Ein Rekonstruktionsverfahren, das den quantenmechanischen Zustand (Dichtematrix) auswählt, der unter einem gegebenen Messmodell die Wahrscheinlichkeit (Likelihood) der beobachteten Messdaten maximiert, wobei physikalische Einschränkungen (positive Semidefinitheit und Spur eins) eingehalten werden. In der Tomographie liefert es eine einzelne bestangepasste Dichtematrix zu den gemessenen Häufigkeiten.

Prinzip

Schätze die Dichtematrix ρ durch Maximierung der Likelihood-Funktion L(ρ)=Pr(Daten|ρ) über die Menge physikalisch zulässiger Zustände; setze Positivität und Spurgleich eins, damit die Lösung ein gültiger Dichtoperator ist. Numerische konvexe oder beschränkte Optimierungsmethoden werden angewandt, wenn keine geschlossene Lösung existiert.

Demonstration

Rekonstruktion eines Ein-Qubit-Zustands aus Zählungen in den Pauli-Basen: Formuliere die Likelihood der beobachteten Zählungen als Funktion der Bloch-Vektor-Komponenten und maximiere sie unter der Nebenbedingung, dass die Bloch-Vektorlänge ≤1 ist, um die MLE-Dichtematrix zu erhalten.

Fehlanwendung

Die rohe Maximierung ohne Durchsetzung der Positivität anwenden (führt zu unphysikalischen Matrizen), annehmen, dass der MLE für endliche Stichproben unverzerrt ist, oder den MLE veröffentlichen ohne Unsicherheit anzugeben. Die MLE mit einem falschen Messmodell (falsches POVM) verwenden, was zu systematisch falschen Zuständen führt.

Konsequenz

Erzeugt eine physikalisch valide Punktschätzung, die asymptotisch effizient ist (erreicht klassische Fisher-Informations-Grenzen für große Daten) und oft qualitativ gute Rekonstruktionen liefert; bei endlichen Stichproben kann die Schätzung verzerrt sein und Resampling, Fisher-Informations-Berechnung oder Bootstrap zur Unsicherheitsquantifizierung erfordern.

Umkehrung

Bayessche Tomographie erzeugt eine Posterior-Verteilung über Zustände statt eines einzelnen Maximierers; die MAP-Schätzung ähnelt der MLE bei flachem Prior, Bayes-Methoden betonen jedoch Unsicherheit und Prior-Regularisierung.

Abgrenzung

Gilt, wenn ein gut definiertes Messmodell und hinreichend Daten vorliegen und eine Punktschätzung des Dichtoperators gewünscht ist. Schließt Aufgaben aus, die vollständige Posterior-Unsicherheiten ohne zusätzliche Analyse verlangen, unvollständige Messmengen mit flacher Likelihood auf einer Mannigfaltigkeit und Kontexte, in denen Modellinkonsistenz die Likelihood unbrauchbar macht.

Semantische Spannung

Spannung zwischen der Pragmatik von Punktschätzungen (MLE) und der vollständigen Unsicherheitsdarstellung (Bayes); zwischen Erzwingung physikalischer Schranken (die Verzerrung erzeugen können) und klassischer Unverzerrtheit; sowie zwischen numerischer Praktikabilität und globaler Optimalität in hochdimensionalen Hilberträumen.

Synthese

MLE-Tomographie ist der constrained-Optimierungsansatz, der die physikalisch zulässige Dichtematrix liefert, die am besten mit den beobachteten Häufigkeiten übereinstimmt; sie ist oft praktisch und effizient, erfordert aber strikte Einhaltung physikalischer Zwänge und ergänzende Verfahren zur Verlässlichkeit der Unsicherheitsabschätzung.