密度矩阵上的量子门操作：如何对混合态应用非门？

我太懂这种感受了——找了一堆论文，上来就甩超算符的数学推导，完全不给接地气的实操例子，看完还是一头雾水。咱们从你提到的「把n×n混合态转成2n×1向量」这个思路切入，结合更直观的密度矩阵操作，一步步把这个问题落地。

首先明确基础：你说的混合态是2×2密度矩阵：
$$\rho = \begin{pmatrix} \alpha & \beta \ \beta^\dagger & \delta \end{pmatrix}$$
它满足迹为1（$\alpha + \delta = 1$）且是半正定矩阵，非门的幺正矩阵是$X = \begin{pmatrix} 0 & 1 \ 1 & 0 \end{pmatrix}$。

方法1：直接对密度矩阵应用幺正操作（最直观的实操方式） #

对混合态执行幺正操作的核心规则是：$\rho' = X \rho X^\dagger$（因为幺正矩阵的共轭转置等于它的逆，所以也可以写成$X \rho X^{-1}$）。咱们直接代入计算给你看：

1. 先计算左边的$X \rho$：
   $$
   X \rho = \begin{pmatrix} 0 & 1 \ 1 & 0 \end{pmatrix} \begin{pmatrix} \alpha & \beta \ \beta^\dagger & \delta \end{pmatrix} = \begin{pmatrix} \beta^\dagger & \delta \ \alpha & \beta \end{pmatrix}
   $$
2. 再乘以右边的$X^{\dagger$（非门是实矩阵，所以$X}\dagger = X$）：
   $$
   X \rho X^\dagger = \begin{pmatrix} \beta^\dagger & \delta \ \alpha & \beta \end{pmatrix} \begin{pmatrix} 0 & 1 \ 1 & 0 \end{pmatrix} = \begin{pmatrix} \delta & \beta^\dagger \ \beta & \alpha \end{pmatrix}
   $$

说白了，操作后的混合态就是把原矩阵的对角元$\alpha$和$\delta$交换，非对角元的位置互换同时保持共轭关系（原(1,2)位是$\beta$，操作后(2,1)位是$\beta$；原(2,1)位是$\beta^{\dagger$，操作后(1,2)位是$\beta}\dagger$）。

方法2：转成向量后应用超算符（对应你提到的向量表示思路） #

如果要扩展到更大的量子系统，把密度矩阵转成向量再用超算符操作是更通用的方式，咱们一步步来：

1. 把密度矩阵转成4×1向量：用列堆叠（vectorization）的方式，把矩阵的每一列依次叠起来：
   $$
   |\rho\rangle\rangle = \begin{pmatrix} \alpha \ \beta^\dagger \ \beta \ \delta \end{pmatrix}
   $$
2. 构建非门对应的超算符矩阵：幺正操作对应的超算符是$X \otimes X^*$（$X$是X的复共轭，因为X是实矩阵，所以$X^=X$），展开后是：
   $$
   X \otimes X = \begin{pmatrix} 0 & 0 & 0 & 1 \ 0 & 0 & 1 & 0 \ 0 & 1 & 0 & 0 \ 1 & 0 & 0 & 0 \end{pmatrix}
   $$
3. 超算符与向量相乘：
   $$
   (X \otimes X) |\rho\rangle\rangle = \begin{pmatrix} 0 & 0 & 0 & 1 \ 0 & 0 & 1 & 0 \ 0 & 1 & 0 & 0 \ 1 & 0 & 0 & 0 \end{pmatrix} \begin{pmatrix} \alpha \ \beta^\dagger \ \beta \ \delta \end{pmatrix} = \begin{pmatrix} \delta \ \beta \ \beta^\dagger \ \alpha \end{pmatrix}
   $$
4. 还原回密度矩阵：把向量的前两个元素作为第一列，后两个作为第二列，得到的结果和方法1完全一致：
   $$
   \rho' = \begin{pmatrix} \delta & \beta^\dagger \ \beta & \alpha \end{pmatrix}
   $$

实操代码示例（用NumPy实现） #

如果要在代码里快速实现，方法1的代码最简洁：

import numpy as np

# 定义原混合态的参数（这里用具体数值举例，你可以替换成自己的α、β、δ）
alpha = 0.6
beta = 0.2 + 0.1j
delta = 0.4  # 满足alpha + delta = 1

# 构造密度矩阵
rho = np.array([[alpha, beta], [np.conj(beta), delta]])
# 定义非门矩阵
X = np.array([[0, 1], [1, 0]])
# 应用非门操作
rho_prime = X @ rho @ np.conj(X.T)

print("操作后的混合态密度矩阵：")
print(rho_prime)

这样是不是就清晰多了？跳过那些晦涩的超算符定义，直接从实操的两种路径入手，不管是手动计算还是代码实现都能搞定。

内容的提问来源于stack exchange，提问作者linkhyrule5