por
Franklin Marquezino
Universidade Federal do Rio de Janeiro
URL: http://www.cos.ufrj.br/~franklin
Em desenvolvimento!
Nesse arquivo vou descrever as matrizes que serão necessárias para nossa simulação. Provavelmente, você já acompanhou o IPython Notebook referente à simulação no caso unidimensional, portanto podemos continuar de onde paramos.
In [1]:
import numpy as np
In [2]:
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d.axes3d import Axes3D
In [3]:
import scipy.sparse as spm
In [4]:
%matplotlib inline
In [5]:
size = 201 # Tamanho do lado da malha
verbose = False # Define se alguns prints devem ser ativados
if size>10 and verbose:
print('Cuidado! Algumas saídas podem ficar ilegíveis para esse tamanho de malha.')
print('Sugiro definir verbose=False ou diminuir a malha.')
De acordo com o primeiro postulado, o estado do caminhante quântico deve ser um vetor unitário num espaço de Hilbert. Em nosso exemplo, consideramos que o caminhante ocupa uma posição no grafo "malha bidimensional" com número de vértices (nós) igual ao quadrado de size
. Portanto, o espaço de Hilbert associado a posição é $\mathcal{H}_\mbox{P}$ de dimensão igual ao quadrado de size
. A base de $\mathcal{H}_\mbox{size}$ pode ser denotada por $\{ | x \rangle : 0 \leq x < \mbox{size}^2 \}$, ou de forma mais intuitiva, por $\{ | x,y \rangle : 0 \leq x,y < \mbox{size} \}$.
Como sabemos, o caminhante quântico discreto no tempo ainda precisa de um grau de liberdade adicional, além da posição. Esse grau de liberdade nós chamamos de moeda, semelhantemente ao que estudamos no caso unidimensional. O espaço de Hilbert associado a moeda é $\mathcal{H}_\mbox{M}$ de dimensão igual a 4. (Note que dessa vez temos quatro resultados possíveis para o "lançamento da moeda": o caminhante pode ir para a esquerda, para a direita, para cima ou para baixo.) A base de $\mathcal{H}_\mbox{M}$ pode ser denotada por $\{ | m \rangle : 0 \leq m < 4 \}$, ou de forma mais intuitiva, por $\{ | m, n \rangle : 0 \leq m, n \leq 1 \}$.
De acordo com o terceiro postulado da mecânica quântica, o estado do caminhante é um vetor unitário no espaço $\mathcal{H}_\mbox{M} \otimes \mathcal{H}_\mbox{P}$. Ou seja, é um vetor que num instante de tempo $t$ qualquer pode ser escrito como $$| \Psi (t) \rangle = \sum_{m,n=0}^{1} \sum_{x,y=0}^{\mbox{size}-1} \psi_{m,n;x,y}(t) | m,n \rangle \otimes | x,y \rangle,$$ com $\psi_{m;x} \in \mathbb{C}$. Para que esse vetor seja unitário, precisamos que $\sum_{m,n}\sum_{x,y} |\psi_{m,n;x,y}(t)|^2 = 1.$
Vejamos como fica isso no Python! Nosso estado inicial será $$| \Psi (0) \rangle = \left(\dfrac{ (|0\rangle + i|1\rangle)\otimes(|0\rangle + i|1\rangle) }{2} \right) \otimes | \frac{\mbox{size}}{2},\frac{\mbox{size}}{2} \rangle,$$ ou seja, a moeda é uma superposição dos quatro estados possíveis; e a posição é o "meio" da malha. Mais tarde, você pode trocar essa condição inicial e re-executar o notebook para ver como ela influencia o resultado final.
In [6]:
coinState = np.array([0.5, 0.5j, 0.5j, -0.5], dtype=complex)
print(coinState)
In [7]:
positionState = np.zeros(size**2, dtype=complex)
positionState[int(size**2/2)] = 1.0
""" Para ativar os prints abaixo, a varíavel 'verbose' deve ter sido definida como True. Isso só deve ser feito
juntamente com um valor pequeno para a variável size; digamos, size=10. Caso contrário, a saída ficará ilegível.
Recomendo que você execute essa seção do notebook pelo menos uma vez com os prints ativados, para ajudar no
entendimento. Alguns gráficos a partir da próxima seção, entretanto, ficarão legíveis somente com valores altos
em size. """
if verbose:
print(positionState)
In [8]:
Psi = np.kron(coinState, positionState)
if verbose:
print(Psi)
Vamos confirmar que a norma de $| \Psi \rangle$ é igual a 1. Ficamos satisfeitos se for um número muito próximo de 1, levando em consideração que pode haver erros de arredondamento típicos dos cálculos numéricos.
In [9]:
np.linalg.norm(Psi)
Out[9]:
Para saber a distribuição de probabilidades na posição do caminhante, precisamos aplicar o quarto postulado da mecânica quântica. Você pode encontrar detalhes na minha tese de doutorado. Por enquanto, podemos resumir no seguinte. A probabilidade de, no instante $t$, realizar uma medição e encontrar o caminhante na posição $x$, é dada por $$p(x, t) = \sum_{m=0}^{1} |\psi_{m;x}(t)|^2.$$
Como vamos implementar isso no Python? Precisamos fazer um somatório fixando a posição e variando a moeda. No entanto, depois que aplicamos o produto de Kronecker, nosso vetor de estado ficou aparentemente misturado. Ou seja, só tem um índice para percorrer. Complicado? Nem tanto. Se analisarmos com cuidado como funciona o produto de Kronecker, veremos que podemos identificar precisamente quais entradas do vetor correspondem ao estado da moeda $m=0$, e quais correspondem ao estado da moeda $m=1$. Fica mais fácil ainda se reorganizarmos o nosso vetor, usando o comando reshape
do Numpy. Se você tiver definido a variável verbose
como True
, poderá ver o comando reshape
em funcionamento logo abaixo:
In [10]:
if verbose:
print('Assim é o vetor: \n', Psi)
print('\nReorganizando as entradas (sem alterar os valores) ele vai ficar assim: ')
Psi = Psi.reshape((2,2,size,size))
print(Psi)
print('Esse formado facilita o cálculo das probabilidades na malha 1D.')
print('\nA qualquer momento posso voltar ao que tínhamos antes. Veja: ')
Psi = Psi.reshape((4*size**2,))
print(Psi)
Agora sim, usando essa ideia fica fácil calcular as probabilidades no Python! Vejamos:
In [11]:
def get_prob(stateVector, posx, posy):
stateVector = stateVector.reshape((2,2,size,size))
prob = np.abs(stateVector[0, 0, posx, posy])**2 + np.abs(stateVector[0, 1, posx, posy])**2 +\
np.abs(stateVector[1, 0, posx, posy])**2 + np.abs(stateVector[1, 1, posx, posy])**2
stateVector = stateVector.reshape((4*size**2,))
return prob
O caminhante inicialmente está localizado no meio da linha, pois assim o definimos. Portanto, a probabilidade de encontrá-lo nessa posição deve ser 1. Vejamos:
In [12]:
get_prob(Psi, size/2, size/2)
Out[12]:
E a probabilidade de encontrá-lo em qualquer outra posição deve ser 0. Vejamos:
In [13]:
get_prob(Psi, 0, 0)
Out[13]:
Vamos agora plotar o gráfico da distribuição de probabilidades.
In [14]:
def get_pdf(stateVector):
""" Returns the probability distribution function (pdf) of
a given state vector. """
stateVector = stateVector.reshape((2,2,size,size))
pdf = np.sum( np.sum(np.abs(stateVector)**2, axis=0), axis=0)
stateVector = stateVector.reshape((4*size**2,))
return pdf
In [35]:
Prob = get_pdf(Psi)
Prob = Prob.reshape((size, size))
In [36]:
X,Y = np.meshgrid(range(size), range(size))
fig = plt.figure(figsize=(10,10))
ax = fig.add_subplot(1, 1, 1, projection='3d')
p = ax.plot_surface(X,Y, Prob)
Agora que definimos o estado do caminhante, podemos finalmente colocá-lo para caminhar. Para isso, devemos continuar respeitando os postulados da mecânica quântica. Veremos isso na próxima seção.
A evolução da caminhada quântica se dá por um operador unitário da forma $U = S(C \otimes I)$. A matriz $C$ é o operador moeda, e atua somente no subespaço $\mathcal{H}_M$. Em princípio, $C$ pode ser qualquer operador unitário de dimensão compatível com $\mathcal{H}_M$. Nesse exemplo, vamos tomar $C$ como a matriz de Hadamard. Veja a definição na minha tese de doutorado. A matriz $I$ é a identidade que atua no espaço $\mathcal{H}_P$. A matriz $S$ é o operador deslocamento, que atua no espaço $\mathcal{H}_M \otimes \mathcal{H}_P$.
Vamos definir esses operadores, um de cada vez.
In [17]:
hadamardCoin = np.kron( np.array([[1.0, 1.0],
[1.0, -1.0]]) / np.sqrt(2),
np.array([[1.0, 1.0],
[1.0, -1.0]]) / np.sqrt(2))
print(hadamardCoin)
A matriz anterior atua somente no espaço moeda. Para termos o operador moeda que atua no espaço composto, ainda precisamos fazer o produto tensorial com o operador identidade que atua no espaço posição. Faremos isso a seguir:
In [18]:
Coin = np.kron(hadamardCoin, np.eye(size*size))
Excedemos o limite de memória! De fato, veja o comando abaixo. Mesmo para uma matriz muito menor, nós já estaríamos gastando cerca de 500MB de memória RAM.
In [19]:
Coin = np.kron(hadamardCoin, np.eye(10*size))
Coin.nbytes
Out[19]:
Portanto, vamos precisar de uma solução mais eficiente. Uma possibilidade seria armazenar somente a hadamardCoin
, evitando o cálculo explícito do produto de Kronecker. Eu usei essa abordagem no simulador QWalk. Aqui, no entanto, vou usar uma abordagem diferente: matrizes esparsas!
In [21]:
hadamardSparse = spm.csr_matrix(hadamardCoin)
In [22]:
Coin = spm.kron(hadamardSparse, spm.identity(size*size))
Pronto! Dessa vez conseguimos guardar a matriz inteira na memória. Isso só foi possível pois a matriz possuia muitas entradas iguais a zero, e elas não precisaram ser armazenadas. Veja quantas entradas diferentes de zero nossa matriz possui:
In [23]:
Coin.nnz
Out[23]:
Compare com o tamanho total da matriz, incluindo as entradas iguais a zero:
In [24]:
Coin.shape
Out[24]:
Agora vamos definir o operador deslocamento. Esse operador modifica a posição de forma dependente da moeda. A estrutura dele, portanto, é um pouco mais complicada. Já vimos que nossa moeda pode ser representada, de forma bastante intuitiva, por dois qubits, $|m,n\rangle$. Essa representação é útil pois permite uma descrição muito sucinta para o operador deslocamento: se o qubit for zero, move-se no sentido positivo; se o qubit for um, move-se no sentido negativo; isso para cada direção separadamente. Ou seja, $$S|m,n\rangle |x,y\rangle = |m,n\rangle |x + (-1)^m, y + (-1)^n\rangle,$$ para $m,n\in\{0,1\}$, e para $0< x,y < \mbox{size-1}$. Os contornos também devem ser tratado como casos à parte, como fizemos na caminhada unidimensional. Tudo isso que estou descrevendo aqui poderia ser reescrito de diversas outras formas. As únicas restrições são: que o operador no final seja unitário; e que descreva movimentos do caminhante de um sítio até um dos sítios vizinhos. Sugiro que leia minha tese de doutorado para conhecer outros operadores de deslocamento possíveis.
In [39]:
# Não precisei dessas funções dessa vez, mas vou deixá-las aqui por enquanto pois podem ser úteis no futuro.
# Por favor, desconsidere essa célular e vá para a próxima
def index_to_coord(x):
return np.array([x//size , x%size])
def coord_to_index(x,y):
return x*size + y
In [40]:
#ainda está muito ineficiente!
Shift = spm.lil_matrix((4*size**2, 4*size**2), dtype=complex)
for x in range(0,size):
for y in range(0, size):
for m in [0,1]:
for n in [0,1]:
linha = ((m*2 + n)*size + x)*size + y
coluna = ((m*2 + n)*size + (x+(-1)**m)%size )*size + (y+(-1)**n)%size
Shift[linha,coluna] = 1.0
Agora sim, temos tudo que precisamos para definir o operador de evolução $U$.
In [41]:
U = Coin*Shift
O Scipy permite vários tipos de armazenamento de matrizes esparsas. Vou usar o formato CSR pois creio que será provavelmente mais eficiente para operações de multiplicação matriz-vetor. (Mas não fiz nenhum teste de eficiencia, e não é o objetivo desse notebook.)
In [42]:
U = spm.csr_matrix(U)
Para simular a caminhada quântica na reta, defina o número de passos por meio da variável tempo
abaixo. Se quiser, você pode voltar ao comando em que definimos o estado inicial do caminhante, e pode modificá-lo para testar diferentes cenários. Dado que o caminhante inicialmente encontrava-se no estado $|\Psi (0) \rangle$, depois de $t$ passos da caminhada ele estará no estado $|\Psi (t)\rangle = U^t |0\rangle.$
In [43]:
tempo = 100
In [44]:
Psit = Psi[:]
for t in range(tempo):
Psit = U.dot(Psit)
np.testing.assert_allclose(np.linalg.norm(Psi), 1.0)
In [45]:
Prob = get_pdf(Psit)
Prob = Prob.reshape((size, size))
In [46]:
X,Y = np.meshgrid(range(size), range(size))
fig = plt.figure(figsize=(10,10))
ax = fig.add_subplot(1, 1, 1, projection='3d')
p = ax.plot_surface(X,Y, Prob)
Espero que tenha sido útil. Você pode agora clicar em Kernel / Restart
, voltar ao início do notebook e repetir os comandos, fazendo modificações de acordo com sua curiosidade.