、非高斯态以及 Wigner 函数中的负值区域这一难题。
  • 核心方法：作者提出了 QST-Flow 框架，使用归一化流（Normalizing Flows）这种生成式模型直接学习相空间的准概率分布。其中，QST-QFlow 用单个流模型模拟正值的 Husimi-Q 函数，而 QST-WFlow 用两个流的可训练差值来表示带负值的 Wigner 函数。
  • 关键结果：在含噪声的 Wigner 函数层析基准测试中，QST-WFlow 的重建误差（L1L_1 距离）低于现有的先进方法 QST-CGAN（见论文图 3）。
  • 主要局限：论文中训练的 Wigner 函数模型并未明确强制其对应的密度矩阵满足物理上的半正定性，这可能导致重建结果在物理上不完全合法。此外，多模态测试目前仅限于直积态。
  • 适合读者：适合从事量子信息、量子光学、量子计算实验以及机器学习，特别是对生成模型和量子态表征交叉领域感兴趣的研究人员和学生。

论文背景和研究动机

连续变量（CV）量子系统是量子光学、超导电路和量子纠错等领域的核心。要完整描述这些系统的量子态，通常需要借助相空间中的准概率分布，例如总是正值的 Husimi-Q 函数和能展示非经典负值特征的 Wigner 函数。然而，CV 系统的希尔伯特空间是无限维的，而实验上只能获得有限且含有噪声的测量数据。传统的量子态层析（Tomography）方法通常在截断的 Fock 基或固定网格上重建密度矩阵，其计算成本随着模式（Mode）数量增加呈指数级增长，难以解析像猫态（Cat states）、GKP 态这类具有精细相空间结构的非经典态。

近年来，基于机器学习的方法开始被用于解决这一挑战，但学习普适的非高斯和多模 CV 态依然困难，因为模型必须处理无限维相空间、有限噪声测量、Wigner 函数的负值，并需要可扩展的连续表示。正是在此背景下，本研究创新性地将数学上精巧的 “归一化流” 生成模型引入到量子态层析中。

核心方法和技术细节

论文提出名为 QST-Flow 的统一框架，该框架能够直接从相空间的测量数据中学习准概率分布，而无需依赖密度矩阵的截断。该框架包含两个变体，分别对应两种关键的相空间表示：

QST-QFlow：面向 Husimi-Q 函数的概率建模

由于 Husimi-Q 函数 Q[ρ](α)=1π⟨α∣ρ∣α⟩Q[\rho](\alpha) = \frac{1}{\pi}\langle\alpha|\rho|\alpha\rangle 本身是非负且归一化的，可以直接被视为一个概率密度函数。QST-QFlow 采用单个归一化流模型 fθf_\theta，将一个简单的初始分布（如标准正态分布）通过一系列可逆且雅可比行列式可计算的变换，映射为复杂的 Q 函数分布。训练过程基于最小化实验测量的 QexpQ_{exp} 与模型 QθQ_\theta 之间的 KL 散度（Kullback-Leibler divergence），并巧妙地采用重要性采样（Importance Sampling）策略。它维护一个包含历史采样点及其概率的 “样本银行”（Sample Bank），使得无偏估计可以在任意提议分布（Proposal Distribution）下进行，这允许模型在没有固定网格限制的情况下，将采样点自适应地集中在概率密度峰值、尾部等关键区域。

QST-WFlow：面向 Wigner 函数的带符号密度建模

Wigner 函数 W(x,p)W(x,p) 可正可负，无法直接视为概率密度。QST-WFlow 提出了一种巧妙的分解方法（见论文补充材料定理 1）：任何归一化的相空间函数 WW 都可以表示为两个归一化非负分布 Q1Q_1 和 Q2Q_2 的差值，即 Wθ=(λ+1)Q1−λQ2W_\theta = (\lambda+1)Q_1 - \lambda Q_2。其中，λ\lambda 是一个控制负值权重的可训练非负参数，而 Q1Q_1 和 Q2Q_2 则分别由两个独立的归一化流模型表示。这种构造自动保证了重建 Wigner 函数的归一化，并且负值区域自然产生于当第二个流分量 Q2Q_2 的贡献超过第一个时。训练使用最小化 L1L_1 距离作为损失函数，同样结合重要性采样估计。模型可以选择均匀混合分布 12(Q1+Q2)\frac{1}{2}(Q_1+Q_2) 作为提议分布来采样，无需借助马尔可夫链蒙特卡洛（MCMC）等更复杂的方法。

创新点和贡献

  1. 首个面向负值准概率分布的流模型：QST-WFlow 创造性地将归一化流从普通的概率密度估计扩展到了具有正负符号的准分布领域。通过两个流的差值结构，模型显式地学习 Wigner 函数的负值部分，而非将其作为后处理产物。这在生成模型和量子物理之间建立了一座新颖的桥梁。
  2. 统一的连续表示与高效采样：框架提供了一个不依赖网格截断和基组截断的连续相空间表示。它天然支持精确的密度评估、直接采样和基于重要性采样的学习，使得模型可以从任意位置采集的有限测量中学习，这为实验上的自适应测量策略提供了潜力。
  3. 可扩展的多模态处理：传统方法处理多模系统时，计算复杂度随模式数呈指数爆炸。而归一化流直接在连续的 2M2M 维相空间中操作，通过采样进行学习和评估，避免了穷举张量积网格。论文展示了 5 模和 10 模（见补充材料图 S1）Q 函数的成功重建，尽管目前仅限于直积态，但展示了该表示方法的扩展能力。

实验结果分析

研究者在几种具有代表性的非高斯单模态上测试了 QST-Flow 框架，包括猫态、福克态（|10⟩）、数态编码（number-code）、二项式态（binomial）和 GKP 态。如图 2 所示，QST-QFlow 准确地学习了平滑且为正的 Q 函数，而 QST-WFlow 则成功捕获了 Wigner 函数中尖锐的振荡和负值波瓣。

一个关键的实验是与先前最先进的机器学习层析方法 QST-CGAN 进行对比。在使用同样的含噪声 Wigner 函数数据集进行训练和测试后，QST-WFlow 所得结果的 L1L_1 重建误差更低，并且更紧密地贴合了测量的分布（见论文图 3）。论文分析认为，这种改进源于 QST-WFlow 的结构优势：它输出的是归一化的带符号密度，而非无约束的图像，并且其损失函数直接基于测量的准概率值进行计算。

局限与待解决问题

尽管 QST-Flow 取得了显著进展，但作为一个基础框架，它仍存在一些开放问题和局限性：

  1. 重建物理态的约束缺失：这是论文明确指出的一个局限。QST-WFlow 虽然能准确拟合 Wigner 函数数据，但其学习到的带符号函数 WθW_\theta 未必总能对应一个物理上合法的密度矩阵（即半正定矩阵）。论文中的评估主要基于相空间误差和与纯态目标的保真度，没有强制模型输出满足物理约束。
  2. 多模纠缠态的复杂性：论文中展示的多模态案例均为直积态。要从任意测量数据中重建具有模式间纠缠的普遍多模量子态，其根本的信息论难题并未被基于流的方法解决，其表征能力和采样效率将面临巨大挑战。
  3. 实验噪声与统计误差建模：论文主要在理想仿真数据或特定含噪数据集上验证模型。对于真实实验中的复杂噪声模型（如光子损失、探测器噪声等）以及有限次测量带来的统计不确定性，该方法如何提供误差棒或进行鲁棒建模仍需深入研究。
  4. 训练稳定性和计算成本：论文补充材料显示，为重建复杂的单模 Wigner 函数（如 GKP 态、福克态），训练步数从默认的 500 步增加到了 4000 步（见实验细节）。这表明对于非经典特征更强的态，训练稳定性和收敛成本可能成为一个实践中的瓶颈，尽管相较于网格方法其在高维仍有优势。