多参数哈密顿量中的纠错函数估计优势
Error-corrected function estimation advantage in multiparameter Hamiltonians
浏览论文内容
中文总结 AI 辅助
本研究建立马尔可夫噪声下多参数哈密顿函数估计的精度极限，提出必要充分条件并构造纠错码，证明直接函数估计优于逐参数估计，优势随时间和参数数扩展。
中文摘要 AI 辅助
我们建立了在马尔可夫噪声存在下估计多个哈密顿参数函数的终极精度极限。通过将多参数函数估计简化为对有效单参数嵌入的优化，我们推导出量子Fisher信息的紧致界限。我们识别出一个必要且充分的函数哈密顿量不在Lindblad生成元张成空间中的条件，该条件决定是否可实现海森堡极限的时间尺度。当该条件成立时，我们构造一个码，该码同时消除噪声和干扰哈密顿参数，同时保留目标信号。当条件不成立时，我们推导出最优的标准量子极限系数，并证明该系数可通过近似量子纠错渐近达到。最后，我们证明直接函数估计可显著优于先估计所有参数再计算函数的方法。这一优势可随演化时间和参数数量扩展。
英文摘要
We establish the ultimate precision limits for estimating a function of multiple Hamiltonian parameters in the presence of Markovian noise. By reducing multiparameter function estimation to an optimization over effective single-parameter embeddings, we derive tight bounds on the quantum Fisher information. We identify a necessary and sufficient functional Hamiltonian-not-in-Lindblad-span condition for Heisenberg-limited scaling in time. When this condition holds, we construct a code that simultaneously removes the noise and nuisance Hamiltonian parameters while preserving the target signal. When it fails, we derive the optimal standard quantum-limit coefficient and show that it is asymptotically attainable using approximate quantum error correction. Finally, we demonstrate that direct function estimation can substantially outperform estimating all parameters individually and subsequently evaluating the function. This advantage can scale with both the evolution time and the number of parameters.
发表机构
- Joint Center for Quantum Information and Computer Science, National Institute of Standards and Technology and University of Maryland（量子信息与计算联合中心，美国国家标准与技术研究院和马里兰大学）
- Joint Quantum Institute, National Institute of Standards and Technology and University of Maryland（联合量子研究所，美国国家标准与技术研究院和马里兰大学）
- Volgenau Department of Physics, United States Naval Academy（沃尔格瑙物理系，美国海军学院）
机构由 AI 辅助整理，请以论文原文为准。
