1. 量子光学电路中的概率分布基础
在量子光学实验中，精确计算测量结果的概率分布是理解和设计量子信息处理系统的关键。让我们从一个典型的光学电路出发，考虑由双模压缩态和位移算符生成的量子态：
|ψ⟩= ˆDₐ(α) ˆD_b(β) ˆS₂(r) |00⟩
这个态描述了两个光模（标记为a和b）经过位移操作和双模压缩后的量子态。要计算测量结果的概率分布，我们需要引入几个关键概念：
1.1 测量建模与POVM
实验中使用的单光子探测器通常用正算子值测度(POVM)来描述。对于效率为η的探测器，"无点击"事件对应的POVM元素为：
R = 1 - η|1⟩⟨1| - η|2⟩⟨2| - ... = ∑ₙ(1-η)ⁿ|n⟩⟨n|
这个定义直观反映了探测器的物理特性：对于n光子态，探测器不响应的概率是(1-η)ⁿ。在实际计算中，我们关注的是联合无点击概率P(00|α,β)，即在两个模式上同时观测到无点击事件的概率。
关键提示：探测器效率η是实际系统中的重要参数，η越低意味着更多的光子未被检测到，这会直接影响量子关联的观测。
1.2 概率分布的计算方法
计算P(00|α,β)需要处理如下矩阵元：
P(00|α,β) = ⟨ψ| R^(ˆa†ˆa+ˆb†ˆb) |ψ⟩
通过插入相干态完备性关系，可以将这个计算转化为积分形式：
P(00|α,β) = (1/π²) ∫|⟨00| ˆS₂†(r) ˆDₐ†(α) ˆD_b†(β) R^(ˆa†ˆa+ˆb†ˆb)/2 |γγ'⟩|² d²γd²γ'
这个积分表达式虽然看起来复杂，但可以通过以下步骤系统求解：
- 首先处理POVM作用于相干态的部分
- 然后处理位移算符的组合
- 最后处理双模压缩算符的作用
1.3 计算结果与物理解释
经过详细推导（见附录），我们得到无点击概率的解析表达式：
P(00|α,β) = (1-T_g²)/(1-R²T_g²) × exp[ (|α|²+|β|²)(1-R+R²T_g²-RT_g²)/(R²T_g²-1) - 2αβT_g(R-1)²/(R²T_g²-1) ]
其中T_g = tanh(r)，r是压缩参数，R=1-η是探测器无效率参数。
这个结果有几个重要物理意义：
- 当η→1（完美探测器）时，表达式简化为仅与压缩参数相关的形式
- 交叉项αβ反映了两个模式间的量子关联
- 分母中的(1-R²T_g²)项显示了探测效率与压缩参数的竞争关系
2. 噪声模型及其影响分析
实际量子光学系统总会受到各种噪声的影响。我们特别关注两类噪声模型，它们分别对应不同的物理机制。
2.1 双模压缩中的模式泄漏
第一种噪声模型考虑双模压缩过程中激发其他光学模式的情况。这在实验上可能对应于频率模式的泄漏。我们引入参数ζ∈[0,1]来量化这种泄漏：
ˆS₂(g,ζ) |0000⟩= √(1-ζT_g²)√(1-(1-ζ)T_g²) exp(√ζT_gˆa₁†ˆb₁† + √(1-ζ)T_gˆa₂†ˆb₂†) |0000⟩
这个模型保持了总光子数守恒，因为： T_g₁² + T_g₂² = ζT_g² + (1-ζ)T_g² = T_g²
物理上，ζ=1表示没有泄漏，所有压缩都发生在目标模式；ζ减小表示更多压缩转移到其他模式。
2.2 位移操作中的模式泄漏
第二种噪声模型考虑位移操作影响多个模式的情况。我们用参数χ∈[0,1]描述这种泄漏：
ˆD_c(α,χ) = exp(√χ(αˆc₁†-αˆc₁) + √(1-χ)(αˆc₂†-αˆc₂))
同样，这个操作保持平均光子数守恒： |α₁|² + |α₂|² = χ|α|² + (1-χ)|α|² = |α|²
2.3 噪声对密钥率的影响
通过数值计算，我们可以分析噪声参数(ζ,χ)对量子密钥分发系统密钥率r的影响。图6和图7展示了不同参数下的密钥率曲线：
- 当ζ从1降到0.7时，密钥率在高效率区域(η>0.9)下降明显
- 类似地，χ的降低也会导致密钥率下降
- 值得注意的是，系统对这两类噪声表现出相当的鲁棒性，在η<0.9时影响相对较小
实验经验：在实际系统设计中，应当优先保证位移操作的纯度(χ接近1)，因为其对密钥率的影响在中等效率区域更为显著。而双模压缩的泄漏(ζ)主要影响高效率区域的表现。
3. SDP层次结构与熵的边界计算
在量子密钥分发的安全性证明中，精确计算von Neumann熵H(A|E)至关重要。我们介绍三种基于半正定规划(SDP)的层次结构方法。
3.1 完整层次结构(Full Hierarchy)
完整方法直接优化包含所有算符变量的单一SDP问题：
min_{x_j} ∑ᵢ tr(ΓCᵢ) s.t. ∀k, tr(ΓA_k) = b_k(P) Γ = ∑ⱼ F_j x_j ≥ 0
虽然理论上完备，但这种方法计算成本高，矩阵尺寸随层次级别ℓ和参数m快速增长。
3.2 分割层次结构(Split Hierarchy)
分割方法将优化分解为m个独立的SDP问题：
H(A|E) ≥ ∑ᵢ min_{x_j} tr(ΓᵢC̃ᵢ) s.t. ∀k, tr(ΓᵢA_k) = b_k(P) Γᵢ = ∑ⱼ Fʲᵢ x_j ≥ 0
这种方法计算效率高，但可能无法收敛到真实熵值，且无法提供单一的Bell不等式证书。
3.3 块层次结构(Block Hierarchy)
块方法结合了前两种方法的优点：
H(A|E) ≥ min_{x_j} ∑ᵢ tr(ΓᵢC̃ᵢ) s.t. ∀k, tr(Γ₁A_k) = b_k(P) ∀i, Γᵢ = ∑ⱼ Fʲᵢ x_j ≥ 0
这种方法：
- 保持计算效率（矩阵尺寸不随m增加）
- 保证收敛到真实熵值
- 提供单一Bell不等式证书
3.4 性能比较
我们以CHSH场景下的联合熵H(A₁B₁|E)为例比较三种方法：
- 计算精度：块方法能精确匹配已知上限，而分割方法存在明显差距
- 计算时间：块方法最快，完整方法在高m值时变得不切实际
- 证书质量：只有完整和块方法提供有效的Bell不等式证书
图8和图9详细展示了这些比较结果。特别值得注意的是，块方法在m=15时就能达到10⁻⁵的精度，而计算时间保持在分钟量级。
4. I-score优化与密钥率提升
基于块层次结构，我们可以定义I-score作为熵估计的优化工具。
4.1 I-score的定义与性质
I-score是通过SDP对偶问题得到的Bell表达式：
I(P) = ⟨λ|P⟩ = ∑_k λ_k b_k(P)
它具有以下关键性质：
- 在P₀点与H(A|E)的等值面相切
- 提供了比CHSH更精确的熵估计
- 能自动适应具体的概率分布特征
4.2 优化流程
利用I-score优化密钥率的流程如下：
- 初始化参数x₀（包括压缩强度、位移大小等）
- 计算当前P(x₀)和H(A|E)(P(x₀))
- 通过块SDP获取I-score表达式
- 沿I-score梯度方向更新参数
- 迭代直至收敛
4.3 实际应用中的技巧
在实际优化中，我们发现以下技巧很有帮助：
- 参数缩放：不同参数（如α和g）量级差异大，需要进行适当的缩放
- 边界处理：明确参数物理范围（如χ,ζ∈[0,1]）
- 热启动：使用前一轮结果初始化下一轮SDP
- 层次调整：根据收敛情况动态调整SDP层次级别
通过这种方法，我们能够在保证安全性的前提下，显著提高量子密钥分发系统的实际密钥率。特别是在中等损耗区域(η≈0.8-0.9)，优化后的参数设置可比标准CHSH方案提升达30%的密钥率。
