Khóa luận: Phân kì lượng tử, trung bình Heinz và bài toán bình phương bé nhất (ĐH Sư phạm TP.HCM)

Khóa luận về toán tin phân kì lượng tử, trung bình ma trận Heinz và ứng dụng giải bài toán tổng bình phương bé nhất. Nghiên cứu chuyên sâu toán học.

Chuyên ngành

Toán - Tin Học

Người đăng

Ẩn danh

Thể loại

Khóa luận tốt nghiệp

2023

41
1
0

Phí lưu trữ

30 Point

Mục lục chi tiết

[Lời cam đoan]

Lời cảm ơn

1. Chương 1: Lời nói đầu

1.1. Lí do chọn đề tài

1.2. Mục đích nghiên cứu

1.3. Phạm vi nghiên cứu và phương pháp nghiên cứu

2. Chương 2: Kiến thức chuẩn bị

2.1. Kiến thức cơ bản về toán tử và ma trận

2.2. Ma trận Hermit, ma trận Unita và ma trận xác định dương

2.3. Hàm toán tử đơn điện và hàm toán tử lỗi

2.4. Giải thức hàm và đạo hàm Frechet

3. Phân kì lượng tử với trung bình ma trận Heinz và bài toán tổng bình phương bé nhất

3.1. Phân kì lượng tử với trung bình

3.2. Bài toán tổng bình phương bé nhất

3.3. Bất đẳng thức xử lý dữ liệu và tính chất in-betweenness

Tài liệu tham khảo

Tóm tắt

I. Khám phá Phân kì lượng tử và bài toán tổng bình phương bé nhất

Lý thuyết thông tin lượng tử là một lĩnh vực thu hút sự quan tâm lớn từ cả toán học và vật lý. Trọng tâm của nó là đo lường và so sánh các trạng thái lượng tử, thường được biểu diễn bằng ma trận mật độ (density matrix). Khái niệm phân kì lượng tử ra đời như một công cụ tổng quát hóa các hàm khoảng cách giữa hai trạng thái, mang ý nghĩa quan trọng trong nhiều ứng dụng hiện đại. Các ứng dụng này bao gồm Học máy (Machine Learning), Xử lý tín hiệu số và điện toán lượng tử ứng dụng. Song song đó, bài toán tổng bình phương bé nhất (Least Squares) là một trong những nền tảng của thống kê và tối ưu hóa cổ điển, đặc biệt trong các mô hình hồi quy tuyến tính (linear regression)data fitting. Việc kết hợp hai lĩnh vực này mở ra một hướng đi mới: sử dụng sức mạnh của các thuật toán lượng tử để giải quyết các bài toán tối ưu hóa cổ điển một cách hiệu quả hơn. Bài viết này sẽ đi sâu vào việc nghiên cứu một dạng phân kì lượng tử mới, được sinh bởi trung bình Heinz, và chứng minh mối liên hệ mật thiết của nó với nghiệm duy nhất của bài toán tổng bình phương bé nhất tương ứng. Mục tiêu là làm rõ cách một vấn đề tối ưu hóa quen thuộc có thể được định hình và giải quyết trong khuôn khổ của cơ học lượng tử, sử dụng các công cụ như tối ưu hóa lượng tử và các mô hình tính toán tiên tiến.

1.1. Định nghĩa Phân kì lượng tử và các tính chất cốt lõi

Một hàm trơn Φ từ Pₙ x Pₙ vào tập số thực không âm được gọi là một phân kì lượng tử nếu nó thỏa mãn ba điều kiện tiên quyết. Pₙ là tập hợp các ma trận xác định dương. Điều kiện thứ nhất là tính không âm: Φ(X,Y) ≥ 0, và dấu bằng chỉ xảy ra khi và chỉ khi X = Y. Điều kiện này đảm bảo Φ hoạt động như một thước đo sự khác biệt. Điều kiện thứ hai yêu cầu đạo hàm Fréchet bậc nhất theo biến thứ hai phải triệt tiêu trên đường chéo (khi X = Y). Về mặt hình học, điều này có nghĩa là độ dốc của hàm phân kì bằng không tại điểm mà hai trạng thái trùng nhau. Điều kiện thứ ba, và cũng là quan trọng nhất, là đạo hàm Fréchet bậc hai phải không âm trên đường chéo. Tính chất này tương tự như tính lồi (convexity) tại điểm cực tiểu, đảm bảo rằng đường chéo X = Y là một điểm cực tiểu ổn định của hàm phân kì. Ba tính chất này là nền tảng toán học vững chắc, cho phép sử dụng phân kì lượng tử như một hàm mất mát (loss function) trong các bài toán tối ưu hóa.

1.2. Giới thiệu bài toán tổng bình phương bé nhất Least Squares

Bài toán tổng bình phương bé nhất là một trong những bài toán tối ưu hóa phổ biến nhất trong khoa học và kỹ thuật. Mục tiêu của nó là tìm một ma trận X để tối thiểu hóa tổng có trọng số của các khoảng cách (hoặc phân kì) từ X đến một tập hợp các ma trận cho trước A₁, A₂,..., Aₘ. Về mặt công thức, bài toán được biểu diễn là: minₓ Σ wᵢΦ(Aᵢ, X), trong đó wᵢ là các trọng số dương có tổng bằng 1. Trong bối cảnh cổ điển, Φ thường là bình phương của chuẩn Euclid, dẫn đến các ứng dụng như hồi quy tuyến tính. Tuy nhiên, trong không gian lượng tử, việc thay thế chuẩn Euclid bằng một hàm phân kì lượng tử phù hợp sẽ mở ra khả năng tìm kiếm nghiệm trong không gian các ma trận xác định dương. Nghiên cứu của J. Virosztek [11] đã chỉ ra rằng trung bình Kubo-Ando là nghiệm duy nhất của bài toán này, tạo tiền đề cho việc khám phá các loại trung bình và phân kì khác.

II. Thách thức tối ưu hóa lượng tử Nền tảng cho bài toán Least Squares

Việc giải quyết các bài toán tối ưu hóa tổ hợp quy mô lớn là một thách thức đáng kể đối với máy tính cổ điển. Khi số lượng biến và ràng buộc tăng lên, không gian tìm kiếm sẽ bùng nổ theo cấp số nhân, khiến các giải thuật tối ưu hóa truyền thống trở nên kém hiệu quả hoặc không thể tìm ra nghiệm trong thời gian hợp lý. Đây chính là lúc điện toán lượng tử ứng dụng thể hiện tiềm năng vượt trội. Các máy tính lượng tử, đặc biệt là các máy quantum annealing như của D-Wave, được thiết kế đặc biệt để giải quyết các bài toán tối ưu hóa. Bằng cách mã hóa bài toán vào một trạng thái năng lượng của hệ lượng tử, máy tính có thể tìm ra cấu hình năng lượng thấp nhất, tương ứng với nghiệm tối ưu của bài toán. Tuy nhiên, thách thức lớn nhất là làm thế nào để diễn đạt một bài toán cổ điển như tổng bình phương bé nhất bằng ngôn ngữ của vật lý lượng tử. Quá trình này đòi hỏi phải chuyển đổi hàm mục tiêu thành một dạng toán học cụ thể mà máy tính lượng tử có thể hiểu, điển hình là mô hình Quadratic Unconstrained Binary Optimization (QUBO) hoặc mô hình Ising.

2.1. Hạn chế của phương pháp cổ điển trong tối ưu hóa tổ hợp

Các thuật toán cổ điển như Gradient Descent hay phân rã giá trị suy biến (SVD) hoạt động rất tốt cho các bài toán tổng bình phương bé nhất lồi và có kích thước vừa phải. Tuy nhiên, khi bài toán trở nên phức tạp hơn, có nhiều cực tiểu địa phương hoặc thuộc lớp tối ưu hóa tổ hợp, các phương pháp này thường bị mắc kẹt tại các nghiệm không tối ưu. Không gian tìm kiếm khổng lồ khiến việc duyệt toàn bộ trở nên bất khả thi. Các phương pháp heuristic có thể cho kết quả nhanh hơn nhưng không đảm bảo tìm được nghiệm tối ưu toàn cục. Giới hạn này thúc đẩy việc tìm kiếm các mô hình tính toán mới có khả năng khám phá không gian nghiệm một cách hiệu quả hơn, và tối ưu hóa lượng tử nổi lên như một ứng cử viên sáng giá.

2.2. Vai trò của điện toán lượng tử ứng dụng và Quantum Annealing

Khác với mô hình máy tính lượng tử dựa trên cổng (gate-based), quantum annealing là một mô hình tính toán lượng tử chuyên biệt cho các bài toán tối ưu hóa. Nguyên lý của nó dựa trên định lý đoạn nhiệt (adiabatic theorem) trong cơ học lượng tử. Hệ thống bắt đầu ở một trạng thái đơn giản có năng lượng thấp nhất đã biết. Sau đó, Hamilton của hệ thống được biến đổi từ từ thành Hamilton biểu diễn bài toán cần giải. Nếu quá trình biến đổi đủ chậm, hệ thống sẽ luôn ở trạng thái năng lượng thấp nhất và kết thúc ở trạng thái ứng với nghiệm tối ưu của bài toán. Máy tính lượng tử D-Wave là một triển khai thương mại của nguyên lý này. Nó có khả năng giải quyết các bài toán được công thức hóa dưới dạng QUBO, một dạng toán học trung tâm trong tối ưu hóa lượng tử.

III. Cách xây dựng Phân kì lượng tử từ trung bình ma trận Heinz

Để giải quyết bài toán tổng bình phương bé nhất trong môi trường lượng tử, bước đầu tiên là xác định một hàm phân kì lượng tử phù hợp. Khóa luận của Nguyễn Minh Triết [Trang 6] đã tập trung nghiên cứu một phân kì lượng tử mới, được sinh bởi sự kết hợp giữa trung bình cộng và trung bình Heinz. Đại lượng này được định nghĩa bởi công thức Φ(X, Y) = Tr[(X+Y)/2 - (αX¹⁻ᵃYᵃ + (1-α)XᵃY¹⁻ᵃ)]. Việc chứng minh đại lượng này thực sự là một phân kì lượng tử đòi hỏi phải kiểm tra chặt chẽ ba điều kiện cốt lõi đã nêu. Quá trình này liên quan đến việc tính toán các đạo hàm Fréchet của các hàm ma trận phức tạp. Bằng cách sử dụng các kiến thức về hàm toán tử đơn điệu và lồi, cũng như các công thức tích phân cho lũy thừa ma trận [Trang 23], nghiên cứu đã chứng minh thành công rằng hàm Φ(X, Y) này thỏa mãn cả ba tính chất: không âm, đạo hàm bậc nhất triệt tiêu, và đạo hàm bậc hai không âm trên đường chéo. Sự tồn tại của một hàm phân kì như vậy là tiền đề quan trọng để thiết lập và giải quyết bài toán tối ưu hóa tương ứng.

3.1. Lý thuyết về trung bình ma trận Heinz và Kubo Ando

Trung bình ma trận là một khái niệm tổng quát hóa trung bình số học cho các ma trận xác định dương. Trung bình Kubo-Ando là một lớp rộng các trung bình đối xứng, mỗi trung bình tương ứng với một hàm toán tử đơn điệu. Trung bình Heinz, Hₐ(A,B) = (αA¹⁻ᵃBᵃ + (1-α)AᵃB¹⁻ᵃ), là một trường hợp đặc biệt và quan trọng trong lớp này. Nó có những tính chất hình học và giải tích thú vị. Việc sử dụng trung bình Heinz để xây dựng hàm phân kì không phải là ngẫu nhiên. Nó xuất phát từ các nghiên cứu trước đó của Lam, Le [13] và H. Đình, Yen [4], những người đã khám phá mối liên hệ sâu sắc giữa các loại trung bình ma trận và nghiệm của các bài toán tối ưu hóa. Sự kết hợp giữa trung bình cộng và trung bình Heinz tạo ra một cấu trúc toán học độc đáo cho hàm phân kì.

3.2. Chứng minh các điều kiện của một phân kì lượng tử mới

Quá trình chứng minh Φ(X, Y) là một phân kì lượng tử được trình bày chi tiết trong Chương 3 của tài liệu gốc [Trang 28-30]. Đầu tiên, tính không âm Φ(X, Y) ≥ 0 được thiết lập. Tiếp theo, đạo hàm bậc nhất theo biến Y được tính toán và cho thấy nó bằng 0 khi X = Y. Bước này sử dụng các công thức đạo hàm cho hàm lũy thừa ma trận. Cuối cùng, phần thách thức nhất là chứng minh đạo hàm bậc hai D²Φ(X,Y)|ₓ˭ʏ(B, B) ≥ 0. Bằng cách phân tích cấu trúc của các ma trận tỷ sai phân và áp dụng bất đẳng thức cho các tích vô hướng Hilbert-Schmidt, nghiên cứu đã chỉ ra rằng đạo hàm bậc hai này thực sự không âm. Việc hoàn thành ba bước chứng minh này khẳng định rằng đại lượng được đề xuất là một phân kì lượng tử hợp lệ, sẵn sàng để sử dụng trong các bài toán tối ưu hóa.

IV. Phương pháp giải bài toán tổng bình phương bé nhất bằng Phân kì

Sau khi xác định được hàm phân kì lượng tử Φ(X, Y), bước tiếp theo là giải quyết bài toán tổng bình phương bé nhất: minₓ G(X) = Σ wᵢΦ(Aᵢ, X). Phương pháp giải quyết bài toán này là tìm điểm tới hạn (critical point) của hàm G(X) bằng cách lấy đạo hàm theo X và cho bằng 0. Quá trình này đòi hỏi các phép tính phức tạp liên quan đến đạo hàm Fréchet của hàm phân kì. Kết quả của việc lấy đạo hàm dẫn đến một phương trình ma trận phi tuyến, trong đó nghiệm X có mối liên hệ trực tiếp với trung bình Heinz của các ma trận Aᵢ [Trang 33]. Cụ thể, nghiệm duy nhất X phải thỏa mãn phương trình: X = Σ wᵢ [(1-α)X¹⁻ᵃAᵢᵃ + αXᵃAᵢ¹⁻ᵃ]. Đây là một kết quả trung tâm, nó cho thấy cấu trúc của nghiệm tối ưu được quyết định bởi chính loại trung bình ma trận đã dùng để xây dựng hàm phân kì. Việc chứng minh sự tồn tại và tính duy nhất của nghiệm X là một bước quan trọng, đảm bảo rằng giải thuật tối ưu hóa sẽ hội tụ về một kết quả đáng tin cậy. Tính lồi ngặt (strictly convex) của hàm G(X) là chìa khóa để đảm bảo tính duy nhất này.

4.1. Chuyển đổi hàm mất mát loss function sang dạng QUBO

Mặc dù phương trình nghiệm có thể được giải bằng các phương pháp lặp số học cổ điển, việc ánh xạ bài toán này sang mô hình QUBO (Quadratic Unconstrained Binary Optimization) cho phép tận dụng sức mạnh của các máy quantum annealing. Quá trình chuyển đổi này không tầm thường. Nó bao gồm việc rời rạc hóa các biến liên tục của ma trận X thành các biến nhị phân. Sau đó, hàm mất mát G(X) được xấp xỉ bằng một hàm bậc hai của các biến nhị phân này. Mục tiêu là tìm một chuỗi các bit 0 và 1 để tối thiểu hóa hàm năng lượng QUBO. Mặc dù việc chuyển đổi có thể gây ra sai số xấp xỉ, nó cho phép giải quyết các bài toán với không gian tìm kiếm cực lớn, vượt qua giới hạn của máy tính cổ điển. Đây là cầu nối trực tiếp giữa lý thuyết phân kì lượng tửđiện toán lượng tử ứng dụng.

4.2. Tìm nghiệm duy nhất cho bài toán tối ưu hóa lượng tử

Tính duy nhất của nghiệm là một yếu tố cực kỳ quan trọng. Tài liệu gốc đã chứng minh rằng hàm G(X) là một hàm lồi ngặt [Trang 34]. Điều này được suy ra từ tính lõm của hàm ma trận X ↦ Xᵖ (với 0 < p < 1). Một hàm lồi ngặt chỉ có tối đa một điểm cực tiểu toàn cục. Do đó, điểm tới hạn tìm được từ việc giải phương trình đạo hàm bằng 0 chính là nghiệm tối ưu duy nhất của bài toán. Sự duy nhất này đảm bảo tính ổn định và dự đoán được của kết quả. Nó khẳng định rằng, với một tập hợp các ma trận đầu vào Aᵢ và trọng số wᵢ cho trước, luôn tồn tại một và chỉ một ma trận X tối ưu hóa tổng phân kì. Kết quả này không chỉ có ý nghĩa lý thuyết mà còn rất quan trọng cho các ứng dụng thực tế, nơi tính nhất quán của lời giải là bắt buộc.

V. Kết quả nghiên cứu Bất đẳng thức xử lý dữ liệu và tính chất in betweenness

Một hàm phân kì lượng tử mạnh mẽ không chỉ dùng để đo khoảng cách mà còn phải có các tính chất toán học phù hợp với các quá trình vật lý. Hai trong số các tính chất quan trọng nhất là bất đẳng thức xử lý dữ liệu và tính chất in-betweenness. Bất đẳng thức xử lý dữ liệu (data processing inequality) phát biểu rằng khoảng cách giữa hai trạng thái lượng tử không thể tăng lên sau khi chúng đi qua cùng một kênh lượng tử (một ánh xạ bảo toàn vết dương hoàn toàn). Điều này có nghĩa là quá trình vật lý làm mất thông tin, khiến các trạng thái trở nên khó phân biệt hơn. Nghiên cứu đã chứng minh rằng hàm phân kì dựa trên trung bình Heinz thỏa mãn bất đẳng thức này [Trang 35], nhờ vào tính lồi ngặt của nó. Điều này khẳng định sự phù hợp của nó với các nguyên lý của lý thuyết thông tin lượng tử. Tính chất này đảm bảo rằng các kết quả từ việc sử dụng hàm phân kì này là nhất quán về mặt vật lý. Nó cũng là một bằng chứng cho thấy đây là một thước đo khoảng cách "tự nhiên" trong không gian trạng thái lượng tử.

5.1. Ý nghĩa của bất đẳng thức xử lý dữ liệu DPI

Bất đẳng thức xử lý dữ liệu, Φ(ε(A), ε(B)) ≤ Φ(A, B), là một tiêu chuẩn vàng cho các hàm đo khoảng cách trong thông tin lượng tử. Nó đảm bảo rằng các phép biến đổi vật lý, vốn không thể tạo ra thông tin, sẽ không làm tăng sự phân biệt giữa hai trạng thái. Việc hàm phân kì mới thỏa mãn DPI [Trang 35] cho thấy nó là một công cụ đáng tin cậy. Trong bối cảnh tối ưu hóa lượng tử, điều này có nghĩa là nếu dữ liệu đầu vào bị nhiễu hoặc được xử lý trước, nghiệm của bài toán sẽ không di chuyển ra xa nghiệm gốc một cách tùy tiện. Tính chất này rất quan trọng để xây dựng các thuật toán lượng tử bền vững và có khả năng chống nhiễu, một thách thức lớn trong kỷ nguyên máy tính lượng tử NISQ (Noisy Intermediate-Scale Quantum).

5.2. Phân tích tính chất in betweenness trong không gian ma trận

Tính chất in-betweenness, được giới thiệu bởi Audenaert [18], là một dạng tổng quát hóa của tính đơn điệu hình học. Nó phát biểu rằng một điểm nằm trên "đường trắc địa" nối hai điểm X và Y sẽ gần với Y hơn so với điểm X. Đối với hàm phân kì này, nghiên cứu đã chứng minh rằng trung bình lũy thừa ma trận thỏa mãn tính chất in-betweenness [Trang 36]. Cụ thể, với Z là trung bình lũy thừa của X và Y, ta có Φ(Z, Y) ≤ Φ(X, Y). Điều này củng cố vai trò của các trung bình ma trận như những điểm "nằm giữa" trong không gian các ma trận xác định dương. Về mặt thuật toán, tính chất này gợi ý rằng các phương pháp lặp để tìm nghiệm có thể hội tụ một cách ổn định, vì mỗi bước lặp sẽ đưa nghiệm đến gần hơn với đích cuối cùng.

VI. Tương lai của Phân kì lượng tử trong Machine Learning và Tối ưu hóa

Việc nghiên cứu phân kì lượng tử và bài toán tổng bình phương bé nhất không chỉ dừng lại ở lý thuyết toán học. Nó mở ra những con đường mới đầy hứa hẹn cho các ứng dụng thực tiễn, đặc biệt trong lĩnh vực Machine Learning lượng tử (QML) và các bài toán tối ưu hóa phức tạp. Các mô hình QML, chẳng hạn như máy vector hỗ trợ lượng tử (QSVM) hay các mạng nơ-ron lượng tử, thường dựa trên việc đo lường khoảng cách giữa các trạng thái dữ liệu được mã hóa lượng tử. Việc sử dụng các hàm phân kì tinh vi hơn, như phân kì dựa trên trung bình Heinz, có thể dẫn đến các hàm mất mát (loss function) hiệu quả hơn, cải thiện hiệu suất phân loại và dự đoán của mô hình. Trong lĩnh vực tối ưu hóa tổ hợp, việc công thức hóa các bài toán dưới dạng QUBO để chạy trên các máy quantum annealing như D-Wave đang ngày càng trở nên phổ biến. Các lĩnh vực như tối ưu hóa danh mục tài chính, lập lịch trình logistics, hay khám phá thuốc đều có thể hưởng lợi từ phương pháp này. Hướng phát triển trong tương lai sẽ tập trung vào việc xây dựng các thuật toán lượng tử hiệu quả hơn để giải các phương trình ma trận này và giảm thiểu sai số khi chuyển đổi sang mô hình QUBO.

6.1. Ứng dụng tiềm năng trong hồi quy tuyến tính linear regression lượng tử

Hồi quy tuyến tính là một ứng dụng kinh điển của bài toán tổng bình phương bé nhất. Phiên bản lượng tử của nó, Quantum Linear Regression, có thể được xây dựng dựa trên các nguyên tắc đã trình bày. Thay vì các vector dữ liệu cổ điển, mô hình sẽ làm việc với các trạng thái lượng tử. Hàm phân kì lượng tử sẽ đóng vai trò là hàm mất mát để đo lường sai số giữa dự đoán của mô hình và dữ liệu thực tế. Bằng cách sử dụng các giải thuật tối ưu hóa lượng tử, ta có thể tìm ra các tham số của mô hình một cách hiệu quả, đặc biệt với các bộ dữ liệu có chiều cực lớn mà các phương pháp cổ điển gặp khó khăn. Điều này có thể mang lại lợi thế tốc độ lượng tử cho một trong những công cụ cơ bản nhất của khoa học dữ liệu.

6.2. Hướng phát triển của các thuật toán lượng tử và mô hình Ising

Tương lai của lĩnh vực này phụ thuộc vào sự phát triển song song của cả phần cứng và phần mềm lượng tử. Về phần cứng, việc xây dựng các máy tính lượng tử có số lượng qubit lớn hơn, kết nối tốt hơn và ít nhiễu hơn là rất quan trọng. Về phần mềm, cần có những thuật toán lượng tử mới và hiệu quả hơn để giải quyết các bài toán tối ưu hóa. Việc nghiên cứu mối liên hệ giữa các bài toán QUBOmô hình Ising trong vật lý thống kê cũng rất quan trọng. Nó không chỉ giúp chúng ta hiểu sâu hơn về bản chất của các bài toán tối ưu hóa mà còn cho phép áp dụng các kỹ thuật từ vật lý lý thuyết để thiết kế các thuật toán mới. Sự hội tụ của lý thuyết thông tin lượng tử, khoa học máy tính và vật lý hứa hẹn sẽ tạo ra những đột phá lớn trong thập kỷ tới.

11/09/2025

Trích đoạn nội dung tài liệu

Chương 1 ` Lời nói đầu 1.1 Lí do chọn đề tài Trong những thập nién gan day, sự ra đời của lý thuyết thong tin lượng tử và hỗn độn lượng tử nhận được nhiều sự quan tam của các nhà toán học và vật lý lý thuyết ([-B]). Trong ứng dung, người ta đặc biệt quan tam tới khoảng cách giữa hai trạng thái lương tử (hai ma trận mat độ — density matrix). Các hàm khoảng cách được tống quát hoá cho tap hdp các ma trận xác định không am. Từ đó, các hàm khoảng cách có ý nghĩa quan trong trong ứng dụng như Hoc máy (Machine Learning), Thông tin Lương tử (Quantum Information), Lý thuyết vận chuyển không giao hoán (Non-commutative Transport Theory}, v.

Goi Mf, là dai số các ma tran cắp r và P, là tập tắt cả các ma tran xác định dương. [Không gian các ma trận mật độ được ký hiện bdi Pl={AeP,:TrA=1} hoảng cach Riemann giữa hai ma tran xác định dương [6] được định nghĩa bởi dg(A, B) = ||log A"? BA~*? II, trong đó A,B € ?„ Ngoài ra còn nhiễu khoảng cách khác xác định trên P,, cũng có ý nghĩa quan trong trong các lý thuyết vẻ Thông tin Lượng tử, Xử lý tín hiệu số hay Học máy và một số lĩnh vuc khác. Một s6 khoảng cách thường được sử dụng như là: khoảng cách Bures- Wasserstein được dùng trong lý thuyết Thông tin Lượng tử hoặc Tối tu vận tải [7], khoảng cách Log-Determinant trong Hoc máy và lý thuyết Thong tin Lượng tử [8| hay khoảng cách Hellinger hay còn gọi là khoảng cách Bhattacharya trong lý thuyết Thông tin Lượng tat [9]. Chính vi vậy, nhóm chúng tõi chọn chủ dé mang tính thời sự, để làm đề tài khóa luận tốt nghiệp.

Khóa luận tốt nghiệp 2023 Nguyễn Minh Triết 1.2 Mục đích nghiên cứu Cho Mi, là đại số của các ma tran øœ x m trén C và P, là tap hợp các ma trận xác định dương trong fl, Ký hiệu J là ma trận đơn vị của Rú;. Với một ham thực f và ma trận Hermit A € #f„, ma trận f(A) được hiểu theo nghĩa là một giải thức hàm (functional calculus). Một hàm trơn ® từ P,, x P, di vào tap các số thực không âm được gọi là một phan kì lượng tử nếu i) ®(X,Y) >0,VX,Y €7, ®(X,Y) = 0 khi và chỉ khi X = Y. ii) Dao hàm 2® phụ thuộc vào biến thứ hai bị triệt tiên trên đường chéo.y(} = 0 với mọi ma tran Hermit Ö.

iii) Dao hàm cap hai D*4 là không Am trên đường chéo, tức là D?4(X,Y})|x.y(, B) > 0 với mọi ma trận Hermit Ö. Với các ma trận xác định dương A và B, ta đã biết rằng trung bình nhãn 4ÿÖ là trung điểm của đường cong trắc địa A,B = AM? (A-2BA-12)' A12, (t € |0.Virosztek đưa ra sự giải thích phân kì trung tam cho mọi trung bình đối xứng Kubo-Ando. Ho cũng nghiên cứu về trong số và các biến thé da chiền của mốt lớp rộng các trung bình Kubo-Ando đối xứng. Điểm tắt của các trung bình Kubo-Ando là với mỗi trung bình Kubo-Ando ø tương ứng với một hàm toán tử đơn điện ƒ„ thông qua quan hệ AoB = A)?J„(A-!2BA-!') AM3, Từ quan hệ này, trong [12], J.Virosztek đã xây dựng phan kì lượng tử tương ứng và chỉ ra trung bình Kubo-Ando là nghiệm duy nhất của bài toán tổng bình phương bé nhất tương ứng với phan kì lượng tử đã có.

Ngay sau đó, Lam and Milley đã xem xét đến quantum Hellinger mà trong đó ma trân lũy thừa „(, Ay, 4a, ---, An) = (ƒ+ AS+ +--+ 4P) /m)!2P là nghiệm duy nhắt tương ứng với bài toán tổng bình phương bé nhất. Trong một nghiên cứu khác, {T3], Lam và Le đã đưa ra và tìm hiển sâu về phân kì lượng tử với trung bình lũy thừa ø„(t, A,B), chủ yếu tập trung nghiệm duy nhất của bài toán tổng bình phương bé nhất. Tit những nghiên cứu trên, trong [4] nhóm tác giả H.Dình và Yen đã nghiên cứu dai lượng (X.Y) = Tr | l—œ + a l-a )x+x-——- a XIayse Xay1-a — l-a GVHD: TS. Tran Thị Hiếu Nghia và ThS.

Phan Ngoc Yến Trang 5 Khóa luận tốt nghiệp 2023 Nguyễn Minh Triết trong đề 0 < a < 1. Nhóm tác giả đã chứng mình lượng ®(44, B) là phan kì lương tử, đồng thời họ chứng minh bài toán tổng bình phương bé nhat m min wi, (A;, X) X>t tl có duy nhất nghiêm thỏa phương trình chứa trung bình Heinz Š wll, (X, A. Tit những kết qua đã có, nhóm chúng tôi xét đại lượng sinh bởi trung bình cộng và trung bình Heinz wx =T (Š 2iY Areelu ) 4y “aVl-a ¡, yil-aya 2 là một phân kì lượng tử với moi 0 < a < 1 và bài toán tổng bình phương bé nhất mịn Ð ø#(A, X).3 Phạm vi nghiên cứu và phương pháp nghiên cứu Luận văn này nghiên cứu một phan kì lượng tử mới sinh béi trung bình công và trung bình Heinz và bài toán tổng bình phướng bé nhắt tương ứng. Đồng thời giới thiệu một số kết quả liên quan đến bit đẳng thức xứ lý dữ liệu và tính chit in-betweenness.

Trong Iuan văn này chúng tối đã nghiên cứu: 1. Chúng tõi tập trung tính toán cu thể các đạo hàm của hàm các ma trận thông qua phan kiến thức chuẩn bị và chứng minh phan kì lượng tử với trung bình Heinz và bài toán tổng bình phương bé nhất. Chúng tôi giới thiêu tính ¿n-befueeness với phần kì lượng tử đã có. Tran Thị Hiếu Nghĩa và ThS.

Phan Ngọc Yến “Trang 6 Chương 2 Kiến thức chuẩn bị Trong chương này, luận văn trình bày các kiến thức cơ bản về toán tử, ma trận, ma trận Hermit. ma tran Unita, ma tran xác định dương, đạo ham của ham các ma trận, khái niém hàm toán tử đơn điều và hàm toán tử lỗi Những kiến thức này được tham khảo từ tài liệu [Bì] 17].1 Kiến thức cơ bản về toán tử và ma trận Dinh nghĩa 2. Cho ? là một không gian vectơ trên trường phức. Một hàm hai bién (,:‹‡:? x HOC được goi là tích võ hướng nếu thỏa man: {>+.2 \ cho thấy tích võ hướng là tuyến tính liên hợp đối với biến thứ nhất (và tuyến tính đối với biến thứ hai).

Ta có bắt đẳng thức Schwarz sau | (x, y} |? < (x, a) (yy).5) Tích võ hướng xác định một chuẩn cho các vecto như sau Izl = v. Chuan này có các tính chat sau lla + ll < llzll + Iw: |‡z. Khóa luận tốt nghiệp 2023 Nguyễn Minh Triết \|x|| biểu dién dé dài của vectơ x. Một điều kiên nữa trong định nghĩa của không gian Hilbert là mọi day Cauchy đều hồi tu, khi đó, không gian là đây đủ.

(Trong trường hợp him hạn chiéu, tính day đủ luôn luôn có}. Không gian tuyến tính ©" gốm các bộ n số phức làm thành một không gian Hilbert với tích võ hướng Yi @y) = t= lw .Ta i=1 Un trong đó Z kí hiệu là số phức liên hợp của số phức z € C. Khong gian các hàm phức kha tích bac hai trên không gian Euclide thực R". Nếu ƒ và g là những hàm như vay, khi đó (f.9) = L Plajg(x) dx là một tích võ hướng.

Khong gian này được kí hiéu là 17(R") và, ngược lại với khong gian ít chiều *, không gian này võ hạn chiều.6) dude gọi là tích võ hướng Hilbert-Schmidt. Các ma trận đơn vị Ffij) (1 <¡,) < nÌ tạo thành một co sở trực chuẩn. Từ đó ta có chuẩn Hilbert-Schmidt } \|Allz = tA.A) = Vn(4-4) = | So AGP (2.7) tự=Ì là một chuẩn của các ma trận. Ví du, cho l—i 2+2 A= 3+2t 4-22 14+i 3-2 A* = 2-1 4+2% GVHD: TS.

Tran Thị Hiếu Nghia và ThS. Phan Ngọc Yến Trang 8 Khóa luận tốt nghiệp 2023 Nguyễn Minh Triết Ta có fae 2+13 (1 + i)(2 +4) + (3 — 3i)(4 - 28) (2 = a1 — i) + (4 + 28)(3 + 28) 5 +20 Do dé [|All2 = /Tr( A" A) = v2+ 13 +5 + 20 = v40. Phan dưới đây ta sẽ chủ yếu quan tâm đến các không gian hữu han chiều. Nếu (z,} = 0 với z và là các vectd của không gian Hilbert, khi đó x và y gọi là trực giao, kí hiệu là ely.

Với H CH, Ht = {z €?4:+Lh,Vh € H} dude gọi là phần bù trực giao của H. Với mọi H C ?(, H* là không gian con đồng. Một họ {e;} các vectd được gọi là trực chuẩn nếu (e;,e;} = 1 và (e;,e;) = 0 nến i # j. Một hệ trực chuẩn tôi đại được gọi là một cơ sở hoặc cơ sé trực chuẩn.

Lite lượng của một cơ sở được gọi là số chiéu của không gian Hilbert. Trong không gian C", cơ sở trực chuẩn bao gồm các vects J: = (1,0,.8) với mỗi vecté có + — 1 thành phần bằng 0 và một thành phan bang 1. là một cơ sở trong không gian Hilbert H. Khi đá với mọi vectd x € H ta có biểu dién , Cn.

r= »` fen2) Hon nữa, lz? = So (en 2) P Cho ey,e¿. ca là một cơ sở của không gian Hilbert H va ý:, í›. fin là một cơ sở của K. Ánh xạ tuyến tính A: H —› K được xác định bởi các vects Aes,j = 1,2,.

Hon nữa, vectdơ Ae; được xác định bởi các thành phần của nó nhì sau: Ae; = th + cay fe +:-‹.+ Cm#fm- Các số qy.1 <i < m,1 <j < n, tạo thành một ma trận m x n, được gọi là ma trận của ánh xạ tuyến tính A phụ thuộc vào các cơ sở (€,ez,. Để phan biệt toán tử tuyến tính A với ma tran của nó, ta kí hiệu là [A]. Chú ý rằng thứ tự của các veetơ cơ sở là quan trong. Ta chủ yếu xem xót các toán tử tuyến tinh của một không gian Hilbert vào chính nó, kí hiệu là BCH).

Tran Thị Hiếu Nghĩa và ThS. Phan Ngọc Yến “Trang 9 Khóa luận tốt nghiệp 2023 Nguyễn Minh Triết Cho H,, He, Hy là các không gian Hilbert và cố định mốt cơ sở trong mốt không gian. Nếu B: Hy — He và A: Hy — Hz là các ánh xa tuyến tính, khi dé ánh xa hep thành fr A(Bƒ) © Hs (ƒe Hy) là tuyến tính, kí hiệu là AB. & Biểu thức về phải được xác định là tích [A][B] của ma trận [A] và [B], tức là [AB] = [A][B).

Rõ ràng với ma tran Í x m A và ma trận m x n B, tích [4]jĐBỊ là ma trận | x n. Cho H, và He là hai không gian Hilbert và cố định một cơ sở trong một không gian.B: Hy — He là các ánh xạ tuyến tính, khi đó tổ hợp tuyến tính của chúng OA + øB)ƒ > MAS) + (BS) cũng là ánh xa tuyến tính và (AA + eB); = MA); + #|B]. Cho # là không gian Hilbert.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ