Ein tomographischer Inferenzrahmen, der a priori Wissen über Quantenzustände mit Messdaten mittels Bayes’ Regel kombiniert, um eine Posterior-Verteilung über Zustände zu liefern; daraus lassen sich Punktschätzer (Posterior-Mittelwert, MAP) und Glaubwürdigkeitsbereiche ableiten.

Prinzip

Aktualisiere die a priori Verteilung π(ρ) zur Posterior π(ρ|Daten) ∝ Pr(Daten|ρ) π(ρ) nach Bayes’ Theorem unter Beachtung des physikalischen Zustandsraums. Die Posterior kombiniert Likelihood und Prior-Regularisierung und ermöglicht eine prinzipielle Unsicherheitsquantifizierung und Einbindung von Vorwissen.

Demonstration

Rekonstruktion eines Qubits mit einem Bures-ähnlichen Prior: Wähle einen Prior über die Bloch-Kugel, berechne die Likelihood aus Messzählungen, multipliziere für die Posterior, führe Monte-Carlo-Sampling (z. B. MCMC) durch und gib Posterior-Mittelwert und 95%-Glaubwürdigkeitsbereich für den Bloch-Vektor an.

Fehlanwendung

Auswahl eines schlecht begründeten oder nicht-normalisierbaren Priors, der die Posterior für verfügbare Daten dominiert; Vernachlässigung der Sensitivitätsanalyse gegenüber dem Prior; nur MAP berichten ohne Posterior-Spread. Einsatz schlechter Sampler, die multimodale Posteriors nicht explorieren, führt zu irreführenden Schlussfolgerungen.

Konsequenz

Lieferte eine vollständige probabilistische Beschreibung der Zustandunsicherheit, regularisiert schlecht gestellte Rekonstruktionsprobleme durch den Prior und erzeugt Glaubwürdigkeitsintervalle sowie verlustminimierende Punktschätzer. Nachteile sind Rechenaufwand und Priorabhängigkeit bei kleinen Datenmengen.

Umkehrung

Maximum-Likelihood- bzw. frequentistische Verfahren liefern eine einzelne Punktschätzung, die nur auf den Daten basiert; Bayessche Verfahren stehen dem gegenüber, indem sie Verteilungen liefern, die Vorwissen und endliche Stichprobenunsicherheit widerspiegeln.

Abgrenzung

Anwendbar wenn Prior spezifiziert und Posterior berechenbar ist; schließt Kontexte aus, die streng frequentistische Nicht-Informationsgarantien verlangen, oder wenn mangelnde Rechenressourcen zuverlässiges Sampling unmöglich machen. Vorsicht bei hochdimensionalen Zustandsräumen, in denen Prior und Sampler stark dominieren können.

Semantische Spannung

Spannung zwischen subjektiver Prior-Einbindung und dem Wunsch nach objektiven, nur datenbasierten Schätzungen; Abwägung zwischen numerischer Umsetzbarkeit und Genauigkeit der Posterior-Approximation; und Spannung zwischen Meldung einer praktischen Punktschätzung und Kommunikation vollständiger Verteilungsunsicherheit.

Synthese

Bayessche Tomographie formuliert Zustandrekonstruktion als probabilistische Inferenz: Daten aktualisieren einen Prior zur Posterior über Zustände und liefern eine prinzipielle Unsicherheitsquantifizierung und Regularisierung auf Kosten expliziter Priorwahl und höherer Rechenkosten.