连续变量量子网络中的负熵渗流

背景与学术渊源

起源与学术渊源

将量子纠缠分发到微芯片到全球网络的广阔距离，这一基础概念是量子信息技术的核心。这种能力支撑着量子计算和安全量子通信等应用。这种纠缠分发在大规模系统中的集体行为通常被建模为量子网络（QN）。“纠缠渗流”——纠缠分发与经典渗流理论之间的概念桥梁——的概念最早出现在 2007 年，最初将概率性纠缠分发方案与经典键渗流联系起来。随后的进展，特别是确定性纠缠传输（DET）方案的发展，催生了更复杂的映射，例如并发渗流理论（ConPT）。

然而，这些早期方法的一个显著局限性在于它们仅限于离散变量（DV）量子系统，这些系统通常涉及量子比特。这些模型忽略了连续变量（CV）量子系统，这是一个在光学环境中尤为突出的替代架构。CV 系统利用光场的连续自由度（如幅度和相位），并自然地产生高斯态，从而提供无条件且一致的纠缠生成、可扩展性和芯片集成等优势。促成本文的根本“痛点”是缺乏一个全面的框架来理解纠缠如何在这些日益相关的基于 CV 的 QN 中分发和“渗流”。先前的理论根本无法描述连续量子变量的独特物理特性，使得关于它们的集体特性和远距离纠缠分发的潜力等关键问题悬而未决。这种差距意味着 CV 系统的独特网络物理学在很大程度上仍未被探索，阻碍了稳健、可扩展的基于 CV 的量子技术的发展。

直观的领域术语

• 连续变量（CV）量子网络（QNs）： 想象一个量子互联网，其中信息不是使用离散的“开/关”信号（如数字比特）发送，而是使用光的连续属性，例如其精确的亮度或相位。CV QN 就像一个使用这些“模拟”光信号构建的量子互联网，这些信号自然由光学平台生成。
• 纠缠渗流： 把它想象成一种连锁反应。如果你有一个由单个量子连接组成的网络（就像链条中的链环），纠缠渗流描述了需要多少连接足够强大才能在整个网络中形成一个大的、连续的纠缠“超级连接”。它关注的是局部量子链接如何创建全局量子连通性。
• 双模压缩真空态（TMSVSs）： 这些是特殊的光量子态，它们就像两个完美同步的量子“弹簧”。如果你测量一个弹簧的某个属性，无论它们相距多远，你都能立即知道另一个弹簧的相应属性。它们是 CV 量子网络中创建纠缠链接的常见且强大的方式，“压缩参数”指示了它们相关性的强度。
• 比率负熵（$x$）： 如果纠缠是量子连接的“强度”，那么比率负熵就是它的一个特定“强度计”。它给出一个介于 0（无纠缠）和 1（最大纠缠）之间的值。对于 TMSVSs，它直接与量子“弹簧”的压缩程度相关，提供了一种简单、有界的量子键度量。
• 混合序相变： 大多数相变要么是平滑的（如水逐渐变暖），要么是突然的（如水突然沸腾）。混合序相变是一种特殊的混合：它在临界点表现出突然的、不连续的跳跃，但也表现出长程关联，这意味着一个点的变化会对整个系统产生深远而微妙的影响。这是一种复杂、双重性质的转变。

符号表

符号	描述

问题定义与约束

核心问题表述与困境

本文解决的核心问题是缺乏一个全面的理论框架来理解和分发连续变量（CV）量子网络（QN）中的纠缠。历史上，量子网络研究主要集中在离散变量（DV）架构上，其中纠缠分发方案得到了充分理解，并且可以映射到已建立的经典渗流理论。然而，CV 系统，特别是基于光学平台的系统，由于其生成高斯态和纠缠的能力，在可扩展性和芯片集成方面提供了显著优势。

输入/当前状态 是一种格局，其中基于 DV 的 QN 具有明确定义的纠缠分发协议和相应的渗流理论（如并发渗流），但基于 CV 的 QN 缺乏这种统一的理解。关于如何有效地在 CV 编码的 QN 中分发纠缠，以及它们的连续性质是否会导致与 DV 系统根本不同的网络物理学，仍然存在关键问题。

输出/目标状态 是建立一个名为“负熵渗流理论（NegPT）”的新理论框架，该框架专门针对基于 CV 的 QN 进行定制。该框架旨在精确定义纠缠（由称为“比率负熵”的有界度量 $X_N$ 量化）如何在这些网络中渗流。本文旨在为 CV 高斯态引入一种确定性纠缠传输（DET）方案，并使用统计物理方法分析其集体行为，最终揭示支配基于 CV 的 QN 的独特临界现象。

缺失的精确环节或数学鸿沟 是缺乏一种渗流理论，该理论能够准确描述 CV 系统中的纠缠分发，从而弥合已建立的 DV 纠缠渗流理论与未探索的 CV 领域之间的概念鸿沟。本文试图通过引入高斯到高斯（G-G）DET 方案并基于比率负熵度量 $X_N \in [0,1]$ 开发 NegPT 来弥合这一差距，对于双模压缩真空态（TMSVSs），它简化为 $x = \tanh r$。

困扰先前研究人员并为本文揭示的 CV 系统所面临的痛苦权衡或困境 在于其相变的性质。虽然 CV 系统为可扩展量子技术提供了有前景的途径，但本文揭示 NegPT 表现出混合序相变。这意味着，与 DV 系统中观察到的连续相变（相对稳定）不同，基于 CV 的 QN 在临界阈值（$X_{th}$）处会经历全局纠缠的突然、不连续跳跃。这种剧烈转变引入了一个严重的实际漏洞：对于稳定大规模 QN 免受环境退化至关重要的传统反馈机制，在临界阈值附近变得固有不稳定，存在持续的“开/关”振荡风险。因此，困境在于 CV 系统的固有可扩展性优势与由于其独特且剧烈的临界行为而维持其稳定性的重大挑战之间。

约束与失效模式

理解和稳定基于 CV 的 QN 中纠缠渗流的问题因几个严峻的现实约束而变得异常困难：

1. 用于纠缠浓缩的非标准光学元件： 一个基本的物理约束是，从纯高斯态浓缩纠缠（G-G DET 方案的关键组成部分）无法使用标准光学元件有效地实现。本文明确指出，这需要“非标准光学元件”并涉及“非高斯 LOCC”[49]。这表明在实验实现和实际应用方面存在重大障碍。
2. 连续变量的数学复杂性： 与离散量子比特不同，CV 系统处理连续自由度，需要不同的数学工具和纠缠度量。引入“比率负熵”及其在连续变量渗流框架中的应用是一项非平凡的数学挑战，与 DV 系统中使用的更简单的离散概率或并发度量不同。
3. 混合序相变动力学： 发现 NegPT 中的混合序相变是一个主要的理论和实际约束。这种类型的相变，其特征是全局纠缠的不连续跳跃和关联长度的发散，在 QN 中是前所未有的。这意味着系统的行为会突然改变，使其在临界点附近难以预测和控制。
4. 反馈控制不稳定性和实时延迟： 最关键的实际约束源于混合序相变：用于稳定量子光学实现的传统反馈机制在临界阈值（$X_{th}$）附近变得固有不稳定。如图 4(b) 所示，这会导致长期“开/关”振荡，使得维持稳健运行极具挑战性。这突显了对控制系统严格的实时延迟要求，因为任何延迟或标准反馈策略都可能导致系统故障或不稳定。本文指出，这种不稳定性在广泛的反馈设置中持续存在，要求“为基于 CV 的 QN 进行更仔细的反馈设计”。
5. 并行规则的非对易性： 对于纠缠浓缩，并行规则不是对易的，这意味着浓缩链接的顺序会影响最终的纠缠。这增加了网络设计和优化的复杂性，因为实现最佳纠缠需要特定的排序（例如，将最大的压缩参数放入 $\sinh r_1$）。
6. 非串并联拓扑的近似： 对于不严格为串并联的复杂网络拓扑，NegPT 的精确传输规则未知。作者必须诉诸“近似星-网变换”来计算海绵横渡比负熵。这表明在精确建模任意复杂 CV QN 结构中的纠缠分发方面存在计算或分析限制。
7. 纠缠退化： 真实的量子态及其纠缠会因环境影响而随时间退化。本文假设比率负熵呈指数衰减 $x(t) \sim \exp(-t/\tau)$，其中 $\tau$ 表征噪声和退相干。这种固有的物理约束意味着主动稳定总是必要的，而临界阈值附近反馈机制的不稳定性使得这项任务对 CV 系统尤其困难。反馈控制效果差是一个重要的失效模式。

为什么选择这种方法

选择的必然性

作者选择高斯到高斯（G-G）确定性纠缠传输（DET）方案，并结合新颖的负熵渗流理论（NegPT），这不仅仅是一种偏好，而是由连续变量（CV）量子网络（QN）的根本性质所驱动的必然选择。传统的“最先进”（SOTA）量子网络分析方法，例如基于标准离散变量（DV）纠缠渗流理论（如并发渗流）的方法，根本不足以应对。

这种认识的确切时刻源于这样一个认识：虽然 DV 架构主要推动了量子网络的发展，但光学平台自然会产生高斯态，而高斯态是 CV 系统的常见状态。这使得基于 CV 的 QN 成为可扩展、芯片集成量子计算和通信的极具吸引力的途径。关键的见解是，现有的渗流理论“仅限于离散变量（DV）系统（例如量子比特）”，并且“忽略了一个在光学环境中尤为突出的替代架构：连续变量（CV）系统”。DV 编码依赖于随机单光子源，导致不可预测性。相比之下，CV 编码通过非线性光学相互作用提供“无条件、一致的纠缠生成”，绕过了这些障碍，并释放了可扩展性的巨大潜力。因此，新的理论框架不仅仅是改进，而是准确建模和理解这些独特的 CV 系统中纠缠分发的唯一可行途径。

比较优势

该方法通过从根本上重新定义对 CV 系统中纠缠渗流的理解，展示了远远超出简单性能指标的定性优势。其结构优势在于能够捕捉 DV 理论根本无法捕捉的独特物理现象。

首先，NegPT 引入了一种新的、有界纠缠度量，称为“比率负熵”（$X_N \in [0,1]$），对于双模压缩真空态（TMSVSs），它简化为 $x = \tanh r$。这在定性上是优越的，因为它专门针对 CV 高斯态进行了定制，而并发度则用于 DV 多准位系统。这允许对 CV 域中的纠缠进行直接且适当的量化。

其次，也是最深刻的，NegPT 揭示了“混合序相变”，这是一种在量子网络中“前所未有”的现象。其特征是在临界阈值 $X_{th}$ 处全局纠缠的突然、不连续变化以及关联长度的发散。这与经典或并发渗流中观察到的连续（二阶）相变“形成鲜明对比”。此外，NegPT 在 Bethe 晶格中表现出独特的 the rmal 临界指数 $z_v \approx 1/2$，这与经典和并发渗流中发现的 $z_v \approx 1$ 不同。这种差异表明，基于 CV 的 QN 属于“新的普适类”，暗示着根本不同的底层动力学。

最后，NegPT 在不需要额外自由度的情况下实现了这一点，这与经典相互依赖渗流不同，后者需要额外的层（M）来诱导混合序相变。这种建模 CV 系统复杂混合序行为的内在简单性代表了显著的结构优势，为它们的集体行为提供了更简洁但准确的描述。

与约束的对齐

所选的 G-G DET 方案和 NegPT 与连续变量量子网络的固有约束完美对齐，形成了“婚姻”——问题严峻的要求与解决方案的独特属性。

主要约束是关注连续变量（CV）系统和高斯态，它们自然由光学平台生成。G-G DET 方案明确针对这些：它以 TMSVSs（一类纠缠的 CV 高斯态）作为输入，并以新的 TMSVSs 作为输出。NegPT 反过来，建立在“比率负熵）之上，这是一种专门适用于这些 CV 高斯态的纠缠度量，不同于 DV 系统使用的度量。

另一个关键要求是通过局域操作和经典通信（LOCC）进行确定性纠缠分发。G-G DET 方案采用确定性纠缠交换和浓缩操作，并针对 TMSVSs 进行了调整。这些操作被描述为“串行和并行规则”，它们是基本的 LOCC 协议。这确保了所提出的方法在量子信息既定范式内是物理上可实现的。

该问题还隐含地要求一个能够解决可扩展性和集体行为在大网络中的框架。通过将 G-G DET 方案映射到渗流理论，作者提供了一个能够分析大规模 QN 的统计物理框架。这允许研究临界现象和相变，这对于理解和设计稳健、可扩展的量子网络至关重要。该方法能够揭示混合序相变和新的普适类，直接解决了理解 CV 系统的独特集体特征的需求，这是一个重大的概念差距。

替代方案的拒绝

本文清楚地阐述了为什么其他流行的方法，特别是现有的离散变量（DV）纠缠渗流理论，未能充分描述连续变量（CV）量子网络。拒绝这些替代方案的核心理由源于底层物理学及其产生的集体行为的根本差异。

首先，现有的纠缠渗流理论，如经典键渗流和并发渗流理论（ConPT），“仅限于离散变量（DV）系统（例如量子比特）”。这些理论依赖于并发度等纠缠度量，这些度量不适用于表征 CV 高斯态中的纠缠。作者明确指出，他们的 NegPT “不同于其 DV 对应物”，因为它使用“比率负熵”（$X_N$），这是一种适用于 TMSVSs 的度量。

其次，CV 系统的动力学和临界现象根本不同。本文强调 NegPT 表现出“混合序相变”，其特征是全局纠缠的不连续跳跃。这与 DV 理论中发现的 $z_v \approx 1$ 不同，表明基于 CV 的 QN 属于“新的普适类”。这意味着支配 CV 网络中纠缠分发和连通性的物理学在定性上是不同的，而 DV 模型根本无法捕捉这些独特的特征。将 DV 模型应用于 CV 系统将导致对其行为的理解不准确和不完整，特别是在阈值附近的临界漏洞和稳定化挑战方面。

FIG. 3. Entanglement percolation in two-dimensional square lattices. (a) XSC for square lattices with different side length L. (b) Scaling of the correlation length ξ near the critical threshold χth ≈0.715 follows ξ ∼|χ −χth|−ν, with a fitted critical exponent ν = 0.02 ± 0.02

数学与逻辑机制

主方程

为连续变量量子网络中的负熵渗流理论（NegPT）提供动力的核心数学引擎由两条基本规则定义，这些规则控制着纠缠（由比率负熵 $X$ 量化）如何在不同网络拓扑中组合：用于纠缠交换的串联规则和用于纠缠浓缩的并联规则。

串联规则，源自对串联排列的 $N$ 个双模压缩真空态（TMSVSs）进行纠缠交换操作，给出为：
$$X_{\text{series}} = \prod_{j=1}^{N} X_j$$
并联规则，源自对并联排列的 $K$ 个 TMSVSs 进行纠缠浓缩操作，表示为：
$$X_{\text{parallel}} = \frac{\max_{1 \le k \le K} X_k}{\sqrt{\max_{1 \le k \le K} X_k^2 + \prod_{k=1, k \ne \text{argmax}(X_k)}^K (1-X_k^2)}}$$

逐项解剖

让我们剖析这些方程，以理解每个组件的作用。

对于串联规则：$X_{\text{series}} = \prod_{j=1}^{N} X_j$

• $X_{\text{series}}$：
  1) 数学定义： 这是在所有 $N$ 个串联链中的中间链路都经过纠缠交换后，在两个远程节点（例如源 S 和目标 T）之间建立的最终纠缠态的有效比率负熵。它是一个介于 0 和 1 之间的无量纲值。
  2) 物理/逻辑作用： 它量化了通过顺序连接多个单独纠缠链路形成的复合链路的整体纠缠强度。较高的 $X_{\text{series}}$ 表明更强的有效纠缠。
  3) 为什么是乘法？ 串联中纠缠交换的底层物理过程涉及单个压缩参数的乘法组合（$\tanh r = \prod \tanh r_j$）。由于比率负熵 $X_j$ 定义为 $\tanh r_j$，这直接转化为乘积。从逻辑上讲，它反映了整体纠缠在乘法意义上受到“最薄环节”的限制，类似于独立事件序列的概率如何组合。

• $X_j$：
  1) 数学定义： 这代表了串联链中第 $j$ 个单独 TMSVS 链路的比率负熵。它是一个介于 [0,1] 之间的无量纲值。
  2) 物理/逻辑作用： 它是连续变量量子网络中单个双边链路的纠缠基本单位。每个 $X_j$ 表征了两个相邻节点之间的直接连接的纠缠。
  3) 为什么是 $X_j$（比率负熵）？ 作者选择比率负熵 $X = \tanh r$ 作为有界纠缠度量，简化了纠缠渗流的分析。它提供了一种标准化的、直观的纠缠强度度量。

• $\prod_{j=1}^{N}$：
  1) 数学定义： 乘积算子，表示从 $j=1$ 到 $N$ 的所有 $N$ 个项 $X_j$ 相乘。
  2) 物理/逻辑作用： 该算子以数学方式实现了纠缠强度的顺序组合。它模拟了纠缠如何通过链条“传播”，其中每一步都以乘法方式贡献于最终的有效纠缠。
  3) 为什么是乘积而不是求和？ 这反映了纠缠交换的性质。与加法过程不同，通过顺序操作形成的复合纠缠态的“强度”往往是各个强度的乘积，表明了累积效应，其中每一步都可能降低整体纠缠，除非所有链路都完美（$X_j=1$）。

对于并联规则：$X_{\text{parallel}} = \frac{\max_{1 \le k \le K} X_k}{\sqrt{\max_{1 \le k \le K} X_k^2 + \prod_{k=1, k \ne \text{argmax}(X_k)}^K (1-X_k^2)}}$

• $X_{\text{parallel}}$：
  1) 数学定义： 这是通过组合 $K$ 个并联 TMSVS 链路在两个节点（S 和 T）之间形成的单个、浓缩的纠缠态的有效比率负熵。它是一个介于 [0,1] 之间的无量纲值。
  2) 物理/逻辑作用： 它量化了通过汇集两个节点之间的多个独立纠缠资源而实现的增强纠缠强度。纠缠浓缩旨在从多个较弱的纠缠中创建一个更强的、单个纠缠链路。
  3) 为什么是这种复杂形式？ 这种形式源于将并联浓缩的压缩参数规则（$\sinh r = \sinh r_1 \prod_{k=2}^{K} \cosh r_k$）转换为比率负熵 $X = \tanh r = \sinh r / \sqrt{1+\sinh^2 r}$。该结构反映了优先考虑最强链路的最优策略，以及其他链路如何为整体增强做出贡献。

• $X_k$：
  1) 数学定义： 这代表了并联配置中第 $k$ 个单独 TMSVS 链路的比率负熵。它是一个介于 [0,1] 之间的无量纲值。
  2) 物理/逻辑作用： 与串联规则中的 $X_j$ 类似，这是纠缠的基本单位。在并联上下文中，这些是两个节点之间独立的、独立的纠缠通道。
  3) 为什么是 $X_k$（比率负熵）？ 与串联规则一致，使用 $X_k = \tanh r_k$ 是因为它作为有界纠缠度量的特性，使其适用于渗流分析。

• $\max_{1 \le k \le K} X_k$：
  1) 数学定义： $K$ 个输入比率负熵中的最大值。
  2) 物理/逻辑作用： 该项表明最强的单个并联链路在纠缠浓缩过程中的主导作用。本文指出，通过优先考虑压缩参数（以及因此比率负熵）最大的链路来实现最优浓缩。这确保了对可用纠缠资源的最高效利用。
  3) 为什么是最大值？ 这反映了纠缠浓缩协议中的战略选择，以最大化最终纠缠。通过关注最强的初始链路，该协议利用其固有的强度作为增强的基础。

• $\sqrt{\max_{1 \le k \le K} X_k^2 + \prod_{k=1, k \ne \text{argmax}(X_k)}^K (1-X_k^2)}$：
  1) 数学定义： 一个和的平方根，其中第一项是最大比率负熵的平方，第二项是所有其他链路的 $(1-X_k^2)$ 的乘积。
  2) 物理/逻辑作用： 整个分母项对于将并联规则的 $\sinh r$ 形式转换为比率负熵的 $\tanh r$ 形式至关重要，确保 $X_{\text{parallel}}$ 保持在 0 和 1 之间。乘积部分 $\prod (1-X_k^2)$ 源自压缩参数方程中 $\cosh r_k$ 的乘法性质，其中 $\cosh r_k = 1/\sqrt{1-X_k^2}$。这些项代表了非最大链路对整体纠缠能力的集体贡献。
  3) 为什么是平方根和 $(1-X_k^2)$ 的乘积？ 平方根是 $\tanh r = \sinh r / \sqrt{1+\sinh^2 r}$ 恒等式的直接结果。 $(1-X_k^2)$ 项的乘积源于并联浓缩的原始压缩参数方程中 $\cosh r_k$ 的乘法性质。每个 $(1-X_k^2)$ 项实际上是 $1/\cosh^2 r_k$，因此它们的乘积反映了非最大链路的组合影响。

分步流程

让我们追踪一个抽象数据点（在这种情况下是纠缠链路的比率负熵 $X$）生命周期，因为它通过这些数学运算。

1. 纠缠交换（串联规则）：
想象一下，我们想在源（S）和目标（T）节点之间建立一个纠缠连接，但它们被 $N-1$ 个中间中继节点 $R_1, R_2, \dots, R_{N-1}$ 分隔开。每个段（$(S-R_1, R_1-R_2, \dots, R_{N-1}-T)$）都是一个单独的量子链路，每个链路都有其自己的比率负熵 $X_j$。

• 初始状态： 我们从 $N$ 个不同的比率负熵 $X_1, X_2, \dots, X_N$ 开始，它们代表了链中每个物理链路的纠缠。
• 第一次操作： 该过程首先在第一个中继节点 $R_1$ 处执行纠缠交换操作。这涉及对与 S 和 $R_2$ 纠缠的模式进行量子测量。该测量结合经典通信，有效地“交换”了纠缠，在 S 和 $R_2$ 之间创建了一个新的、直接的纠缠链路。
• 中间计算： 数学上，这个新链路的比率负熵（我们称之为 $X_{S,R_2}$）计算为原始链路负熵的乘积：$X_{S,R_2} = X_1 \cdot X_2$。原始链路（$(S,R_1)$ 和 $(R_1,R_2)$）被有效消耗或转化。
• 迭代： 这个新形成的链路（$(S,R_2)$）及其计算出的比率负熵 $X_{S,R_2}$ 然后作为下一步的输入。在 $R_2$ 处执行纠缠交换操作，将 $X_{S,R_2}$ 与 $X_3$（$R_2$ 和 $R_3$ 之间的链路）结合。新的有效链路（$(S,R_3)$）的比率负熵将是 $X_{S,R_3} = X_{S,R_2} \cdot X_3 = X_1 \cdot X_2 \cdot X_3$。
• 最终结果： 这种迭代乘法沿着链条继续进行。经过 $N-1$ 次此类操作后，在 S 和 T 之间直接建立了一个单一的有效纠缠链路。其比率负熵 $X_{\text{series}}$ 是所有单个链路负熵的乘积：$X_{\text{series}} = X_1 \cdot X_2 \cdot \dots \cdot X_N$。这个最终值代表了通过这条串联路径在 S 和 T 之间可用于通信或计算的整体纠缠。

2. 纠缠浓缩（并联规则）：
现在，考虑 S 和 T 由 $K$ 个独立的、并联的量子链路连接。每个链路 $k$ 都有自己的比率负熵 $X_k$。目标是将这 $K$ 个资源组合成一个单一的、更强的纠缠态。

• 初始状态： 我们有 $K$ 个不同的比率负熵 $X_1, X_2, \dots, X_K$，每个代表 S 和 T 之间的独立纠缠通道。
• 最优选择： 该协议首先识别具有最高比率负熵的链路，$\max_{1 \le k \le K} X_k$。这是最优浓缩的关键步骤。
• 第一次操作： 执行纠缠浓缩操作，通常涉及最强的链路和另一个选定的并联链路。该操作使用非标准的局域操作和经典通信（LOCC），将这两个输入的 TMSVSs 确定性地转换为一个更强的 TMSVS 和一个真空态。
• 中间计算： 该新浓缩链路的比率负熵使用并联规则公式计算。显式使用 $\max X_k$ 项，其他链路通过其分母中的 $(1-X_k^2)$ 因子做出贡献。此计算有效地“汇集”了纠缠。
• 迭代： 重复此过程。然后将新浓缩的链路（及其更新的比率负熵）与另一个剩余的并联链路结合，再次优先选择剩余链路中最强的可用链路进行后续浓缩步骤。
• 最终结果： 经过 $K-1$ 次迭代浓缩步骤后，所有 $K$ 个并联链路有效地组合成 S 和 T 之间一个高度纠缠的 TMSVS。最终的比率负熵 $X_{\text{parallel}}$ 是这种复杂组合的结果，代表了从并联资源可实现的最大化纠缠。

优化动力学

本文中的优化动力学主要围绕系统在临界阈值附近的表现以及其对反馈控制的响应，而不是传统的迭代学习算法。

1. 损失景观与临界性： “损失景观”可以概念化为个体链路比率负熵 $X$ 与全局“海绵横渡比率负熵”$X_{SC}$（衡量整体连通性）之间的关系。对于 NegPT，该景观的特征是“混合序相变”。这意味着随着个体链路纠缠 $X$ 的增加，$X_{SC}$ 保持为零，直到达到特定的临界阈值 $X_{th}$。在 $X_{th}$ 处，$X_{SC}$ 不会平滑增加，而是表现出向正值 $X_{SC}^+$ 的突然、不连续跳跃。在此跳跃之后，$X_{SC}$ 随 $X$ 继续增加。这种剧烈的不连续性是一个关键特征，将 NegPT 与经典或并发渗流中观察到的连续相变区分开来。

2. 状态更新与反馈机制： 为了抵消现实量子网络中纠缠的自然衰减，引入了反馈控制机制。系统状态，由时间 $t$ 时的个体链路比率负熵 $x(t)$ 表示，根据一阶加时延（FOPTD）模型演化：
   $$\frac{dx(t)}{dt} = -\tau^{-1}x(t) + u(t - T_0)$$

   • 衰减项（$-\tau^{-1}x(t)$）： 第一项描述了纠缠随时间的自然退化，其中 $\tau$ 是特征衰减时间尺度。这是一个负“梯度”，将纠缠值向下拉。
   • 反馈项（$u(t - T_0)$）： 第二项 $u(t - T_0)$ 代表了用于增强纠缠的主动控制。该“更新”信号是通过将观察到的全局纠缠 $X_{SC}(t)$ 与期望目标 $X_{\text{target}}$ 进行比较而生成的。如果 $X_{SC}(t)$ 低于 $X_{\text{target}}$，反馈机制会增加 $u$（例如，通过增加泵浦激光功率以实现压缩），试图将 $x(t)$ 拉回。项 $T_0$ 考虑了处理和传输反馈信号的固有时间延迟。

3. 收敛与不稳定性：

   • 在具有连续相变的系统（如基于 DV 的 QN）中，反馈控制通常会导致稳定的收敛。即使有小的扰动，全局纠缠 $C_{SC}(t)$（并发度）也会平滑恢复，如论文的模拟所示。景观中的“梯度”行为良好，允许反馈平稳地将系统引导至目标。
   • 然而，NegPT 的混合序相变引入了关键的脆弱性。在临界阈值附近，混合序相变的剧烈性意味着，$X_{SC}$ 的突然跳跃，使得一个微小的 $x(t)$ 变化会导致 $X_{SC}(t)$ 的巨大、突然变化。这使得反馈机制固有不稳定。系统不是收敛，而是表现出长期的“开/关”振荡。反馈过度，导致 $X_{SC}$ 跳跃，然后随着衰减而不足，导致不稳定循环。这是相变不连续性质的直接结果，其中 $X_{SC}$ 相对于 $X$ 的有效“梯度”在临界点处是无限的，使得稳定控制极具挑战性。这突显了设计稳健、反馈稳定的基于 CV 的 QN 的重大障碍。

FIG. 1. Gaussian-to-Gaussian deterministic entanglement transmission (G-G DET) scheme. Applicable to Gaussian quantum networks (QN), the scheme consists of two LOCC protocols: (a) Entanglement swapping, facilitated by homodyne detection and displacement [48]; (b) Entanglement concentration, facilitated by non-standard optical components [49]. Both protocols are deterministic, taking two (or more) TMSVS |ψri⟩as input and a new TMSVS |ψr⟩as output. (c) The two LOCC protocols map to series and parallel rules, respectively, to construct G-G DET. (d) Consider a QN example built upon three node. The G-G DET scheme consists of two steps: First, the parallel rule converts the states |ψr1⟩and |ψr2⟩(r1 ≥r2) into |ψr1,2⟩with sinh r1,2 = sinh r1 cosh r2 between S and R; second, the series rule transforms |ψr1,2⟩and |ψr3⟩to the final state |ψr⟩with the ratio negativity XSC = tanh r1,2 tanh r3 between S and T Figure 1. Gaussian-to-Gaussian deterministic entan- glement transmission (G-G DET) scheme. Applicable to Gaussian quantum networks (QN), the scheme consists of two LOCC protocols: (a) Entanglement swapping, facil- itated by homodyne detection and displacement; (b) En- tanglement concentration, facilitated by non-standard optical components. Both protocols are deterministic, taking two (or more) TMSVS |ψri⟩as input and a new TMSVS |ψr⟩as output. (c) The two LOCC protocols map to series and parallel rules, respectively, to construct G-G DET. (d) Consider a QN example built upon three node. The G-G DET scheme consists of two steps: First, the parallel rule converts the states |ψr1⟩and |ψr2⟩ (r1 ≥r2) into |ψr1,2⟩with sinh r1,2 = sinh r1 cosh r2 between S and R; second, the series rule transforms |ψr1,2⟩and |ψr3⟩to the final state |ψr⟩with the ratio negativity XSC = tanh r1,2 tanh r3 between S and T. Figure 2: Bethe lattice. (a) A Bethe lattice of degree k (i.e., each node is incident to k links) and network depth l (the path length from the yellow node to the red nodes). (b) The sponge-crossing ratio negativity XSC between S and T for various k (right panel), satisfying the power law XSC −X+ SC ∼|χ−χth|0.47(5) as χ →χ+ th (left panel). The numerical value 0.47 ± 0.05 is derived by a linear least- squares fit to the sixteen data points. (c) When χ → χ− th, XSC exhibits a plateau behavior until the network depth l exceeds the correlation length l∗(defined as the depth l at which XSC = 0.5), after which XSC abruptly drops to zero. (d) Near the critical threshold, we observe l∗∼|χ −χth|−0.508(9), indicating zν ≈1/2. Figure 3: Entanglement percolation in two- dimensional square lattices. (a) XSC for square lattices with different side length L. (b) Scaling of the correlation length ξ near the critical threshold χth ≈0.715 follows ξ ∼|χ −χth|−ν, with a fitted critical exponent ν = 0.02 ± 0.02. Figure 4: Feedback stabilization of QN against entan- glement decay. (a) Under the same feedback control [Eq. (5)], the DV-based QN (k = 3 Bethe lattice) exhibits rapid stabilization; (b) whereas the CV-based QN exhibits long-term “on/off” instability, a direct result of the abrupt drop in Fig. 2(b). Figure 5: Continuous-variable entanglement swapping

结果、局限性与结论

实验设计与基线

作者精心设计了他们的实验验证，以严格测试提出的连续变量（CV）量子网络（QN）的负熵渗流理论（NegPT）。他们方法的核心是引入一种高斯到高斯（G-G）确定性纠缠传输（DET）方案，该方案利用了专门为双模压缩真空态（TMSVSs）定制的确定性纠缠交换和浓缩协议。该方案使他们能够将 CV QN 中纠缠分发的复杂过程映射到一个基于比率负熵（一种有界纠缠度量，$X_N \in [0,1]$）的渗流类理论。

为了无情地证明他们的数学主张，他们设计了几个计算实验：

1. Bethe 晶格分析： 他们首先关注 Bethe 晶格，这是一个无限的树状串并联网络，其中每个节点都具有相同的度 $k > 2$。这种理论设置使他们能够推导出精确的自洽重整化群方程，从而为理解 NegPT 的行为提供了基础。在这种情况下，“受害者”是经典的键渗流和并发渗流理论（ConPT），它们都预测具有 the rmal 临界指数 $z_v \approx 1$ 的连续相变。相比之下，NegPT 被证明表现出混合序相变。

2. 方形晶格模拟： 为了证明他们的发现不仅限于理想化的 Bethe 晶格，他们还将研究扩展到二维方形晶格上的纠缠渗流的数值模拟。这是通过使用星-网变换实现的，这是一种基于串并联规则来近似高阶网络规则的技术。该实验旨在表明混合序相变超越树状结构的可推广性。

3. 反馈控制模拟： 一个关键的实际验证涉及模拟系统在反馈控制下的动力学。他们采用一阶加时延（FOPTD）模型来比较基于 DV 的 QN（由 ConPT 控制）和基于 CV 的 QN（由 NegPT 控制）如何响应纠缠衰减。比较的基线是基于 DV 的 QN 在标准反馈下的稳定行为，他们旨在将其与 CV 系统的响应进行对比。

证据证明了什么

本文提供的证据明确证明了 NegPT 的几个关键方面及其对基于 CV 的 QN 的影响：

1. 混合序相变： 最引人注目的发现是 NegPT 表现出混合序相变。这通过以下方式得到证明：

   • 在临界阈值（$X_{th}$）下，全局纠缠度量，即海绵横渡比率负熵（$X_{sc}$），出现突然、不连续的跳跃。图 2(b) 清楚地说明了这种不连续性，其中 $X_{sc}$ 保持为零直到 $X_{th}$，然后突然跳到正值。
   • 在临界阈值附近，关联长度发散 $l^* \sim |X - X_{th}|^{-1/2}$（图 2(d)），表明长程关联，这是相变的标志。

2. 独特的普适类： 为 NegPT 在 Bethe 晶格中推导出的 the rmal 临界指数 $z_v \approx 1/2$ 与经典和并发渗流中观察到的 $z_v \approx 1$ 根本不同。这提供了无可辩驳的证据，表明基于 CV 的 QN，在 NegPT 下，属于一个新的普适类，将其与它们的 DV 对应物区分开来。方形晶格上的数值模拟进一步支持了这种区别，得出了关联长度指数 $\nu \approx 0.02(2)$，这与 ConPT 的 $\nu \approx 1.3(3)$ 显著不同。

3. 基于 CV 的 QN 的关键脆弱性： 混合序相变的剧烈性给大规模基于 CV 的 QN 带来了关键的脆弱性。反馈控制模拟（图 4）表明，虽然基于 DV 的 QN（图 4a）表现出快速平滑的稳定，但基于 CV 的 QN（图 4b）在临界阈值附近遭受长期“开/关”不稳定性。这是 $X_{SC}$ 相对于 $X$ 的不连续跳跃的直接结果，突显了稳定 CV 系统的一个重大实际挑战。

4. 混合序相变的独特机制： 本文表明，NegPT 在不需要额外的自由度（例如，经典相互依赖渗流通常需要的层数 M）的情况下诱导混合序相变。这强调了驱动这些相变的底层机制的根本差异。

局限性与未来方向

尽管研究结果意义深远，但作者也坦诚地承认了几项局限性，并提出了引人注目的未来研究和发展方向：

1. 理解混合序相变机制： 本文指出，混合序相变的底层机制，尤其是在此背景下，尚未完全理解。传统的理论，例如基于自旋odal 点的理论，可能不直接适用。未来的理论研究需要探索串并联规则的相互作用如何具体诱导这些混合序相变，可能揭示在量子光学实验中可观察到的新颖相变景观。

2. CV 纠缠浓缩的最优性： 对于当前的 CV QN 设计，一个显著的局限性是 G-G DET 方案中使用的 CV 并联规则（纠缠浓缩）与其 DV 对应物相比“不是最优的”。这表明当前的浓缩协议可能无法实现最大可能的纠缠。未来的工作应侧重于理解 CV 系统的纠缠浓缩的可行性和实现限制，以开发更有效和最优的协议。

3. 稳健的反馈控制策略： 在临界阈值附近，基于 CV 的 QN 在标准反馈控制下的不稳定性是一个关键的实际问题。这需要开发“更仔细的反馈策略”来维持稳健运行。未来的研究应探索先进的控制理论技术，可能包括预测模型或自适应控制，以有效稳定 CV 系统，特别是考虑到量子反馈控制在光学实现中的普遍性。

4. 推广到非高斯态和操作： 本文暗示混合序相变可能会持续存在于广义 CV 操作甚至非高斯态中。这开启了一个广泛的讨论话题：这些发现如何超出高斯范围？在更复杂、非高斯 CV 系统中研究 NegPT 可能会揭示这种独特的临界现象是否是 CV QN 的普遍特征，还是仅限于高斯态。这将涉及探索广义串并联规则的物理起源以及它们对观察到的相变类型的影响。

5. 预测现象的实验验证： 尽管本文提出了强有力的理论和计算证据，但最终的验证在于实验实现。未来的努力应侧重于设计和执行量子光学实验，这些实验能够实现 G-G DET 方案，并在实际的 CV QN 中观察到预测的混合序相变和反馈不稳定性。这将弥合理论与实际应用之间的差距，刺激在稳健、反馈稳定的 QN 方面的进一步发展。

FIG. 2. Bethe lattice. (a) A Bethe lattice of degree k (i.e., each node is incident to k links) and network depth l (the path length from the yellow node to the red nodes). (b) The sponge-crossing ratio negativity XSC between S and T for various k (right panel), satisfying the power law XSC −X+ SC ∼|χ −χth|0.47(5) as χ →χ+ th (left panel). The numerical value 0.47 ± 0.05 is derived by a linear least-squares fit to the sixteen data points. (c) When χ →χ− th, XSC exhibits a plateau behavior until the network depth l exceeds the correlation length l∗(defined as the depth l at which XSC = 0.5), after which XSC abruptly drops to zero. (d) Near the critical threshold, we observe l∗∼|χ −χth|−0.508(9), indicating zν ≈1/2 FIG. 4. Feedback stabilization of QN against entanglement decay. (a) Under the same feedback control [Eq. (5)], the DV- based QN (k = 3 Bethe lattice) exhibits rapid stabilization; (b) whereas the CV-based QN exhibits long-term “on/off” instability, a direct result of the abrupt drop in Fig. 2(b) FIG. 6. Continuous-variable entanglement concentration. Consider K parallel TMSVSs written as the tensor product: NK k=1 |ψrk⟩. Step a1: The TMSVS |ψr′ 1⟩is obtained by executing the TMSVS entanglement concentration protocol on |ψr1⟩⊗|ψr2⟩; Step a2: Performing the scheme again on |ψr′ 1⟩⊗|ψr3⟩yields the TMSVS |ψr′ 2⟩; and so on. This even- tually results in a single TMSVS |ψr⟩, where the squeezing parameter r satisfies Eq. (16)

与其他领域的同构性

结构骨架

本文的核心内容提出了一种机制，该机制使用串联和并联规则在网络拓扑中聚合有界的、非加性的“连通性”度量，从而揭示了混合序相变和关键不稳定性。