Communication over a random-parameter quantum channel when the decoder is required to reconstruct the parameter sequence is considered. We study scenarios that include either strictly-causal, causal, or non-causal channel side information (CSI) available at the encoder, and also when CSI is not available. This model can be viewed as a form of quantum metrology, and as the quantum counterpart of the classical rate-and-state channel with state estimation at the decoder. Regularized formulas for the capacity-distortion regions are derived. In the special case of measurement channels, single-letter characterizations are derived for the strictly causal and causal settings. Furthermore, in the more general case of entanglement-breaking channels, a single-letter characterization is derived when CSI is not available. As a consequence, we obtain regularized formulas for the capacity of random-parameter quantum channels with CSI, generalizing previous results by Boche et al. (2016) on classical-quantum channels.


翻译:在考虑解码器需要重建参数序列时,在随机参数量子信道上进行通信。我们研究了各种设想,其中包括在编码器上可获得的严格因果、因果或非因果通道侧信息(CSI),以及在没有 CSI 的情况下,这种模型可以被视为量度计量学的一种形式,并且是在解码器上进行国家估计的古典速率和状态频道的量子对应方。为能力扭曲区域制定了正规化公式。在测量频道的特殊情况下,为纯因果和因果设置提供了单字母定性。此外,在更一般的纠缠破通道的情况下,在没有 CSI 的情况下,可以得出单字母定性。因此,我们获得了与 CSI 进行随机参数量子频道能力的正规化公式,概括了Boche 等人在古典-quantum 频道上的先前结果。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2021年6月30日
专知会员服务
27+阅读 · 2021年2月17日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
教程 | 用TensorFlow Estimator实现文本分类
机器之心
4+阅读 · 2018年5月17日
多目标的强化学习教程
CreateAMind
4+阅读 · 2018年1月25日
R文本分类之RTextTools
R语言中文社区
4+阅读 · 2018年1月17日
Arxiv
0+阅读 · 2021年11月18日
Sequential Community Mode Estimation
Arxiv
0+阅读 · 2021年11月16日
Arxiv
3+阅读 · 2017年12月1日
VIP会员
相关VIP内容
专知会员服务
50+阅读 · 2021年6月30日
专知会员服务
27+阅读 · 2021年2月17日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
教程 | 用TensorFlow Estimator实现文本分类
机器之心
4+阅读 · 2018年5月17日
多目标的强化学习教程
CreateAMind
4+阅读 · 2018年1月25日
R文本分类之RTextTools
R语言中文社区
4+阅读 · 2018年1月17日
Top
微信扫码咨询专知VIP会员