[量子计算与量子信息] 2.1 线性代数

2.1 线性代数

符号对照表

image-20231108101831542

量子力学中,向量使用 ∣ ψ ⟩ \ket \psi ∣ψ⟩ (ket)来表示,可以理解为一个列向量。其对偶向量为 ⟨ ψ ∣ \bra \psi ⟨ψ∣ ,可以理解为行向量。

向量空间中零向量直接用 0 0 0 表示, ∣ 0 ⟩ \ket{0} ∣0⟩ 已有了其他含义。

2.1.1 基与线性无关

向量空间中的一个生成集是一组向量 ∣ v 1 ⟩ , ∣ v 2 ⟩ , . . . , ∣ v n ⟩ \ket{v_1},\ket{v_2},...,\ket{v_n} ∣v1​⟩,∣v2​⟩,...,∣vn​⟩,空间中的任意向量 ∣ v ⟩ \ket{v} ∣v⟩ 均能使用该组向量的线性组合来表示,即 ∣ v ⟩ = ∑ i a i ∣ v i ⟩ \ket{v} = \sum_i a_i \ket{v_i} ∣v⟩=∑i​ai​∣vi​⟩。

线性相关

一组非零向量 ∣ v 1 ⟩ , ∣ v 2 ⟩ , . . . , ∣ v n ⟩ \ket{v_1},\ket{v_2},...,\ket{v_n} ∣v1​⟩,∣v2​⟩,...,∣vn​⟩,如果存在一组复数 a 1 , a 2 , . . . , a n a_1, a_2,...,a_n a1​,a2​,...,an​,其中至少对一个 i i i ,有 a i ≠ 0 a_i \ne 0 ai​=0,
a 1 ∣ v 1 ⟩ + a 2 ∣ v 2 ⟩ + . . . + a n ∣ v n ⟩ = 0 a_1 \ket{v_1} + a_2 \ket{v_2} + ... + a_n \ket{v_n} = 0 a1​∣v1​⟩+a2​∣v2​⟩+...+an​∣vn​⟩=0
成立。反之,则是线性无关的。

对于任意两个线性无关的向量组如果都是向量空间 V V V 的生成集,则必然包含相同数目的元素。

2.1.2 线性算子与矩阵

定义

任意对输入是线性的函数 A : V → W A:V\rightarrow W A:V→W,满足:
A ( ∑ i a i ∣ ψ ⟩ ) = ∑ i a i A ∣ ψ ⟩ A(\sum_i a_i \ket{\psi}) = \sum_i a_i A \ket \psi A(i∑​ai​∣ψ⟩)=i∑​ai​A∣ψ⟩
线性算子与矩阵是等价的。

设 A : V → W A: V \rightarrow W A:V→W 是向量空间 V V V 和 W W W 之间的一个线性算子,设 ∣ v 1 ⟩ , ∣ v 2 ⟩ , . . . ∣ v m ⟩ \ket{v_1},\ket{v_2},...\ket{v_m} ∣v1​⟩,∣v2​⟩,...∣vm​⟩ 是 V V V 的一个基而 ∣ w 1 ⟩ , ∣ w 2 ⟩ , . . . , ∣ w n ⟩ \ket{w_1},\ket{w_2},...,\ket{w_n} ∣w1​⟩,∣w2​⟩,...,∣wn​⟩ 是 W W W 的一个基。于是存在
A ∣ v j ⟩ = ∑ i A i j ∣ w i ⟩ A \ket{v_j} = \sum_i A_{ij} \ket{w_i} A∣vj​⟩=i∑​Aij​∣wi​⟩

2.1.3 Pauli 阵

image-20231108113834198

2.1.4 内积

内积定义

存在从 V × V V \times V V×V 到 C C C 的函数 ( ∙ , ∙ ) (\bullet,\bullet) (∙,∙),满足:

  1. ( ∙ , ∙ ) (\bullet,\bullet) (∙,∙) 对第二个自变量是线性的,即

( ∣ v ⟩ , ∑ i λ i ∣ w i ⟩ ) = ∑ i λ i ( ∣ v ⟩ , ∣ w i ⟩ ) (\ket{v}, \sum_i \lambda_i \ket{w_i}) = \sum_i \lambda_i(\ket v,\ket{w_i}) (∣v⟩,i∑​λi​∣wi​⟩)=i∑​λi​(∣v⟩,∣wi​⟩)

  1. ( ∣ v ⟩ , ∣ w ⟩ ) = ( ∣ w ⟩ , ∣ v ⟩ ) ∗ (\ket v, \ket w) = (\ket w, \ket v)^* (∣v⟩,∣w⟩)=(∣w⟩,∣v⟩)∗,即 ⟨ v ∣ w ⟩ = ( ⟨ w ∣ v ⟩ ) ∗ \braket{v|w} = (\braket{w|v})^* ⟨v∣w⟩=(⟨w∣v⟩)∗

  2. ( ∣ v ⟩ , ∣ v ⟩ ) ≥ 0 (\ket v, \ket v) \ge 0 (∣v⟩,∣v⟩)≥0, 当且仅当 ∣ v ⟩ = 0 \ket v = 0 ∣v⟩=0 时取等号

例如, C n C^n Cn 具有如下定义的一个内积:
( ( y 1 , y 2 , . . . y n ) , ( z 1 , z 2 , . . . , z n ) ) = ∑ i y i ∗ z i = [ y 1 ∗ , y 2 ∗ , . . . , y n ∗ ] [ z 1 z 2 ⋮ z n ] ((y_1,y_2,...y_n),(z_1,z_2,...,z_n)) = \sum_i y_i^*z_i = [y_1^*,y_2^*,...,y_n^*] \begin{bmatrix} z_1 \\ z_2 \\ \vdots \\ z_n \end{bmatrix} ((y1​,y2​,...yn​),(z1​,z2​,...,zn​))=i∑​yi∗​zi​=[y1∗​,y2∗​,...,yn∗​] ​z1​z2​⋮zn​​ ​

带内积的向量空间称为内积空间,即 Hilbert 空间。

正交

如果向量 ∣ v ⟩ \ket v ∣v⟩ 和 ∣ w ⟩ \ket w ∣w⟩ 的内积为0,则称它们正交。

范数
∥ ∣ v ⟩ ∥ = ⟨ v ∣ v ⟩ \Vert \ket v \Vert = \sqrt{\braket{v|v}} ∥∣v⟩∥=⟨v∣v⟩ ​
如果 ∥ ∣ v ⟩ ∥ = 1 \Vert \ket{v} \Vert = 1 ∥∣v⟩∥=1,则称其为单位向量,或归一化的。

对任意非零向量 ∣ v ⟩ \ket v ∣v⟩,向量除以其范数,称为向量的归一化。

从现在起,提到线性算子的矩阵表示时,我们总是指相对标准正交的输入输出基的矩阵表示,同时约定当线性算子的输入输出空间相同时,除非特别说明,输入输出基也取相同。

对偶向量可以当作一个行向量,其分量对于 ∣ v ⟩ \ket v ∣v⟩ 列向量表示的分量的复共轭,即 ⟨ v ∣ = [ v 1 ∗ , v 2 ∗ , . . . , v n ∗ ] \bra v = [v_1^*,v_2^*,...,v_n^*] ⟨v∣=[v1∗​,v2∗​,...,vn∗​].

外积

设 ∣ v ⟩ \ket v ∣v⟩ 是内积空间 V V V 中的向量,而 ∣ w ⟩ \ket w ∣w⟩ 是内积空间 W W W 中的向量,定义 ∣ w ⟩ ⟨ v ∣ \ket w \bra v ∣w⟩⟨v∣ 为从 V V V 到 W W W 的线性算子:
( ∣ w ⟩ ⟨ v ∣ ) ( ∣ v ′ ⟩ ) = ∣ w ⟩ ⟨ v ∣ v ′ ⟩ = ⟨ v ∣ v ′ ⟩ ∣ w ⟩ (\ket w \bra v)(\ket {v^{'}}) = \ket w \braket {v|v^{'}} = \braket {v|v^{'}} \ket w (∣w⟩⟨v∣)(∣v′⟩)=∣w⟩⟨v∣v′⟩=⟨v∣v′⟩∣w⟩

完备性关系

设 i i i 为向量空间 V V V 的任意标准正交基,任意向量 ∣ v ⟩ \ket v ∣v⟩ 可写成 ∣ v ⟩ = ∑ i v i ∣ i ⟩ \ket v = \sum_i v_i \ket i ∣v⟩=∑i​vi​∣i⟩, v i v_i vi​ 是一组复数。注意到 ⟨ i ∣ v ⟩ = v i \braket {i|v} = v_i ⟨i∣v⟩=vi​,于是
( ∑ i ∣ i ⟩ ⟨ i ∣ ) ∣ v ⟩ = ∑ i ∣ i ⟩ ⟨ i ∣ v ⟩ = ∑ i v i ∣ i ⟩ = ∣ v ⟩ (\sum_i \ket i \bra i) \ket v = \sum_i \ket i \braket {i | v} = \sum_i v_i \ket i = \ket v (i∑​∣i⟩⟨i∣)∣v⟩=i∑​∣i⟩⟨i∣v⟩=i∑​vi​∣i⟩=∣v⟩
故有:
∑ i ∣ i ⟩ ⟨ i ∣ = I \sum_i \ket i \bra i = I i∑​∣i⟩⟨i∣=I
完备性关系的一个应用是把任意线性算子表示成外积形式。设 A : V → W A: V \rightarrow W A:V→W 是一个线性算子, ∣ v i ⟩ \ket{v_i} ∣vi​⟩ 是 V V V 的一个标准正交基,且 w j w_j wj​ 是 W W W 的一个标准正交基,两次应用完备性关系得到:
A = I w A I v A = I_w A I_v A=Iw​AIv​

= ∑ i j ∣ w j ⟩ ⟨ w j ∣ A ∣ v i ⟩ ⟨ v i ∣ = \sum_{ij}\ket{w_j} \bra{w_j} A \ket{v_i} \bra{v_i} =ij∑​∣wj​⟩⟨wj​∣A∣vi​⟩⟨vi​∣

= ∑ i j ⟨ w j ∣ A ∣ v i ⟩ ∣ w j ⟩ ⟨ v i ∣ = \sum_{ij} \bra{w_j} A \ket{v_i} \ket{w_j}\bra{v_i} =ij∑​⟨wj​∣A∣vi​⟩∣wj​⟩⟨vi​∣

这就是 A A A 的外积表示,从此式也可以看出相对输入基 ∣ v i ⟩ \ket{v_i} ∣vi​⟩ 和 输出基 ∣ w ⟩ j \ket w_j ∣w⟩j​ , A A A 的第 i i i 列第 j j j 行元素是 ⟨ w j ∣ A ∣ v i ⟩ \bra{w_j}A\ket{v_i} ⟨wj​∣A∣vi​⟩.

2.1.5 特征向量和特征值

线性算子 A A A 在向量空间上的特征向量(本征向量,eigenvector)指非零的向量 ∣ v ⟩ \ket v ∣v⟩,使得 A ∣ v ⟩ = v ∣ v ⟩ A \ket v = v \ket v A∣v⟩=v∣v⟩,其中 v v v 是一个复数,称为 A A A 对应于 ∣ v ⟩ \ket v ∣v⟩ 的特征值(本征值,eigenvalue)。通常为方便起见,采用同一个记号 v v v 表示特征向量的标号和特征值。

向量空间 V V V 上算子 A A A 的对角表示是具有形式 A = ∑ i λ i ∣ i ⟩ ⟨ i ∣ A = \sum_i \lambda_i \ket i \bra i A=∑i​λi​∣i⟩⟨i∣ 的一个表示,其中向量组 ∣ i ⟩ \ket i ∣i⟩ 是 A A A 的特征向量构成的标准正交向量组,对应的特征值为 λ i \lambda_i λi​。

如果一个算子有对角表示,它被称为可对角化。原矩阵与对角化后的矩阵是相似的。

当本征空间大于一维时,称为简并,即同一特征值对应多个线性无关的特征向量。

相似矩阵就是同一个线性变换在不同基下的矩阵表示

2.1.6 伴随与 Hermite 算子

伴随

设 A A A 是 Hilbert 空间 V V V 上的线性算子,实际上 V V V 上存在唯一的线性算子 A † A^{\dagger} A†,使得对所有向量 ∣ v ⟩ ∣ w ⟩ ∈ V \ket v \ket w \in V ∣v⟩∣w⟩∈V 成立:
( ∣ v ⟩ , A ∣ w ⟩ ) = ( A † ∣ v ⟩ , ∣ w ⟩ ) (\ket v, A \ket w) = (A^{\dagger}\ket v,\ket w) (∣v⟩,A∣w⟩)=(A†∣v⟩,∣w⟩)
即 ⟨ v ∣ A † w ⟩ = ⟨ A v ∣ w ⟩ = ⟨ w ∣ A v ⟩ ∗ \braket{v|A^{\dagger}w} = \braket{Av|w} = \braket{w|Av}^* ⟨v∣A†w⟩=⟨Av∣w⟩=⟨w∣Av⟩∗

这个线性算子称为 A A A 的伴随(adjoint)或 Hermite 共轭。如果 ∣ v ⟩ \ket v ∣v⟩ 是向量,则定义 ∣ v ⟩ † = ⟨ v ∣ \ket v ^{\dagger} = \bra v ∣v⟩†=⟨v∣.

性质:

  • ( A B ) † = B † A † (AB)^{\dagger} = B^{\dagger}A^{\dagger} (AB)†=B†A† (从定义出发证明)
  • ( ∣ w ⟩ ⟨ v ∣ ) † = ∣ v ⟩ ⟨ w ∣ (\ket w \bra v)^{\dagger} = \ket v \bra w (∣w⟩⟨v∣)†=∣v⟩⟨w∣ (用矩阵表示出来,Hermite 共轭运算的作用将矩阵变为共轭转置矩阵,即 A † = ( A ∗ ) T A^{\dagger} = (A^*)^T A†=(A∗)T)
  • ( A ∣ v ⟩ ) † = ⟨ v ∣ † A † (A \ket v)^{\dagger} = \bra v^{\dagger} A^{\dagger} (A∣v⟩)†=⟨v∣†A†
  • ( ∑ i a i A i ) † = ∑ i a i ∗ A i † (\sum_i a_iA_i)^{\dagger} = \sum_i a_i^* A_i^{\dagger} (∑i​ai​Ai​)†=∑i​ai∗​Ai†​ (伴随的反线性)
  • ( A † ) † = A (A^{\dagger})^{\dagger} = A (A†)†=A

厄密(自伴)算符:

如果 A † = A A^{\dagger} =A A†=A,即 ⟨ α ∣ A β ⟩ = ⟨ A α ∣ β ⟩ = ⟨ β ∣ A α ⟩ ∗ \braket{\alpha|A\beta} = \braket{A\alpha|\beta} = \braket{\beta|A\alpha}^* ⟨α∣Aβ⟩=⟨Aα∣β⟩=⟨β∣Aα⟩∗,则称 A A A 为 Hermite 或自伴算子。

从而 ⟨ α ∣ A α ⟩ = ⟨ A α ∣ α ⟩ = ⟨ α ∣ A α ⟩ ∗ \braket{\alpha|A\alpha} = \braket{A\alpha|\alpha} = \braket{\alpha|A\alpha}^* ⟨α∣Aα⟩=⟨Aα∣α⟩=⟨α∣Aα⟩∗,因此 ⟨ α ∣ A α ⟩ \braket{\alpha|A\alpha} ⟨α∣Aα⟩ 是实数。

也因此厄密算符 A A A 的对角元 A i i = ⟨ r i ∣ A r i ⟩ A_{ii} = \braket{r_i|Ar_i} Aii​=⟨ri​∣Ari​⟩ 为实数。

⟨ r i ∣ A r j ⟩ = ⟨ A r i ∣ r j ⟩ = ⟨ r j ∣ A r i ⟩ ∗ \braket{r_i|Ar_j} = \braket{Ar_i|r_j}=\braket{r_j|Ar_i}^* ⟨ri​∣Arj​⟩=⟨Ari​∣rj​⟩=⟨rj​∣Ari​⟩∗,因此 A i j = A j i ∗ A_{ij} = A_{ji}^* Aij​=Aji∗​

投影算子

设 W W W 是 d d d 维向量空间 V V V 的 k k k 维算子,采用 Gram-Schimdt 过程,可以为 V V V 构造一个标准正交基 ∣ 1 ⟩ , . . . , ∣ d ⟩ \ket 1,...,\ket d ∣1⟩,...,∣d⟩, 使得 ∣ 1 ⟩ , . . . ∣ k ⟩ \ket 1,...\ket k ∣1⟩,...∣k⟩ 是 W W W 的一个标准正交基,定义
P = ∑ i k ∣ i ⟩ ⟨ i ∣ P = \sum_i^{k} \ket i \bra i P=i∑k​∣i⟩⟨i∣
是 W W W 上的投影算子。

对任意向量 ∣ v ⟩ \ket v ∣v⟩, ∣ v ⟩ ⟨ v ∣ \ket v \bra v ∣v⟩⟨v∣ 都是厄密的,因此 P P P 也是厄密的,即 P † = P P^{\dagger} = P P†=P.

由完备性关系得, ∑ i ∣ i ⟩ ⟨ i ∣ = I \sum_i \ket i \bra i = I ∑i​∣i⟩⟨i∣=I,因此 Q = I − P Q = I - P Q=I−P 为 P P P 的正交补.

对任意投影 P P P 满足 P 2 = P P^2 = P P2=P.

证明:

令 P = ∑ i ∣ i ⟩ ⟨ i ∣ P = \sum_i \ket i \bra i P=∑i​∣i⟩⟨i∣,则 P 2 = ∑ i j ∣ i ⟩ ⟨ i ∣ j ⟩ ⟨ j ∣ = ∑ i j δ i j ⟨ i ∣ j ⟩ = ∑ i ∣ i ⟩ ⟨ i ∣ = P P^2 = \sum_{ij}\ket i \braket {i | j} \bra j = \sum_{ij} \delta_{ij}\braket{i|j} = \sum_i \ket i \bra i = P P2=∑ij​∣i⟩⟨i∣j⟩⟨j∣=∑ij​δij​⟨i∣j⟩=∑i​∣i⟩⟨i∣=P.

正规算子

算子 A A A 称为正规的,如果 A A † = A † A AA^{\dagger} = A^{\dagger}A AA†=A†A 成立。

性质:

  1. 正规矩阵是厄密的,当且仅当它的特征值为实数。

谱分解定理

一个算子是正规算子当且仅当它可对角化。

任意正规矩阵都可在经过一个酉变换后变为对角矩阵,反过来所有可在经过一个酉变换后变为对角矩阵的矩阵都是正规矩阵。

酉矩阵

满足 U U † = U † U = I UU^{\dagger} = U^{\dagger}U = I UU†=U†U=I。

  • U − 1 = U † U^{-1} = U^{\dagger} U−1=U†,且 U † U^{\dagger} U† 也是幺正算符

  • U U U 是正规的且有谱分解。

  • 幺正算符的乘积也是幺正:

    ( U V ) ( U V ) † = U V V † U † = I (UV)(UV)^{\dagger} = UVV^{\dagger}U^{\dagger} = I (UV)(UV)†=UVV†U†=I

  • 幺正算符保持两个算符内积不变:

    ⟨ U α ∣ U β ⟩ = ⟨ α ∣ U † U β ⟩ = ⟨ α ∣ β ⟩ \braket{U\alpha|U\beta} = \braket{\alpha|U^{\dagger}U\beta} = \braket{\alpha | \beta} ⟨Uα∣Uβ⟩=⟨α∣U†Uβ⟩=⟨α∣β⟩

  • 幺正算符是正交矩阵(比如空间中的转动)的推广。相互正交的向量作相同转动后仍然正交。

  • ∣ ψ ( t ) ⟩ = U ( t ) ∣ ψ ( 0 ) ⟩ \ket{\psi(t)} = U(t)\ket{\psi(0)} ∣ψ(t)⟩=U(t)∣ψ(0)⟩ 中的演化算符 U ( t ) U(t) U(t) 是幺正的。

谱分解定理证明

2.1.7 张量积

张量积是将向量空间合在一起,构成更大向量空间的一种方法。

设 V V V 和 W W W 是维数分别是 m m m 和 n n n 的向量空间,并假定 V V V 和 W W W 是 Hilbert 空间,于是 V ⊗ W V \otimes W V⊗W 是一个 m n mn mn 维向量空间。 V ⊗ W V \otimes W V⊗W 的元素是 V V V 的元素 ∣ v ⟩ \ket v ∣v⟩ 和 W W W 的元素 ∣ w ⟩ \ket w ∣w⟩ 的张量积 ∣ v ⟩ ⊗ ∣ w ⟩ \ket v \otimes \ket w ∣v⟩⊗∣w⟩ 的线性组合。如果 ∣ i ⟩ \ket i ∣i⟩ 和 ∣ j ⟩ \ket j ∣j⟩ 是 V V V 和 W W W 的标准正交基,则 ∣ i ⟩ ⊗ ∣ j ⟩ \ket i \otimes \ket j ∣i⟩⊗∣j⟩ 是 V ⊗ W V\otimes W V⊗W 的一个基。

性质:

  1. 对任意标量 z z z, V V V 的元素 v v v 和 W W W 的元素 w w w,满足 z ( ∣ v ⟩ ⊗ ∣ w ⟩ ) = ( z ∣ v ⟩ ) ⊗ ∣ w ⟩ = ∣ v ⟩ ⊗ ( z ∣ w ⟩ ) z(\ket v \otimes \ket w) = (z\ket v) \otimes \ket w = \ket v \otimes (z\ket w) z(∣v⟩⊗∣w⟩)=(z∣v⟩)⊗∣w⟩=∣v⟩⊗(z∣w⟩).
  2. 对 V V V 中任意的 v 1 v_1 v1​ 和 v 2 v_2 v2​ 和 W W W 中的 ∣ w ⟩ \ket w ∣w⟩,满足 ( ∣ v 1 ⟩ + ∣ v 2 ⟩ ) ⊗ ∣ w ⟩ = ∣ v 1 ⟩ ⊗ ∣ w ⟩ + ∣ v 2 ⟩ ⊗ ∣ w ⟩ (\ket {v_1} + \ket {v_2}) \otimes \ket w = \ket {v_1} \otimes \ket w + \ket {v_2} \otimes \ket w (∣v1​⟩+∣v2​⟩)⊗∣w⟩=∣v1​⟩⊗∣w⟩+∣v2​⟩⊗∣w⟩.
  3. 对 V V V 中任意的 ∣ v ⟩ \ket v ∣v⟩ 和 W W W 中的 w 1 w_1 w1​ 和 w 2 w_2 w2​,满足 ∣ v ⟩ ⊗ ( ∣ w 1 ⟩ + ∣ w 2 ⟩ ) = ∣ v ⟩ ⊗ ∣ w 1 ⟩ + ∣ v ⟩ ⊗ ∣ w 2 ⟩ \ket v \otimes (\ket {w_1} + \ket {w_2}) = \ket v \otimes \ket {w_1} + \ket v \otimes \ket {w_2} ∣v⟩⊗(∣w1​⟩+∣w2​⟩)=∣v⟩⊗∣w1​⟩+∣v⟩⊗∣w2​⟩.

矩阵表示

image-20231112162146651

2.1.8 算子函数

定义
T r ( A ) = ∑ i = 1 n A i i Tr(A) = \sum_{i=1}^nA_{ii} Tr(A)=i=1∑n​Aii​
如果有一组正交单位特征基 { ∣ i ⟩ } \{\ket i\} {∣i⟩},则存在 T r ( A ) = ∑ i ⟨ i ∣ A ∣ i ⟩ Tr(A) = \sum_i \bra i A \ket i Tr(A)=∑i​⟨i∣A∣i⟩.

性质

  • T r ( A + B ) = T r ( A ) + T r ( B ) Tr(A+B) = Tr(A) + Tr(B) Tr(A+B)=Tr(A)+Tr(B)

  • T r ( c A ) = c T r ( A ) Tr(cA) = cTr(A) Tr(cA)=cTr(A)

  • T r ( A B ) = T r ( B A ) Tr(AB) = Tr(BA) Tr(AB)=Tr(BA)

    证明

    T r ( A B ) = ∑ i ⟨ i ∣ A B ∣ i ⟩ = ∑ i k ⟨ i ∣ A ∣ k ⟩ ⟨ k ∣ B ∣ i ⟩ = ∑ i k ⟨ k ∣ B ∣ i ⟩ ⟨ i ∣ A ∣ k ⟩ = ∑ k ⟨ k ∣ B A ∣ k ⟩ = T r ( B A ) Tr(AB) = \sum_i \bra i A B \ket i = \sum_{ik} \bra i A \ket k \bra k B \ket i = \sum_{ik}\bra k B \ket i \bra i A \ket k = \sum_k \bra k BA \ket k = Tr(BA) Tr(AB)=∑i​⟨i∣AB∣i⟩=∑ik​⟨i∣A∣k⟩⟨k∣B∣i⟩=∑ik​⟨k∣B∣i⟩⟨i∣A∣k⟩=∑k​⟨k∣BA∣k⟩=Tr(BA)

  • T r ( A 1 A 2 . . . A n ) = T r ( A 2 A 3 . . . A n A 1 ) = . . . = T r ( A n A 1 . . . A n − 1 ) Tr(A_1A_2...A_n) = Tr(A_2A_3...A_nA_1) = ... = Tr(A_nA_1...A_{n-1}) Tr(A1​A2​...An​)=Tr(A2​A3​...An​A1​)=...=Tr(An​A1​...An−1​)

迹与表象选择无关:选取 { ∣ i ⟩ } \{\ket i\} {∣i⟩} 和 { ∣ j ⟩ } \{\ket j\} {∣j⟩} 两组基, ∑ i ⟨ i ∣ A ∣ i ⟩ = ∑ i j ⟨ i ∣ j ⟩ ⟨ j ∣ A ∣ i ⟩ = ∑ i j ⟨ j ∣ A ∣ i ⟩ ⟨ i ∣ j ⟩ = ∑ j ⟨ j ∣ A ∣ j ⟩ \sum_i \bra{i} A \ket i = \sum_{ij}\braket {i|j} \bra j A \ket i = \sum_{ij} \bra j A \ket i \braket {i|j} = \sum_j \bra j A \ket j ∑i​⟨i∣A∣i⟩=∑ij​⟨i∣j⟩⟨j∣A∣i⟩=∑ij​⟨j∣A∣i⟩⟨i∣j⟩=∑j​⟨j∣A∣j⟩.

任何幺正算符 U U U:
T r ( U † A U ) = T r ( U U † A ) = T r ( A ) Tr(U^{\dagger}AU) = Tr(UU^{\dagger}A) = Tr(A) Tr(U†AU)=Tr(UU†A)=Tr(A)
算符期望值可写成迹:
T r ( A ∣ α ⟩ ⟨ α ∣ ) = ∑ i ⟨ i ∣ A ∣ α ⟩ ⟨ α ∣ i ⟩ = ∑ i ⟨ α ∣ i ⟩ ⟨ i ∣ A ∣ α ⟩ = ⟨ α ∣ A ∣ α ⟩ Tr(A\ket \alpha \bra \alpha) = \sum_i \bra i A \ket \alpha \braket {\alpha|i} = \sum_i \braket{\alpha|i}\bra i A \ket \alpha = \bra \alpha A \ket \alpha Tr(A∣α⟩⟨α∣)=i∑​⟨i∣A∣α⟩⟨α∣i⟩=i∑​⟨α∣i⟩⟨i∣A∣α⟩=⟨α∣A∣α⟩

∣ ψ ⟩ \ket \psi ∣ψ⟩ 扩展成一个以 ψ \psi ψ 为首个元的标准正交基 ∣ i ⟩ \ket i ∣i⟩,因此 ⟨ α ∣ i ⟩ = δ α i \braket {\alpha|i} = \delta_{\alpha i} ⟨α∣i⟩=δαi​.

2.1.9 对易式和反对易式

两个算子 A A A 和 B B B 之间的对易式定义为 [ A , B ] = A B − B A [A,B]=AB-BA [A,B]=AB−BA.

若 A B = B A AB = BA AB=BA,则说明 A A A 和 B B B 是对易的。

两个算子 A A A 和 B B B 的反对易式定义为 { A , B } = A B + B A \{A,B\} = AB + BA {A,B}=AB+BA.

若 { A , B } = 0 \{A,B\} = 0 {A,B}=0,则说明 A A A 和 B B B 反对易。

同时对角化定理

设 A A A 和 B B B 是厄密算子,当且仅当存在一个标准正交基,使 A A A 和 B B B 在这个基下同时是对角的,则 [ A , B ] = 0 [A,B] = 0 [A,B]=0.在这种情况下, A A A 和 B B B 称为可同时对角化。

Gram-Schmidt正交化(构造正交归一基)

考虑完备集 { ∣ α 1 ⟩ , ∣ α 2 ⟩ , . . . , ∣ α n ⟩ } \{\ket{\alpha_1},\ket{\alpha_2},...,\ket{\alpha_n}\} {∣α1​⟩,∣α2​⟩,...,∣αn​⟩}.

∣ β 1 ⟩ = ∣ α 1 ⟩ \ket{\beta_1} = \ket{\alpha_1} ∣β1​⟩=∣α1​⟩.

∣ β i ⟩ = ∣ α i ⟩ − P 1... i − 1 ∣ α i ⟩ \ket{\beta_i} = \ket{\alpha_i} - P_{1...i-1}\ket{\alpha_i} ∣βi​⟩=∣αi​⟩−P1...i−1​∣αi​⟩ (从 α i \alpha_i αi​ 中去除其在 ∣ β 1 ⟩ , . . . , ∣ β i − 1 ⟩ \ket{\beta_1},...,\ket{\beta_{i-1}} ∣β1​⟩,...,∣βi−1​⟩ 上的分量)

其中 P 1... i − 1 = ∑ k = 1 i − 1 ∣ β ′ ⟩ ⟨ β ′ ∣ P_{1...i-1} = \sum_{k=1}^{i-1}\ket{\beta^{'}}\bra{\beta^{'}} P1...i−1​=∑k=1i−1​∣β′⟩⟨β′∣ 是 ∣ β 1 ′ ⟩ , . . . , ∣ β i − 1 ′ ⟩ \ket{\beta^{'}_1},...,\ket{\beta^{'}_{i-1}} ∣β1′​⟩,...,∣βi−1′​⟩ 张成的子空间的投影算符。

可以得到 ∣ β i ⟩ = ∣ α i ⟩ − ∑ k = 1 i − 1 ⟨ β k ∣ α i ⟩ ⟨ β k ∣ β k ⟩ ∣ β k ⟩ \ket{\beta_i} = \ket{\alpha_i} - \sum_{k=1}^{i-1}\frac{\braket{\beta_k|\alpha_i}}{\braket{\beta_k|\beta_k}}\ket{\beta_k} ∣βi​⟩=∣αi​⟩−∑k=1i−1​⟨βk​∣βk​⟩⟨βk​∣αi​⟩​∣βk​⟩

β ′ = ∣ β i ⟩ ∣ ∣ ∣ β i ⟩ ∣ ∣ , i = 1 , 2 , . . . , n \beta^{'} = \frac{\ket{\beta_i}}{||\ket{\beta_i}||}, i=1,2,...,n β′=∣∣∣βi​⟩∣∣∣βi​⟩​,i=1,2,...,n 正交归一基。

完备性关系

已知 α i \alpha_i αi​ 是 ∣ α ⟩ \ket{\alpha} ∣α⟩ 的基向量, a i = ⟨ α i ∣ α ⟩ a_i = \braket{\alpha_i|\alpha} ai​=⟨αi​∣α⟩, ∑ i ∣ α i ⟩ ⟨ α i ∣ = I \sum_i \ket{\alpha_i}\bra{\alpha_i} = I ∑i​∣αi​⟩⟨αi​∣=I.

证明: ( ∑ i ∣ α i ⟩ ⟨ α i ∣ ) ∣ α ⟩ = ∑ i ∣ α i ⟩ ⟨ α i ∣ α ⟩ = ∑ i a i ∣ α i ⟩ = ∣ α ⟩ (\sum_i \ket{\alpha_i}\bra{\alpha_i})\ \ket{\alpha} = \sum_i\ket{\alpha_i}\braket{\alpha_i|\alpha} = \sum_i a_i \ket{\alpha_i} = \ket{\alpha} (∑i​∣αi​⟩⟨αi​∣) ∣α⟩=∑i​∣αi​⟩⟨αi​∣α⟩=∑i​ai​∣αi​⟩=∣α⟩,因此 ∑ i ∣ α i ⟩ ⟨ α i ∣ = I \sum_i \ket{\alpha_i}\bra{\alpha_i} = I ∑i​∣αi​⟩⟨αi​∣=I.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.tpcf.cn/news/143752.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

[100天算法】-目标和(day 79)

题目描述 给定一个非负整数数组,a1, a2, ..., an, 和一个目标数,S。现在你有两个符号 和 -。对于数组中的任意一个整数,你都可以从 或 -中选择一个符号添加在前面。返回可以使最终数组和为目标数 S 的所有添加符号的方法数。示例&#xff…

卸载本地开发环境,拥抱容器化开发

以前在公司的时候,使用同事准备的容器化环境,直接在 Docker 内进行开发,爽歪歪呀。也是在那时了解了容器化开发的知识,可惜了,现在用不到那种环境了。所以打算自己在本地也整一个个人的开发环境,不过因为我…

S-Clustr(影子集群) 重磅更新!黑入工业PLC设备!

公告 项目地址:https://github.com/MartinxMax/S-Clustr 更新预告内容进度SIEMENS S7-200 SMART远程控制进行中 开发人员Blog联系方式提交时间提交内容授权情况ASH_HHhttps://blog.csdn.net/m0_53711047/article/details/133691537?spm1001.2014.3001.5502匿名2023-10-16 2…

USB复合设备构建CDC+HID鼠标键盘套装

最近需要做一个小工具,要用到USB CDCHID设备。又重新研究了一下USB协议和STM32的USB驱动库,也踩了不少坑,因此把代码修改过程记录一下。 开发环境: ST-LINK v2 STM32H743开发板 PC windows 11 cubeMX v6.9.2 cubeIDE v1.13.2 cub…

Feature Pyramid Networks for Object Detection(2017.4)

文章目录 Abstract1. Introduction3. Feature Pyramid NetworksBottom-up pathwayTop-down pathway and lateral connections 7. Conclusion FPN Abstract 特征金字塔是识别系统中检测不同尺度物体的基本组成部分。但最近的深度学习对象检测器避免了金字塔表示,部分…

VS Code画流程图:draw.io插件

文章目录 简介快捷键 简介 Draw.io是著名的流程图绘制软件,开源免费,对标Visio,用过的都说好。而且除了提供常规的桌面软件之外,直接访问draw.io就可以在线使用,堪称百分之百跨平台,便捷性直接拉满。 那么…

重生之我是一名程序员 31

大家晚上好!前面给大家分享了指针与数组的知识,所以今天要给大家分享的知识是——指针数组 相信大家在这里都会有疑问,指针数组是指针还是数组? 在这我们可以类⽐⼀下其他类型的数组,比如整型数组是存放整型的数组&am…

python科研绘图:绘制X-bar图

目录 1.X-bar 图的基本概念 2.X-bar 图的绘制过程 3.X-bar 图的优势 4.X-bar 图的绘制 1.X-bar 图的基本概念 X-bar控制图是一种统计工具,用于监控和控制生产过程中的质量变量。它是过程能力分析和统计过程控制(SPC,Statistical Process…

SystemVerilog学习 (5)——接口

一、概述 验证一个设计需要经过几个步骤: 生成输入激励捕获输出响应决定对错和衡量进度 但是,我们首先需要一个合适的测试平台,并将它连接到设计上。 测试平台包裹着设计,发送激励并且捕获设计的输出。测试平台组成了设计周围的“真实世界”,…

Python---数据序列中的公共方法

公共方法就是 支持大部分 数据 序列。 常见公共方法---简单 运算符描述支持的容器类型合并字符串、列表、元组*复制字符串、列表、元组in元素是否存在字符串、列表、元组、字典not in元素是否不存在字符串、列表、元组、字典 案例: 合并 代码: # …

【Nginx】nginx | 微信小程序验证域名配置

【Nginx】nginx | 微信小程序验证域名配置 一、说明二、域名管理 一、说明 小程序需要添加头条的功能,内容涉及到富文本内容显示图片资源存储在minio中,域名访问。微信小程序需要验证才能显示。 二、域名管理 服务器是阿里云,用的宝塔管理…

【探索Linux】—— 强大的命令行工具 P.15(进程间通信 —— system V共享内存)

阅读导航 引言一、system V的概念二、共享内存(1) 概念(2) 共享内存示意图(3) 共享内存数据结构 三、共享内存的使用1. 共享内存的使用步骤(1)包含头文件(2)获取键值(ftok函数)(3)创…

计算机视觉基础(7)——相机基础

前言 从这一节开始,我们来学习几何视觉。中层视觉包括相机模型、单目几何视觉、对极几何视觉和多目立体视觉等。在学习几何视觉最开始,我们先来学习一下相机模型,了解相机的基本原理,了解相机如何记录影像。 一、数字相机 1.1 基…

nodejs+vue黄河风景线旅游网站的设计与实现-微信小程序-安卓-python-PHP-计算机毕业设计

本文首先对该系统进行了详细地描述,然后对该系统进行了详细的描述。管理人员增加了系统首页、个人中心、用户管理、景点分类管理、景点简介管理、旅游路线管理、文章分类管理、公告文章管理、系统管理理等功能。这套黄河风景线旅游网站是根据当前的现实需要&#xf…

js如何阻塞固定时间

js本身没有提供睡眠方法,因为js阻塞了会导致页面渲染等工作也阻塞,所以一般没有这个需求,但是有时候为了测试,需要一个阻塞方法,下面是方法: 方法一: 使用while循环 let sleep function(ms){…

css中的hover用法示例(可以在vue中制作鼠标悬停显示摸个按钮的效果)

css中的hover 1、hover的定义 hover选择器用于选择鼠标指针浮动在上面的元素,它适用于所有元素,可以用来实现类似于js的一些功能。 2.hover的作用 css中hover属性,鼠标移到上面的时候可以激活,它可以实现悬浮元素上改变样式&a…

如何在 Nginx Proxy Manager(NPM)上部署静态网站

前言 众所周知,我们在之前介绍过 Nginx Proxy Manager(以下简称 NPM) 这个反向代理的神器,对于一些 Docker 搭建的 Web 项目,NPM 能够很轻松地给他们做反向代理。 然而对于一些静态网站,小伙伴们可能不知道怎么用 NP…

Unity反编译:IL2CPP 打包输出的cpp文件和dll(程序集)位置、Mono打包输出的dll(程序集)位置

目录 如题:IL2CPP 打包输出的cpp文件和dll位置(并不会出现在APK里) 如题:Mono打包输出的dll位置 校验平台:Android 如题:IL2CPP 打包输出的cpp文件和dll位置(并不会出现在APK里) Unity Assets同级目录下 Temp/StagingArea/Il2…

Vue CLI脚手架安装、搭建、配置 和 CLI项目分析

目录 一、CLI快速入门 1. 官方介绍 : 2.安装Vue CLI : 3.搭建Vue CLI : 4.IDEA配置Vue CLI : 二、Vue CLI项目分析 1.结构分析 : 1.1 config 1.2 node_modules 1.3 src 1.4 static 2.流程分析 : 2.1 main.js 2.2 router/index.js 2.3 components/HelloWorld.vue 2.4 A…

《QT从基础到进阶·二十七》进度条QProgressBar

ui.ProgressBar.setValue(45); //45% ui.ProgressBar.setMin(0); ui.ProgressBar.setMax(255);0到100分为255份,值为215时,进度条为100/255*215 84% 点击主界面弹出进度条QProgressDialog 常用功能: setWindowFlags(Qt::Dialog | Qt::Cu…