Cadre d’inférence tomographique qui combine des informations a priori sur les états quantiques avec les données de mesure via la règle de Bayes pour produire une distribution de probabilité a posteriori sur les états ; des résumés ponctuels (moyenne a posteriori, MAP) et des régions de crédibilité sont dérivés de cette distribution.

Principe

Mettre à jour la croyance a priori π(ρ) en la postérieure π(ρ|données) ∝ Pr(données|ρ) π(ρ) grâce au théorème de Bayes tout en respectant l’espace des états physiques. La postérieure encode la vraisemblance des données et la régularisation par le prior, permettant une quantification d’incertitude cohérente et l’incorporation de connaissances a priori.

Démonstration

Reconstruction d’un qubit avec un prior de type Bures : choisir un prior sur la boule de Bloch, calculer la vraisemblance à partir des comptes de mesure, multiplier pour obtenir la postérieure, approximer la postérieure par échantillonnage Monte Carlo (p. ex. MCMC) et rapporter la moyenne a posteriori et une région de crédibilité à 95 % pour le vecteur de Bloch.

Mauvaise application

Choisir un prior mal motivé ou impropre qui domine la postérieure pour les données disponibles, négliger l’analyse de sensibilité au prior, ou ne rapporter qu’une estimation MAP sans indiquer la dispersion a posteriori. Utiliser des échantillonneurs de faible qualité qui n’explorent pas correctement une postérieure multimodale mène à des inférences trompeuses.

Conséquence

Fournit une description probabiliste complète de l’incertitude sur l’état, régularise les problèmes de reconstruction mal posés via le prior et produit des intervalles de crédibilité et des estimations ponctuelles minimisant une perte. Inconvénients : coût informatique et dépendance au choix du prior en régime de données limitées.

Inversion

Les approches par maximum de vraisemblance (fréquentistes) donnent une estimation ponctuelle optimisée uniquement à partir des données ; les méthodes bayésiennes contrastent en produisant des distributions qui reflètent le savoir a priori et l’incertitude d’échantillon finie.

Limite

Applicable lorsqu’on peut spécifier un prior et effectuer le calcul de la postérieure ; exclut les contextes où l’on exige des garanties fréquentistes non informatives strictes ou lorsque les ressources de calcul interdisent un échantillonnage fiable. Il faut être prudent dans les espaces d’états de grande dimension où les priors et les échantillonneurs influencent fortement les résultats.

Tension sémantique

Tension entre l’incorporation subjective d’un prior et le désir d’estimations objectives basées uniquement sur les données ; compromis entre faisabilité numérique et fidélité de l’approximation de la postérieure ; tension entre publier une estimation ponctuelle commode et communiquer l’incertitude distributionnelle complète.

Synthèse

La tomographie bayésienne pose la reconstruction d’état comme une inference probabiliste : les données mettent à jour un prior pour produire une postérieure sur les états, offrant une quantification d’incertitude et une régularisation principled au prix d’un choix explicite de prior et d’un coût de calcul accru.