nach oben

Quantum Information Processing

Erschienen in:

01.06.2016

An improved robust ADMM algorithm for quantum state tomography

verfasst von: Kezhi Li, Hui Zhang, Sen Kuang, Fangfang Meng, Shuang Cong

Erschienen in: Quantum Information Processing | Ausgabe 6/2016

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

In this paper, an improved adaptive weights alternating direction method of multipliers algorithm is developed to implement the optimization scheme for recovering the quantum state in nearly pure states. The proposed approach is superior to many existing methods because it exploits the low-rank property of density matrices, and it can deal with unexpected sparse outliers as well. The numerical experiments are provided to verify our statements by comparing the results to three different optimization algorithms, using both adaptive and fixed weights in the algorithm, in the cases of with and without external noise, respectively. The results indicate that the improved algorithm has better performances in both estimation accuracy and robustness to external noise. The further simulation results show that the successful recovery rate increases when more qubits are estimated, which in fact satisfies the compressive sensing theory and makes the proposed approach more promising.

Vorheriger Artikel Quantum speedup of uncoupled multiqubit open system via dynamical decoupling pulses

Nächster Artikel Fast generation of N-atom Greenberger–Horne–Zeilinger state in separate coupled cavities via transitionless quantum driving

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Nur mit Berechtigung zugänglich

Smith, A., Riofro, C., Anderson, B., Martinez, H., Deutsch, I., Jessen, P.: Quantum state tomography by continuous measurement and compressed sensing. Phys. Rev. A 87, 030102 (2013)ADSCrossRef

Wu, X., Xu, K.: Partial standard quantum process tomography. Quantum Inf. Process. 12(2), 1379–1393 (2013). doi:10.1007/s11128-012-0473-9 ADSMathSciNetCrossRefMATH

Heinosaari, T., Mazzarella, L., Wolf, M.: Quantum tomography under prior information. Commun. Math. Phys. 318(2), 355–374 (2013). doi:10.1007/s00220-013-1671-8 ADSMathSciNetCrossRefMATH

Wu, L.A., Byrd, M.: Self-protected quantum algorithms based on quantum state tomography. Quantum Inf. Process. 8(1), 1–12 (2009). doi:10.1007/s11128-008-0090-9 MathSciNetCrossRefMATH

Baraniuk, R.: Compressive sensing. IEEE Signal Process. Mag. 24(4), 118–121 (2007). doi:10.1109/MSP.2007.4286571 ADSMathSciNetCrossRef

Donoho, D.L.: Compressed sensing. IEEE Trans. Inf. Theory 52, 1289–1306 (2006)MathSciNetCrossRefMATH

Gross, D., Liu, Y., Flammia, S.T., Becker, S., Eisert, J.: Quantum state tomography via compressed sensing. Phys. Rev. Lett. 105(15), 150401 (2010)ADSCrossRef

Schwemmer, C., Tóth, G., Niggebaum, A., Moroder, T., Gross, D., Gühne, O., Weinfurter, H.: Experimental comparison of efficient tomography schemes for a six-qubit state. Phys. Rev. Lett. 113(5), 0401503 (2014)

Lloyd, S., Mohseni, M., Rebentrost, P.: Quantum principal component analysis. Nat. Phys. 10(9), 631–633 (2014)

10.

Shabani, A., Kosut, R.L., Mohseni, M., Rabitz, H., Broome, M.A., Almeida, M.P., Fedrizzi, A., White, A.G.: Efficient measurement of quantum dynamics via compressive sensing. Phys. Rev. Lett. 106(4), 100401 (2011). doi:10.1103/PhysRevLett.106.100401 ADSCrossRef

11.

Flammia, S.T., Gross, D., Liu, Y.K., Eisert, J.: Quantum tomography via compressed sensing: error bounds, sample complexity and efficient estimators. New J. Phys. 14(9), 095022 (2012)ADSCrossRef

12.

Miosso, C., von Borries, R., Argaez, M., Velazquez, L., Quintero, C., Potes, C.: Compressive sensing reconstruction with prior information by iteratively reweighted least-squares. IEEE Trans. Signal Process. 57(6), 2424–2431 (2009). doi:10.1109/TSP.2009.2016889 ADSMathSciNetCrossRef

13.

Kosut, R., Lidar, D.: Quantum error correction via convex optimization. Quantum Inf. Process. 8(5), 443–459 (2009). doi:10.1007/s11128-009-0120-2 MathSciNetCrossRefMATH

14.

Liu, Y.: Universal low-rank matrix recovery from pauli measurements. In: Proceedings of Advances in Neural Information Processing Systems, pp. 1638–1646 (2011)

15.

Boyd, S., Parikh, N., Chu, E., Peleato, B., Eckstein, J.: Distributed optimization and statistical learning via the alternating direction method of multipliers. Found. Trends Mach. Learn. 3(1), 1–22 (2011)CrossRefMATH

16.

He, B., Yang, H., Wang, S.: Alternating direction method with self-adaptive penalty parameters for monotone variational inequalities. J. Optim. Theory Appl. 106(2), 337–356 (2000). doi:10.1023/A:1004603514434 MathSciNetCrossRefMATH

17.

Lin, Z., Liu, R., Su, Z.: Linearized alternating direction method with adaptive penalty for low rank representation. In: Proceedings of Advances in Neural Information Processing Systems, pp. 612–620 (2011)

18.

Gross, D.: Recovering low-rank matrices from few coefficients in any basis. IEEE Trans. Inf. Theory 57(3), 1548–1566 (2011). doi:10.1109/TIT.2011.2104999 MathSciNetCrossRef

19.

Wright, J., Ganesh, A., Min, K., Ma, Y.: Compressive principal component pursuit. J. IMA 2, 32–68 (2013)MathSciNetMATH

20.

Yuan, X.M., Yang, J.: Sparse and low-rank matrix decomposition via alternating direction methods. Pac. J. Optim. (2009)

21.

Li, K., Cong, S.: A robust compressive quantum state tomography algorithm using admm. In: The 19th World Congress of the International Federation of Automatic Control, pp. 6878–6883 (2014)

22.

Cong S., Z.H., K., L.: An improved quantum state estimation algorithm via compressive sensing. In: 2014 IEEE international conference on Robio and Biomimetics, 5–10, pp. 2238–2343 (2014)

23.

Recht, B., Fazel, M., Parillo, P.: Guaranteed minimum rank solution of matrix equations via nuclear norm minimization. SIAM Rev. 52, 471–501 (2007)CrossRefMATH

24.

Zyczkowski, K., Penson, K.A., Nechita, I., Collins, B.: Generating random density matrices. J. Math. Phys. 52(6), 062201 (2011)

25.

Boyd, S., Vandenberghe, L.: Convex Optimization. Cambridge Univ. Press, Cambridge, U.K. (2004)CrossRefMATH

26.

Candés, E.J., Li, X., Ma, Y., Wright, J.: Robust principal component analysis? J. ACM 58(3), 1–37 (2011)MathSciNetCrossRefMATH

27.

Candès, E., Romberg, J.: Quantitative robust uncertainty principles and optimally sparse decompositions. Found. Comput. Math. 6(8), 227–254 (2006)MathSciNetCrossRefMATH

28.

Candès, E., Romberg, J.: Sparsity and incoherence in compressive sampling. Inverse Probl. 23, 969–985 (2007)ADSMathSciNetCrossRefMATH

29.

Sturm, J.F.: Using sedumi 1.02, a matlab toolbox for optimization over symmetric cones. Optim. Methods Softw. 11–12, 625–653 (1999)

Titel: An improved robust ADMM algorithm for quantum state tomography
verfasst von: Kezhi Li
Hui Zhang
Sen Kuang
Fangfang Meng
Shuang Cong
Publikationsdatum: 01.06.2016
Verlag: Springer US
Erschienen in: Quantum Information Processing / Ausgabe 6/2016
Print ISSN: 1570-0755
Elektronische ISSN: 1573-1332
DOI: https://doi.org/10.1007/s11128-016-1288-x

Neuer Inhalt

Bildnachweise

VDI-Icon, Profil Icon, inhalt2, Springer Professional Modul/© Springer Fachmedien Wiesbaden GmbH, Nachhaltigkeitsaward Key Visual/© Cometis AG/Global ESG Monitor | Daniel Rupp | Generiert mit KI, Search Icon, Banner Hanser, Jonas Klose/© Pine Valley Capital GmbH, Carina Kießling von der Strategieberatung Roland Berger/© Monika Walther Fotografie | ATZ, Beijing Auto Show 2024: Deutsche Hersteller wollen angreifen./© EKH-Pictures / Generated with AI / Stock.adobe.com, Zeitschrift Wissensmanagement Cover, PatentFit-Logo/© Springer Fachmedien Wiesbaden GmbH, Zukunftswerkstatt Sales Excellence 2024/© AndreyPopov / Getty Images / iStock, 2023_Antrieb/© supervisuell, ATZ-Webinar: Prototypenfreie Entwicklung durch Offline- und Driver-in-the-Loop-HiL-Tests /© (c) VI-grade

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Weitere Artikel der Ausgabe 6/2016

Maximum density of quantum information in a scalable CMOS implementation of the hybrid qubit architecture

Efficient quantum dialogue using entangled states and entanglement swapping without information leakage

A quantum mechanics-based algorithm for vessel segmentation in retinal images

Study of a monogamous entanglement measure for three-qubit quantum systems

Tripartite operation sharing with five-qubit Brown state

Arbitrated quantum signature scheme based on cluster states

Neuer Inhalt

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.