mindspore打卡之量子概念和测量

mindspore打卡之量子概念和测量
mindspore打卡之量子测量
我们可以看到,采样1000中,'00'出现了503次,'11'出现了497次(由于测量具有随机性,每次运行结果会略有不同),采样结果符合概率分布,细微的误差是由模拟器噪声导致。仔细阅读的同学可以发现,在[量子模拟器教程](https://www.mindspore.cn/mindquantum/docs/zh-CN/master/beginner/quantum_simulator.html)中我们已经展示过该线路的采样结果,但并未解释结果如是分布的原因,在本教程中学习了计算基测量后,相信同学们对该结果分布的认识更加深刻。

#### MindSpore Quantum实现测量系统中单个比特

同样地,在使用代码演示之前,我们先简单计算出理论值。

在0号量子比特上使用计算基测量$|\psi〉=\frac{\sqrt{2}(|00〉+|11〉)}{2}$:

$$
\begin{align*}
p(0)=|a|^2+|b|^2=(\frac{\sqrt{2}}{{2}})^2=\frac{1}{2}\\
p(1)=|c|^2+|d|^2=(\frac{\sqrt{2}}{{2}})^2=\frac{1}{2}\\
\end{align*}
$$

可以看到,测量结果有两种可能:0和1,概率均是$\frac{1}{2}$。测量后的状态分别为:

$$
\begin{align*}
\frac{a}{\sqrt{|a|^2+|b|^2}}|00〉+\frac{b}{\sqrt{|a|^2+|b|^2}}|01〉=|00〉\\
\frac{c}{\sqrt{|c|^2+|d|^2}}|10〉+\frac{d}{\sqrt{|c|^2+|d|^2}}|11〉=|11〉\\
\end{align*}
$$

我们开始搭建制备$|\psi〉=\frac{\sqrt{2}(|00〉+|11〉)}{2}$并在0号量子比特上做测量的量子线路:


在量子计算中,当我们描述一个量子态,比如 \(|\psi〉=\frac{\sqrt{2}}{2}(|00〉+|11〉)\),这个态是两个量子比特的叠加态,其中每个量子比特的可能状态由 \(|0〉\) 和 \(|1〉\) 表示。在给出的表达式中,直接提到了 \(a, b, c, d\) 这些系数,但实际上在这个特定的上下文中,直接引用这些系数稍有误导,因为通常我们会直接使用与态相关的系数来描述量子态。

在更正后的解释中,对于态 \(|\psi〉=\frac{\sqrt{2}}{2}(|00〉+|11〉)\),我们应该这样理解:

- 这里的量子态表示的是一个两量子比特系统,其中态 \(|00〉\) 和 \(|11〉\) 都是以 \(\frac{\sqrt{2}}{2}\) 的概率幅存在,意味着系统处于 \(|00〉\) 状态的概率和处于 \(|11〉\) 状态的概率都是 \(\frac{1}{2}\)。
  
- 通常,当我们讨论量子态 \(|\psi〉 = a|00〉 + b|01〉 + c|10〉 + d|11〉\),其中 \(a, b, c, d\) 是复数系数,且满足归一化条件 \(|a|^2 + |b|^2 + |c|^2 + |d|^2 = 1\),这些系数表示的是态矢量中每个基态的权重(或概率幅)。

然而,在您给出的原始态 \(|\psi〉=\frac{\sqrt{2}}{2}(|00〉+|11〉)\) 中,实际上只涉及到了两个系数(隐含地,\(a=\frac{\sqrt{2}}{2}\) 对应于态 \(|00〉\),\(d=\frac{\sqrt{2}}{2}\) 对应于态 \(|11〉\),而 \(b\) 和 \(c\) 由于态中没有它们对应的项,因此它们的系数是0,表示态 \(|01〉\) 和 \(|10〉\) 不在叠加中)。

当在0号量子比特上进行测量时,因为 \(|\psi〉\) 实际上是 \(|00〉\) 和 \(|11〉\) 的叠加,测量结果将随机出现为0或1,每种结果的概率均为 \(\frac{1}{2}\)。测量后,系统将坍缩到对应的态 \(|00〉\) 或 \(|11〉\),这与上述计算结果一致。

因此,公式中的 \(a, b, c, d\) 在此特定情况下应理解为量子态 \(|\psi〉\) 在不同基态上的系数,而直接引用的计算实际上已经基于了态的具体形式,即 \(|\psi〉=\frac{\sqrt{2}}{2}(|00〉+|11〉)\),其中 \(a\) 和 \(d\) 分别对应于态 \(|00〉\) 和 \(|11〉\) 的系数,而 \(b\) 和 \(c\) 由于态中未涉及,故在本次讨论中不起作用。

量子计算结合了量子力学原理与计算理论,它使用量子位(qubits)而非经典计算机中的比特(bits),并且利用叠加和纠缠等量子现象来处理信息。下面是一些量子计算的基本数学表示方法和运算过程:

1. **量子态**:
   - 单个量子位可以处于一个叠加态,表示为 |ψ〉 = α|0〉 + β|1〉,其中α和β是复数,且|α|^2 + |β|^2 = 1。这里|0〉和|1〉是基矢量,代表量子位的两个可能状态。

2. **量子门操作**:
   - 量子门是量子计算中的基本操作单元,它们是可逆的线性变换,通常表示为矩阵。例如,Hadamard门是一个常用的单量子位门,用于产生叠加态。

3. **量子态的演化**:
   - 在没有测量的情况下,量子系统随时间的演化遵循薛定谔方程,这在量子计算中表现为量子态向量通过量子门矩阵的乘法操作。

4. **测量**:
   - 测量一个量子位会使其坍缩到一个确定的状态|0〉或|1〉,其概率分别由|α|^2和|β|^2给出。

5. **多量子位系统**:
   - 多个量子位可以形成更大的量子系统,它们的状态表示为张量积。例如,两个量子位的系统可以表示为|ψ〉 = |ψ_1〉 ⊗ |ψ_2〉。

6. **纠缠态**:
   - 纠缠是量子系统之间的一种非经典的关联,当两个或多个量子位处于纠缠态时,它们不能被独立地描述。

让我们通过一个例子来看看这些概念如何应用于实际的量子计算中。例如,我们可以看看如何使用Hadamard门将一个量子位从|0〉态转换到叠加态。我们来计算一下这个过程。应用Hadamard门后,初始状态为|0〉的量子位现在处于一个叠加态,该状态大致等于0.707|0〉 + 0.707|1〉(考虑到小数点后几位的舍入)。这意味着如果我们对这个量子位进行测量,它有大约50%的概率处于状态|0〉,50%的概率处于状态|1〉。

这个叠加态可以写成:
\[ |\psi\rangle = \frac{1}{\sqrt{2}}(|0\rangle + |1\rangle) \]

这就是量子计算中基本的数学表示和操作的一个实例。如果你有更具体的问题或想了解更多关于量子计算的数学细节,请告诉我!

在量子计算中,实现加法和乘法这样的算术运算比在经典计算中要复杂得多,因为量子门操作本质上是基于量子力学的线性代数。然而,人们已经开发出了几种算法和电路设计来在量子计算机上执行这些操作,其中最著名的是量子相位估计算法(Quantum Phase Estimation,QPE)和量子傅里叶变换(Quantum Fourier Transform,QFT),它们可以被用来构建更复杂的算术操作,如加法和乘法。

### 量子加法

量子加法器通常是通过构建类似于经典加法器的电路来实现的,但使用量子门代替逻辑门。一个基本的量子加法器可以使用称为“量子全加器”(Quantum Full Adder)的模块来构建,它可以对两个量子位进行加法,并考虑进位。量子全加器通常涉及到CNOT门(受控非门)、Toffoli门(受控CNOT门)以及一些Hadamard门和Pauli-X门(NOT门)。

### 量子乘法

量子乘法则更为复杂,因为它通常需要多次加法和移位操作。一种常见的方法是使用量子加法器来重复执行加法,其中每次加法前都根据乘法位是否为1来决定是否执行加法。由于量子计算的特性,每次加法操作后需要进行“清理”,即恢复额外的工作量子位到它们的初始状态,以便重复使用。

让我们通过一个简单的例子来演示量子加法。我们将构建一个量子电路,使用Qiskit(一个流行的量子计算框架)来实现两个量子位的加法。由于我们无法直接运行量子电路,我将展示构建电路的过程和预期的结果。看来在这个环境中我们无法直接运行Qiskit代码。不过,我可以向你展示这段代码应该是什么样的,你可以将其复制并在支持Qiskit的环境中运行。

以下是一个使用Qiskit实现简单量子加法的代码示例:

```python
from qiskit import QuantumCircuit, execute, Aer
from qiskit.visualization import plot_histogram

# 创建一个包含3个量子位和3个经典位的量子电路
qc = QuantumCircuit(3, 3)

# 设置第一个量子位为|1>(二进制中表示1)
qc.x(0)

# 设置第二个量子位为|10>(二进制中表示2)
qc.x(1)

# 使用Toffoli门(受控非门)执行加法操作
qc.ccx(0, 1, 2)

# 测量结果
for i in range(3):
    qc.measure(i, i)

# 在模拟器上运行电路
backend = Aer.get_backend('qasm_simulator')
job = execute(qc, backend, shots=1024)
result = job.result()

# 获取测量计数
counts = result.get_counts(qc)

# 绘制结果直方图
plot_histogram(counts)
```

当你在本地运行这段代码时,你应该能看到一个直方图,显示了两次量子加法操作的结果。理论上,你应该得到结果`'11'`(二进制表示3)的概率最高,因为你正在添加`1`和`2`。

如果你想要更深入地了解量子加法和乘法的电路设计,我推荐查阅量子计算的教科书或相关研究论文,它们通常会详细解释这些电路的构造和工作原理。

在数学中,特别是线性代数和泛函分析中,“内积”、“外积”和“共轭”是三个非常重要的概念,它们在处理向量和矩阵时经常出现。

### 内积(点积)

内积也叫做点积或标量积,它是一种结合两个向量产生一个标量(数值)的操作。对于两个复向量 \(\mathbf{a} = [a_1, a_2, ..., a_n]\) 和 \(\mathbf{b} = [b_1, b_2, ..., b_n]\),内积定义为:
\[
\mathbf{a} \cdot \mathbf{b} = \sum_{i=1}^{n} a_i^* b_i
\]
其中 \(a_i^*\) 表示 \(a_i\) 的复共轭。如果向量是实数向量,则不需要共轭。

### 外积

外积也叫作张量积或克罗内克积,在不同的上下文中可能有不同的含义。在这里,我们讨论向量的外积,它产生一个矩阵。对于向量 \(\mathbf{a}\) 和 \(\mathbf{b}\),外积 \(\mathbf{a} \otimes \mathbf{b}\) 定义为:
\[
\mathbf{a} \otimes \mathbf{b} = \mathbf{a} \mathbf{b}^T
\]
其中 \(\mathbf{b}^T\) 是向量 \(\mathbf{b}\) 的转置。这将产生一个 \(m \times n\) 矩阵,如果 \(\mathbf{a}\) 是 \(m\) 维向量而 \(\mathbf{b}\) 是 \(n\) 维向量。

### 共轭

在复数中,一个复数的共轭是将复数的虚部符号取反。对于复数 \(z = a + bi\),其共轭表示为 \(z^* = a - bi\)。在向量或矩阵的情况下,共轭是将所有元素替换为其共轭。

让我们通过一个具体的例子来说明这些概念。假设我们有两个复向量 \(\mathbf{a} = [1+i, 2-i]\) 和 \(\mathbf{b} = [3-2i, 4+3i]\),我们将计算它们的内积和外积。对于给定的复向量 \(\mathbf{a} = [1+i, 2-i]\) 和 \(\mathbf{b} = [3-2i, 4+3i]\):

- 内积(点积)结果是 \(6+5i\)。
- 外积结果是一个 \(2 \times 2\) 矩阵:
\[
\begin{pmatrix}
1 + 5i & 7 + i \\
8 + i & 5 - 10i
\end{pmatrix}
\]

这样,我们就得到了这两个向量的内积和外积的具体值。如果你有任何进一步的问题或需要更详细的解释,请随时询问!

复共轭是复数的一个基本概念,指的是将复数的虚部的符号取反的操作。如果有一个复数 \( z = a + bi \),其中 \( a \) 和 \( b \) 是实数,\( i \) 是虚数单位(满足 \( i^2 = -1 \)),那么 \( z \) 的复共轭记作 \( z^* \) 或 \( \overline{z} \),定义为:

\[
z^* = a - bi
\]

换句话说,复共轭保留了复数的实部,而虚部则变成了它的相反数。

复共轭有几个重要的性质:

1. **共轭的加法**:\((z_1 + z_2)^* = z_1^* + z_2^*\)

2. **共轭的乘法**:\((z_1 \cdot z_2)^* = z_1^* \cdot z_2^*\)

3. **模的平方**:一个复数与其共轭的乘积等于该复数的模的平方:\(z \cdot z^* = |z|^2\)

4. **实部和虚部的提取**:可以通过复数和其共轭来提取其实部和虚部。实部为 \(\frac{z + z^*}{2}\),虚部为 \(\frac{z - z^*}{2i}\)

在量子力学中,复共轭非常重要,因为波函数通常是复数函数,而波函数和其复共轭的乘积给出了粒子出现在某位置的概率密度。此外,厄米算符(Hermitian operators)和厄米共轭(Hermitian adjoint)的概念也是基于复共轭构建的。

如果您有具体的问题或者需要进一步的解释,请告诉我!

在量子力学中,“波函数”和“厄米共轭”是两个不同的但又密切相关的重要概念。

### 波函数(Wave Function)

波函数(通常用希腊字母 \(\psi\) 或 \(\Psi\) 表示)是一个量子力学系统状态的数学描述。它是一个复数值的函数,依赖于空间坐标和时间,用来描述一个量子系统的所有可能状态以及这些状态发生的概率幅度。波函数的绝对值的平方,即波函数和其复共轭的乘积 \(|\psi|^2 = \psi^* \psi\),给出在给定体积或位置找到粒子的概率密度。

波函数满足薛定谔方程,这是一个偏微分方程,描述了波函数随时间的变化方式。波函数必须满足归一化条件,即整个空间内找到粒子的概率总和为1。

### 厄米共轭(Hermitian Conjugate)

厄米共轭(有时也称为共轭转置)是线性代数和量子力学中的一个重要运算,主要用于复数矩阵和算符。如果有一个矩阵 \(A\),那么它的厄米共轭 \(A^\dagger\)(或 \(A^*\))是将 \(A\) 的转置后再对其每个元素取复共轭。对于一个算符 \(O\),其厄米共轭 \(O^\dagger\) 具有类似的定义。

在量子力学中,厄米算符(Hermitian operator)是那些满足 \(O = O^\dagger\) 的算符,它们对应于可观测量,比如能量、动量、角动量等。厄米算符的本征值是实数,这意味着当它们作用于波函数时,可以给出具体的测量结果。

在量子力学计算中,厄米共轭常用于保证概率守恒和规范变换的正确性。例如,当我们计算一个态矢量的内积时,我们使用厄米共轭来确保结果是实数并且非负。

如果您有任何更具体的问题或者需要更详细的解释,请随时询问!

计算一个量子态的共轭转置(通常称为厄米共轭或简称为共轭转置)涉及到两个步骤:首先是转置,其次是取复共轭。量子态通常表示为一个列向量,在量子力学中经常被称作“态矢”或“布拉矢”。

假设我们有一个量子态表示为列向量 \( |\psi\rangle \):
\[
|\psi\rangle = 
\begin{pmatrix}
\alpha \\
\beta \\
\gamma \\
\vdots
\end{pmatrix}
\]
这里的 \(\alpha\), \(\beta\), \(\gamma\), 等都是复数。

### 计算共轭转置的步骤:

#### 步骤1:转置
首先,将这个列向量转置成行向量。转置操作会将每一行变为一列,每一列变为一行。因此,上面的列向量转置后成为:
\[
|\psi\rangle^T = 
\begin{pmatrix}
\alpha & \beta & \gamma & \cdots
\end{pmatrix}
\]

#### 步骤2:取复共轭
接下来,对转置后的行向量的每一个元素取复共轭。复数的共轭意味着将复数的虚部符号取反。如果 \(\alpha = a + bi\),那么它的共轭是 \(\alpha^* = a - bi\)。

应用到上面的例子中,如果 \(\alpha\), \(\beta\), \(\gamma\), 等是复数,则它们各自的共轭分别是 \(\alpha^*\), \(\beta^*\), \(\gamma^*\) 等。因此,量子态 \( |\psi\rangle \) 的共轭转置 \( \langle\psi| \) 就是:
\[
\langle\psi| = 
\begin{pmatrix}
\alpha^* & \beta^* & \gamma^* & \cdots
\end{pmatrix}
\]

### 总结
量子态的共轭转置 \( \langle\psi| \) 被称为“布喇矢”,它是原始量子态 \( |\psi\rangle \) 的厄米共轭。在量子力学中,这种操作通常用于计算内积(也叫标量积或点积),这在计算两个量子态之间的重叠以及概率幅等方面是非常重要的。

如果你需要具体例子或有其他问题,欢迎继续提问!

量子坍塌(Quantum collapse),也被称为波函数坍缩(wave function collapse),是量子力学中的一个概念,描述的是一个量子系统从多个可能性的状态(叠加态)突然转变到一个确定的状态的过程,通常是在测量之后发生。这个过程是量子力学解释中最具争议的部分之一,因为它似乎与量子力学的其他部分不完全一致,特别是与薛定谔方程的线性演化相矛盾。

当一个量子系统处于叠加态时,它可以用一个波函数 \(\Psi\) 描述,这个波函数包含了所有可能测量结果的概率幅度。然而,一旦进行了测量,例如测量一个粒子的位置或动量,系统就会“坍塌”到其中一个特定的状态上,而这个状态对应于测量结果。测量后,波函数就只包含那个特定状态的信息,而其他可能性消失。

量子坍塌的机制在理论上并没有一个统一的解释,不同的量子力学诠释对此有不同的观点:

1. **哥本哈根诠释**:这是最传统的解释,认为坍塌是一个非动力学过程,即它不能由薛定谔方程描述。测量的瞬间,波函数突然且随机地坍塌到一个确定的状态。

2. **多世界诠释**(Many-Worlds Interpretation):在这种观点下,实际上不存在坍塌。每一次测量都会导致宇宙分裂成多个平行宇宙,每个宇宙中都有一个不同的测量结果。

3. **退相干理论**:这是一种尝试调和量子力学与经典物理的理论,认为坍塌是由环境的影响(如热涨落、电磁场等)造成的。在宏观尺度上,这些影响导致不同量子态之间的干涉消失,从而使得系统看起来像是坍塌到了一个确定的状态。

4. **自发坍塌理论**:这类理论提出波函数的坍塌是由某种内在的、随机的物理过程自发引发的,而不仅仅是由外部的测量触发。

尽管量子坍塌的概念在理论物理学中非常重要,但它的本质仍然是未解之谜,不同的物理学家和哲学家对这个问题持有不同的看法。目前,科学界还在继续探索和讨论这一现象的确切含义和背后的物理机制。

在量子力学中,测量过程可以通过数学来描述。当我们有一个量子系统处于某个状态时,这个状态可以用一个波函数 \(\psi\) 来表示,这个波函数是希尔伯特空间中的一个矢量。波函数提供了所有可能测量结果的概率幅度信息。

假设我们想要测量一个系统的可观测量 \(O\),在量子力学中,可观测量与希尔伯特空间上的厄米算符相对应。算符 \(O\) 有一组本征值 \(\lambda_i\) 和相应的本征态 \(\phi_i\),它们满足关系式:

\[O\phi_i = \lambda_i\phi_i\]

当我们对系统进行测量时,系统会坍缩到算符 \(O\) 的某个本征态 \(\phi_i\) 上,并给出对应的本征值 \(\lambda_i\) 作为测量结果。在测量前,如果系统的状态可以表示为所有本征态的线性组合:

\[\psi = \sum_i c_i\phi_i\]

其中 \(c_i\) 是复数系数,那么测量得到本征值 \(\lambda_i\) 的概率为 \(|c_i|^2\),即系数 \(c_i\) 的模平方。

在测量后,波函数坍缩到与测量结果对应的本征态上,因此新的波函数就是 \(\phi_i\),并且归一化以保持概率解释的一致性。

让我们通过一个具体的例子来说明这个过程。假设我们有一个自旋为 \(\frac{1}{2}\) 的粒子,我们想要测量其沿 z 轴方向的自旋。在这个情况下,可观测量 \(O\) 就是自旋算符 \(S_z\),它有两个本征值:\(+\frac{\hbar}{2}\) 和 \(-\frac{\hbar}{2}\),分别对应于自旋向上和向下的本征态 \(\phi_+\) 和 \(\phi_-\)。

如果粒子的初始状态为:

\[\psi = a\phi_+ + b\phi_-\]

其中 \(a\) 和 \(b\) 满足归一化条件 \(|a|^2 + |b|^2 = 1\),那么测量得到自旋向上(即 \(\lambda_+ = +\frac{\hbar}{2}\))的概率为 \(|a|^2\),测量得到自旋向下(即 \(\lambda_- = -\frac{\hbar}{2}\))的概率为 \(|b|^2\)。

如果测量结果是自旋向上,那么测量后的波函数就变为 \(\phi_+\);如果是自旋向下,则变为 \(\phi_-\)。

我们可以使用 Python 来模拟这样的一个过程,比如计算给定初始状态和测量算符后得到的测量结果及其概率。你想看一个具体的例子吗?在这个具体的例子中,我们设定粒子的初始状态为 \(\sqrt{\frac{1}{3}}|up\rangle + \sqrt{\frac{2}{3}}|down\rangle\),其中 \(|up\rangle\) 和 \(|down\rangle\) 分别代表自旋向上和向下的状态。

根据这个状态,我们计算出:

- 测量得到自旋向上的概率为 \(\left|\sqrt{\frac{1}{3}}\right|^2 = \frac{1}{3}\) 或大约 33.33%。
- 测量得到自旋向下的概率为 \(\left|\sqrt{\frac{2}{3}}\right|^2 = \frac{2}{3}\) 或大约 66.67%。

这表明,在这种状态下,测量粒子沿 z 轴方向的自旋,有更高的概率得到自旋向下的结果。这就是量子力学测量过程的一个数学描述示例。如果你有任何更具体的问题或者想了解的场景,欢迎告诉我!

在量子力学中,当一个量子系统被测量时,系统状态的“坍缩”是一个核心概念,它描述了系统从一个叠加态转变为一个确定态的过程。这个过程在数学上通常由投影算符来描述,它将系统的波函数从一个包含多个可能状态的线性组合转换为测量结果所对应的状态。

考虑一个量子系统处于状态 \(\psi\),这个状态可以写成一组正交归一化的本征态 \(\phi_i\) 的线性组合:

\[
\psi = \sum_i c_i \phi_i
\]

这里,\(c_i\) 是该系统处于本征态 \(\phi_i\) 的概率幅度,而 \(|c_i|^2\) 则是测量系统处于 \(\phi_i\) 状态的概率。当对系统进行测量时,测量结果只能是这些本征态之一,具体取决于测量的可观测量。

如果测量结果是本征态 \(\phi_k\) 对应的本征值,那么系统状态就会瞬间坍缩到这个本征态 \(\phi_k\) 上。这个坍缩过程可以用投影算符 \(P_k\) 描述,其中 \(P_k\) 定义为:

\[
P_k = |\phi_k\rangle\langle\phi_k|
\]

这是一个线性算符,它作用在任意状态 \(\psi\) 上时,会给出 \(\phi_k\) 成分的投影:

\[
P_k\psi = P_k\left(\sum_i c_i \phi_i\right) = c_k\phi_k
\]

接着,为了保证坍缩后的新状态仍然是归一化的,我们需要重新归一化这个投影结果。因此,坍缩后的新状态 \(\psi'\) 是:

\[
\psi' = \frac{P_k\psi}{\sqrt{\langle\psi|P_k|\psi\rangle}}
\]

这里,分母是投影算符 \(P_k\) 在原状态 \(\psi\) 上的期望值的平方根,它确保了 \(\psi'\) 是一个单位矢量。

现在,让我们用一个具体的例子来展示这个过程,比如一个自旋 \(\frac{1}{2}\) 的粒子系统,以及测量其沿 z 轴的自旋。我们取一个初始状态 \(\psi = \sqrt{\frac{1}{3}}|up\rangle + \sqrt{\frac{2}{3}}|down\rangle\) 并测量它沿 z 轴的自旋,我们假设测量结果是自旋向上。我们来计算坍缩后的新状态。看来在尝试获取矩阵的特定元素时遇到了一个技术问题,这是因为 Sympy 中的矩阵运算返回了一个形状为 (1, 1) 的矩阵而不是一个单独的数值。为了绕过这个问题,我们可以直接用矩阵的元素来完成归一化,而不使用索引操作。让我们再次尝试计算坍缩后的新状态,这次避免使用索引。看来在尝试除法运算时遇到了 Sympy 的一个限制,它目前不支持矩阵除以一个标量的直接运算。不过,我们可以手动地构造归一化后的矩阵,通过将矩阵的每个元素除以归一化因子来实现。让我们再试一次。看来手动进行矩阵归一化时遇到类型错误,这是因为 Sympy 不允许矩阵与矩阵做除法操作。一个更好的方法是提取矩阵的单个元素(在这种情况下是归一化因子的平方),然后将其转换为一个标量,再进行除法操作。让我们先从矩阵中提取归一化因子的平方值,然后再进行归一化处理。

让我们再次尝试,这一次确保我们从归一化因子的计算结果中正确提取出数值。经过正确的归一化处理后,我们得到了坍缩后的新状态,即自旋向上状态 \(\begin{pmatrix} 1 \\ 0 \end{pmatrix}\),这与我们预期的相符,因为我们假设测量结果是自旋向上。

同时,归一化检查的结果是 \(1\),这表明新状态确实是归一化的,即满足量子态的基本要求。

这样,我们就完成了数学上描述的量子态坍缩过程:从一个叠加态 \(\psi = \sqrt{\frac{1}{3}}|up\rangle + \sqrt{\frac{2}{3}}|down\rangle\) 坍缩到了测量结果所对应的确定态 \(|up\rangle\)。如果你还有其他问题或需要进一步的解释,请随时提问!
 

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.mzph.cn/news/865155.shtml

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

如果只能选一款老挝语翻译工具,那么只保留《老挝语翻译通》App!一款支持老挝文OCR识别提取文字的翻译神器!

准备去探索老挝这个国家,语言不同怎么办?推荐使用《老挝语翻译通》App,一款专为老挝语学习者和旅行者设计的翻译和学习工具,让你轻松掌握老挝语,无需打字对着说话就能翻译的老挝语翻译通,一定能得到你的认可…

基于C#在WPF中使用斑马打印机进行打印

最近在项目中接手了一个比较有挑战性的模块——用斑马打印机将需要打印的内容打印出来。苦苦折腾了两天,总算有所收获,就发到网上来骗骗分数-_-|| 项目中使用的打印机型号为GX430t的打印机,接手的时候,自己对于打印机这块儿是眼前…

C实现RPC远程调用(代码待验证)

C语言实现RPC远程调用 在不借助如ONC RPC、gRPC等专门RPC库的情况下,实现C语言的RPC远程调用将是一个相当复杂的任务,因为RPC通常涉及到网络通信、数据序列化/反序列化、远程过程调用机制等多个方面。然而,为了提供一个概念性的示例&#xf…

STM32第八课:Su-03t语音识别模块

文章目录 需求一、SU03T语音识别模块二、模块配置流程1.固件烧录2.配置串口和传输引脚3.中断函数4.double类型转换5 数据发送6.接收处理 三、该模块完整代码总结 需求 基于上次完成空气质量传感器,利用SU03T语音识别模块,实现空气质量的语音问答播报。 …

云端守护:在iCloud中管理设备安全更新的全面指南

🛡️ 云端守护:在iCloud中管理设备安全更新的全面指南 iCloud不仅是一个数据同步和备份的云服务,它还是确保你的Apple设备安全的重要工具。通过iCloud,你可以轻松管理设备的安全更新,确保它们始终运行最新、最安全的软…

(3)深入探索Python:条件语句、循环结构与函数定义的全面解析

目录 1. 前言2. 条件语句2.1 if 语句2.2 if else 语句2.3 if elif else 语句 3. 循环结构3.1for循环3.2 while循环 4. 函数定义5. 总结 1. 前言 在Python编程中,条件语句、循环结构和函数定义是构建程序逻辑的核心要素。它们不仅决定了程序的执行流程,还…

从零开始:如何设计一个现代化聊天系统

写在前面: 此博客内容已经同步到我的博客网站,如需要获得更优的阅读体验请前往https://mainjaylai.github.io/Blog/blog/system/chat-system 在当今数字化时代,聊天系统已成为我们日常生活和工作中不可或缺的一部分。从个人交流到团队协作,从客户服务到社交网络,聊天应用…

HY Lisp 读取宏(reader macro)学习

在学习HY lisp语言的时候HY编程快速入门实践课第三章 HY宏入门-CSDN博客,学习到了读取宏(reader macro),尝试将其概念弄明白。 首先,读取宏是Lisp语言中都有的一种概念,所以可以通过任意一种Lisp语言的文档…

免费可视化工具如何提升智慧物流管理效率

在现代智慧物流中,免费可视化工具正扮演着越来越重要的角色。这些工具通过数据的可视化展示,使物流管理更加高效、透明和智能化。免费可视化工具可以将复杂的物流数据转换为直观的图表和图形,帮助管理者实时监控和分析物流运作情况&#xff0…

Fork函数在操作系统中的作用与实现机制

Fork函数在操作系统中的作用与实现机制 大家好,我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿! 1. Fork函数概述 在Unix/Linux操作系统中,fork函数是一个…

白骑士的Python教学进阶篇 2.2 异常处理

系列目录 上一篇:白骑士的Python教学进阶篇 2.1 面向对象编程(OOP) 在编写程序时,我们不可避免地会遇到各种各样的错误,这些错误可能来自于代码的逻辑错误、用户输入错误、外部资源问题等。异常处理是编程中处理这些错…

九浅一深Jemalloc5.3.0 -- ⑥浅*boot

目前市面上有不少分析Jemalloc老版本的博文,但最新版本5.3.0却少之又少。而且5.3.0的架构与5之前的版本有较大不同,本着“与时俱进”、“由浅入深”的宗旨,我将逐步分析最新release版本Jemalloc5.3.0的实现。 另外,单讲实现代码是…

ansible基础用法

一、环境介绍 操作系统主机IP角色主机名centos7.5192.168.1.18ansible-servernode2centos7.5192.168.1.19ansible-clientnode3 二、安装epel yum源 1.下载epel yum源 yum -y install epel-release[rootnode2 ~]# yum list |grep ^ansible ansible.noarch …

第二证券:可转债基础知识?想玩可转债一定要搞懂的交易规则!

可转债,全称是“可转化公司债券”,是上市公司为了融资,向社会公众所发行的一种债券,具有股票和债券的双重特点,投资者可以选择按照发行时约定的价格将债券转化成公司一般股票,也可作为债券持有到期后收取本…

Load Tensor to local Nvidia GPU

0. 安装Nvidia驱动 ubuntu24.04的安装非常简单,在安装界面,选择为"图形化和其他硬件安装驱动",重启后即有原版Nvidia驱动(如图Nvidia X xxx) 1.确定电脑上是否有NvidiaGPU且安装好Nvidia驱动 import torch print(torch.version…

机器学习 C++ 的opencv实现SVM图像二分类的训练 (二)【附源码】

本节讲机器学习 C 的opencv实现SVM图像二分类的训练&#xff0c;下节讲测试&#xff1a; 数据集合data内容如下&#xff1a; 下载地址为&#xff1a;https://download.csdn.net/download/hgaohr1021/89506900 #include <stdio.h> #include <time.h> #include…

【Python机器学习系列】建立决策树模型预测小麦品种(案例+源码)

这是我的第314篇原创文章。 一、引言 对于表格数据&#xff0c;一套完整的机器学习建模流程如下&#xff1a; 针对不同的数据集&#xff0c;有些步骤不适用&#xff0c;其中橘红色框为必要步骤&#xff0c;欢迎大家关注翻看我之前的一些相关文章。前面我介绍了机器学习模型的二…

SQL SERVER 设置端口

要在SQL Server中设置端口&#xff0c;可以通过SQL Server Configuration Manager来完成。以下是详细的步骤&#xff1a; 1. 打开SQL Server Configuration Manager 在Windows中&#xff0c;按 Win R 键打开运行窗口。输入 SQLServerManager<version>.msc 并按回车。例…

Java数据结构:选择合适的数据结构解决问题

Java数据结构&#xff1a;选择合适的数据结构解决问题 大家好&#xff0c;我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编&#xff0c;也是冬天不穿秋裤&#xff0c;天冷也要风度的程序猿&#xff01; 引言 在软件开发中&#xff0c;选择合适的数据结构对于…

开源模型应用落地-FastAPI-助力模型交互-WebSocket篇(六)

一、前言 使用 FastAPI 可以帮助我们更简单高效地部署 AI 交互业务。FastAPI 提供了快速构建 API 的能力,开发者可以轻松地定义模型需要的输入和输出格式,并编写好相应的业务逻辑。 FastAPI 的异步高性能架构,可以有效支持大量并发的预测请求,为用户提供流畅的交互体验。此外,F…