活动介绍

量子力学中的希尔伯特空间与相关概念

立即解锁
发布时间: 2025-08-27 01:49:18 阅读量: 16 订阅数: 13 AIGC
PDF

量子计算与信息入门:从基础到实践

### 量子力学中的希尔伯特空间与相关概念 #### 1. 希尔伯特空间基础 在量子力学里,希尔伯特空间是一个重要概念。若 |α⟩ 是向量,那么 c |α⟩ 同样是向量,这里的 c 通常是复数。考虑 n 个向量的线性组合: \[c_1 |α_1⟩ + c_2 |α_2⟩ + \cdots + c_n |α_n⟩\] 当且仅当 \(c_1 = c_2 = \cdots = c_n = 0\) 时,此和等于零向量 0,这时向量组 \(|α_1⟩, |α_2⟩, \cdots, |α_n⟩\) 被称作线性无关。一个能容纳 n 个线性无关向量,但不能容纳 \(n + 1\) 个的空间,被定义为 n 维空间。一般而言,希尔伯特空间允许无穷维,但我们主要关注由有限且可数的一组基向量张成的希尔伯特空间,例如五灯泡系统的希尔伯特空间维数为 32。 #### 2. 狄拉克的括号记号 内积(或标量积)是希尔伯特空间的一种结构,用于衡量两个向量的“重叠”程度。在普通三维欧几里得空间中,两个向量的点积就是内积的一个例子。这里我们引入狄拉克的括号记号来定义内积。之前我们用符号 \(| \cdots ⟩\) 表示希尔伯特空间中的向量,这被称为右矢(ket)。同时,我们引入对偶空间,它可看作希尔伯特空间中向量(右矢)的镜像。对于右矢 \(|α⟩\),其在对偶空间的对应向量用 \(⟨α|\) 表示,称为左矢(bra)。 若右矢 \(|Ψ ⟩ = c_1|α_1⟩ + c_2 |α_2⟩ + \cdots + c_n |α_n⟩\),那么其对应的左矢为 \(⟨Ψ | = c_1^*⟨α_1| + c_2^* ⟨α_2| + \cdots + c_n^* ⟨α_n|\),这里的展开系数是右矢空间中对应系数的复共轭。 右矢和左矢只能同类相加,像 \(|Ψ ⟩ + ⟨Φ|\) 这样的表达式是无意义的。但我们可以通过右矢和左矢的特定组合构建新的结构,主要有两种形式: - \(⟨Φ|Ψ ⟩\):表示内积,结果是一个复数。 - \(|Ψ ⟩⟨Φ|\):称为外积,它既不是标量也不是向量,后续会将其解释为算符。 内积具有以下性质: - \(⟨Φ|Ψ ⟩ = ⟨Ψ |Φ ⟩^*\),即它们互为复共轭。 - \(⟨Ψ |Ψ ⟩ \geq 0\),这使得我们可以为任何向量赋予一个“长度” \(\sqrt{⟨Ψ |Ψ ⟩}\)。当 \(⟨Ψ |Ψ ⟩ = 1\) 时,该向量被称为单位长度或归一化的。 狄拉克的内积分配公理指出,对于两个向量 \(|Ψ ⟩ = c_1|α_1⟩ + c_2|α_2⟩\) 和 \(|Φ⟩ = d_1|α_1⟩ + d_2|α_2⟩\),它们的内积为: \[⟨Ψ |Φ⟩ = (c_1^*⟨α_1| + c_2^*⟨α_2|)(d_1|α_1⟩ + d_2|α_2⟩) = c_1^*d_1⟨α_1|α_1⟩ + c_1^*d_2⟨α_1|α_2⟩ + c_2^*d_1⟨α_2|α_1⟩ + c_2^*d_2⟨α_2|α_2⟩\] 若两个向量 \(|α_1⟩\) 和 \(|α_2⟩\) 的内积为零,即 \(⟨α_1|α_2⟩ = ⟨α_2|α_1⟩ = 0\),则称它们正交。在 n 维希尔伯特空间中,若一组 n 个归一化的线性无关向量 \(|α_1⟩, |α_2⟩, \cdots, |α_n⟩\) 两两正交,即 \(⟨α_i|α_j⟩ = δ_{ij}\)(\(δ_{ij}\) 是克罗内克符号,当 \(i = j\) 时 \(δ_{ij} = 1\),否则 \(δ_{ij} = 0\)),那么这组向量构成该向量空间的一组基。例如,三维欧几里得空间中的单位向量 \(\hat{i}, \hat{j}, \hat{k}\) 就构成了一组基。 在五量子比特寄存器的希尔伯特空间中,有如下假设: - m - 假设 III a:式 (1.3) 右侧列出的 32 个向量构成了五量子比特寄存器希尔伯特空间的一组基。这些向量两两正交且每个向量长度为 1,即基向量是正交归一的。 - m - 假设 II b:\(|Ψ ⟩ = \sum_{i = 1}^{n} c_i|α_i⟩\)。若要求 \(|Ψ ⟩\) 具有单位长度,即 \(⟨Ψ |Ψ ⟩ = 1\),则有 \(\sum_{i = 1}^{n} \sum_{j = 1}^{n} c_i^* c_j ⟨α_i|α_j⟩ = \sum_{i = 1}^{n} \sum_{j = 1}^{n} c_i^* c_jδ_{ij} = \sum_{i = 1}^{n} |c_i|^2 = 1\)。 下面我们通过与向量微积分中熟悉的例子进行对比,来巩固对这些概念的理解: |结构|欧几里得空间|希尔伯特空间| | ---- | ---- | ---- | |基展开|\(\vec{A} = A_x \hat{i} + A_y \hat{j} + A_z \hat{k}\)|\(|Ψ ⟩ = c_1 |α_1⟩ + c_2 |α_2⟩ + \cdots + c_n |α_n⟩\)| |内积|\(\vec{A} \cdot \vec{B}\)|\(⟨Φ |Ψ ⟩\)| |基分量|\(A_x = \vec{A} \cdot \hat{i}, \cdots\)|\(c_i = ⟨α_i |Ψ ⟩, i = 1, 2, \cdots, n\)| |外积(并矢)|\(\hat{j} \hat{k}, \cdots\)|\(|α_i⟩⟨α_j|\)| 我们还引入了一种更简洁的记号来表示基向量,例如 \(|00000⟩ \equiv |0⟩_5\),\(|00010⟩ \equiv |2⟩_5\) 等。此时 \(|Φ⟩ = \sum_{i = 0}^{31} |i⟩_5\),且 \(⟨Φ|Φ⟩ = \sum_{i = 0}^{31} \sum_{j = 0}^{31} _5⟨i|j⟩_5 = 32\)。由于希尔伯特空间中的向量有长度,我们要求物理状态具有单位长度,即 \(⟨Ψ |Ψ ⟩ = 1\)。 #### 3. 玻恩规则 现在我们可以陈述五量子比特寄存器的玻恩规则(m - 假设 III b):若五量子比特寄存器处于状态 \(|Ψ ⟩ = \sum_{i = 0}^{31} c_i|i⟩_5\),那么一次测量会得到对应 32 个状态 \(|i⟩_5\) 之一的灯泡配置,其概率为 \(p_i = |c_i|^2 = |⟨i|Ψ ⟩_5|^2\),并且由于 \(⟨Ψ |Ψ ⟩ = 1\),有 \(\sum_{i} p_i = 1\)。 为了更好地理解玻恩规则,我们进行一个思想实验。假设有 1000 个实验者,每个实验者的实验室里都有一个五灯泡寄存器,且每个系统都由相同的状态向量 \(|Ψ ⟩\) 描述。他们对灯泡配置进行测量,m - 假设 I 表明测量会得到 32 种可能配置之一。实验者将测量结果记录在实验手册中,之后进行数据对比。例如,某次实验的结果如下表所示: |测量结果|观测次数| | ---- | ---- | |00000|101| |01000|209| |10001|321| |11000|369| 根据概率的频率解释,经过大量 \(N\) 次试验后,得到第 \(i\) 个结果的概率 \(p_i = (\text{得到选择 } i \text{ 的试验次数}) / N\),显然 \(\sum_{i} p_i = 1\)。基于这些数据,我们可以推测状态 \(|Ψ ⟩\),一个合理的假设是: \[|Ψ ⟩ = \sqrt{\frac{101}{1000}} |0⟩_5 + \sqrt{\frac{209}{1000}} |8⟩_5 + \sqrt{\frac{321}{1000}} |17⟩_5 + \sqrt{\frac{369}{1000}} |24⟩_5\] 但这不是唯一的选择,因为展开系数 \(c_i\) 是复数,当系数乘以任意相位 \(β\)(即 \(c_i \to \exp(iβ)c_i\))时,概率分布 \(|c_i|^2\) 不变。而且,频率解释只有在 \(N \to \infty\) 时才能保证结果,重复实验可能会出现统计波动。 玻恩规则表明量子力学是一种概率性理论,即使完全了解系统状态 \(|Ψ ⟩\),也不能保证测量有确定结果,它只能给出测量结果的概率分布。一旦进行测量,系统会“坍缩”到对应测量结果的基态,之后再进行测量,该结果的概率为 1。 下面是一个简单的流程图,展示了测量过程: ```mermaid graph TD; A[系统处于状态 |Ψ ⟩] --> B[进行测量]; B --> C{得到结果}; C -->|结果为 |i⟩| D[系统坍缩到 |i⟩ 态]; D --> E[后续测量结果为 |i⟩ 的概率为 1]; ``` ### 量子力学中的希尔伯特空间与相关概念 #### 4. 外积与算符 在这部分,我们使用狄拉克的括号形式构建外积。狄拉克的外积分配公理指出,对于状态 \(|Ψ ⟩ = c_1|α_1⟩ + c_2|α_2⟩\) 和 \(|Φ⟩ = d_1|α_1⟩ + d_2|α_2⟩\),它们的外积为: \[|Ψ ⟩⟨Φ| = (c_1|α_1⟩ + c_2|α_2⟩)(d_1^*⟨α_1| + d_2^*⟨α_2|) = c_1d_1^*|α_1⟩⟨α_1| + c_1d_2^*|α_1⟩⟨α_2| + c_2d_1^*|α_2⟩⟨α_1| + c_2d_2^*|α_2⟩⟨α_2|\] 考虑外积 \(X \equiv |Φ⟩⟨Ψ |\),根据狄拉克记号,我们可以将它放在右矢 \(|Γ ⟩\) 前面,或者左矢 \(⟨Γ |\) 的右边,即 \(X |Γ ⟩\) 和 \(⟨Γ | X\) 分别是希尔伯特空间和对偶空间中的有效表达式,但 \(|Γ ⟩X\) 和 \(X⟨Γ |\) 是不合法的。 狄拉克的外积结合公理表明: - 对于外积 \(X\) 和右矢 \(|Γ ⟩\),\(X |Γ ⟩ = (|Φ⟩⟨Ψ |) |Γ ⟩ = |Φ⟩(⟨Ψ |Γ ⟩) = c |Φ⟩\),其中 \(c \equiv ⟨Ψ |Γ ⟩\)。 - 对于左矢 \(⟨Γ |\),\(⟨Γ | X = ⟨Γ |(|Φ⟩⟨Ψ |) = (⟨Γ |Φ⟩)⟨Ψ | = ⟨Ψ | d\),其中 \(d \equiv ⟨Γ |Φ⟩\)。 从上述规则可以看出,外积 \(X\) 作用在向量 \(|Γ ⟩\) 上,将其变换为希尔伯特空间中的另一个向量 \(c |Φ⟩\),在对偶空间中也有类似作用。因此,外积可以用来构建希尔伯特空间中的算符,算符可以将一个向量映射到希尔伯特空间中的另一个向量。 下面介绍几个重要的算符定义: - **伴随算符**:对于算符 \(X\) 和右矢 \(|Φ⟩\),\(X |Φ⟩\) 的对偶由表达式 \(⟨Φ| X^{\dagger}\) 给出,\(X^{\dagger}\) 称为 \(X\) 的伴随算符或共轭转置算符。 - **厄米算符**:具有 \(X = X^{\dagger}\) 性质的算符 \(X\) 称为厄米算符或自伴算符。 - **幺正算符**:算符 \(U\) 是幺正算符,当且仅当 \(U U^{\dagger} = U^{\dagger} U = 1\),其中 \(1\) 是单位算符,即 \(1|Ψ ⟩ = |Ψ ⟩\) 对于希尔伯特空间中的所有 \(|Ψ ⟩\) 都成立。 厄米算符和幺正算符在量子计算和信息应用中起着核心作用。 #### 5. 本征值与本征向量 算符可以将希尔伯特空间中的一个向量变换为另一个向量,对于某些向量 \(|Φ⟩\),存在特殊的变换性质: \[X |Φ⟩ = φ |Φ⟩\] 这种类型的方程称为本征值方程,向量 \(|Φ⟩\) 称为本征向量,常数 \(φ\) 称为与该本征向量相关的本征值。 关于厄米算符有两个重要定理: - **定理 1.1**:厄米算符的本征值是实数。 - **定理 1.2**:如果厄米算符的本征值是不同的,那么对应的本征向量相互正交;如果某些本征值相同(简并),则可以将这些本征向量的线性组合变为相互正交。 下面以五量子比特寄存器为例进行说明。由于所有操作都在 32 维希尔伯特空间中进行,右矢 \(|j⟩_5\) 简记为 \(|j⟩\)。考虑算符 \(N_6 \equiv |00110⟩⟨01100|\),即 \(|6⟩⟨6|\)。 - 首先,\(N_6\) 是厄米算符,根据定理 1.1,其本征值是实数。实际上,\(N_6\) 的本征值为 1 和 0,分别对应本征向量 \(|6⟩\) 和 \(j \neq 6\) 的右矢 \(|j⟩\)。 - 证明: - \(N_6 |6⟩ = (|6⟩⟨6|) |6⟩ = |6⟩(⟨6|6⟩) = 1 |6⟩\) - \(N_6 |j⟩ = |6⟩(⟨6|j⟩) = 0 |j⟩\)(\(j \neq 6\)),这里使用了向量 \(|j⟩\) 的正交归一性。本征值 0 是 31 重简并的,因为每个 \(|j \neq 6⟩\) 都有相同的本征值。同时,\(N_6\) 的本征向量也满足定理 1.2。 - 再定义另一个算符 \(N \equiv \sum_{j = 0}^{31} j (|j⟩⟨j|)\),这里外积 \((|j⟩⟨j|)\) 乘以标记每个右矢的整数 \(j\)。可以证明 \(N^{\dagger} = \sum_{j = 0}^{31} j (|j⟩⟨j|) = N\),所以 \(N\) 是厄米算符。其本征向量 \(|j⟩\) 由 \(j\) 标记,\(j\) 恰好是 \(N\) 的本征值。根据玻恩规则,用算符 \(N\) 对处于状态 \(|Ψ ⟩\) 的量子比特寄存器进行测量,得到寄存器处于第 \(j\) 个配置的概率为 \(p_j = |⟨j|Ψ ⟩|^2\)。因此,算符 \(N\) 是一个配置或占据数测量算符,其本征值标识了测量所揭示的每个可能配置标签。 下面的表格总结了不同算符的性质: |算符类型|定义|性质| | ---- | ---- | ---- | |伴随算符|\(X^{\dagger}\) 满足 \(⟨Φ| X^{\dagger}\) 是 \(X |Φ⟩\) 的对偶|用于描述算符的对偶关系| |厄米算符|\(X = X^{\dagger}\)|本征值为实数,本征向量可正交化| |幺正算符|\(U U^{\dagger} = U^{\dagger} U = 1\)|保持向量长度不变| 最后,给出一个流程图,展示算符作用于向量的过程: ```mermaid graph TD; A[向量 |Γ ⟩] --> B[算符 X 作用]; B --> C[得到新向量 c |Φ⟩]; ``` 通过以上内容,我们深入了解了希尔伯特空间、外积、算符以及本征值和本征向量等概念在量子力学中的应用,这些概念是理解量子计算和信息理论的基础。
corwn 最低0.47元/天 解锁专栏
赠100次下载
点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

SW_孙维

开发技术专家
知名科技公司工程师,开发技术领域拥有丰富的工作经验和专业知识。曾负责设计和开发多个复杂的软件系统,涉及到大规模数据处理、分布式系统和高性能计算等方面。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看

最新推荐

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象

PyTorch神经网络构建与训练全解析

### PyTorch 神经网络构建与训练全解析 #### 1. 特征标准化 在很多情况下,对特征进行标准化是一个很好的做法,即使并非总是必要(例如当所有特征都是二元特征时)。标准化的目的是让每个特征的值具有均值为 0 和标准差为 1 的特性。使用 scikit-learn 的 `StandardScaler` 可以轻松完成这一操作。 然而,如果你在创建了 `requires_grad=True` 的张量后需要进行标准化操作,就需要在 PyTorch 中直接实现,以免破坏计算图。以下是在 PyTorch 中实现特征标准化的代码: ```python import torch # Creat