Dokument_1.pdf (3712 KB) - OPUS Bayreuth - Universität Bayreuth
Dokument_1.pdf (3712 KB) - OPUS Bayreuth - Universität Bayreuth
Dokument_1.pdf (3712 KB) - OPUS Bayreuth - Universität Bayreuth
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
94 Kapitel 5 ⊗ Verschränkung und mehrdimensionale QW Modelle<br />
4000<br />
2500<br />
Cov(xi,xj);〈x1x2x3x4〉/˜c1 2<br />
3000<br />
2000<br />
1000<br />
0<br />
(5.261);(5.259)<br />
2000<br />
1500<br />
1000<br />
500<br />
0 0.1 0.2 0.3 0.4<br />
(a)<br />
γ<br />
0<br />
0 0.1 0.2 0.3 0.4<br />
(b)<br />
γ<br />
Abbildung 5.12: Erwartungswerte und Kovarianzen des Miyake Zustandes (5.252) als Funktion<br />
von γ. Linke Seite: Skalierter Erwartungswert 〈x 1 x 2 x 3 x 4 〉/ ˜c 1 2 (gestrichelte<br />
Linie) und Kovarianz Cov(x i , x j ) (durchgezogene Linie) als Funktion von γ.<br />
Plots der analytischen Lösungen für t = 100. Rechte Seite: Darstellung des<br />
angepaßten Erwartungswertes (5.261) (gestrichelte Linie) und der angepaßten<br />
Kovarianzen (5.259) (durchgezogene Linie) als Funktion von γ für t = 100.<br />
des 4-Qubit GHZ-Zustandes kann auf dieses Ergebnis führen, vgl. (5.250). Die zwei- und<br />
vierdimensionalen Erwartungswerte sind parameterabhängig:<br />
〈x i x j 〉 = ˜c 1 2 (2α 2 − 2γ 2 ) + ˜d 1<br />
2<br />
4γ(α + γ) (5.256)<br />
〈x 1 x 2 x 3 x 4 〉 = ˜c 1<br />
2 ˜d1<br />
2<br />
24γ(α − γ) + ˜c1 4 + ˜d 1<br />
4<br />
(5.257)<br />
Da die Mittelwerte 〈x i 〉 gleich Null sind, entsprechen die zweidimensionalen Erwartungswerte<br />
den Kovarianzen:<br />
Cov(x i ,x j ) = 〈x i ,x j 〉 (5.258)<br />
In Abb. 5.12a sind sowohl der skalierte Erwartungswert 〈x 1 x 2 x 3 x 4 〉/˜c 2 1 , als auch die Kovarianz<br />
Cov(x i ,x j ) als Funktion des Parameters γ aufgetragen. Vergleicht man beide Größen<br />
mit der Concurrence und den Abschätzungen für eine 4-Qubit Verschränkung, vgl. Abb.<br />
2.7a,b, so erkennt man keinen direkten Zusammenhang.<br />
Man erkennt aber, daß sowohl die Kovarianz, als auch der Mittelwert 〈x 1 x 2 x 3 x 4 〉 für γ = 0<br />
einen endlichen Wert haben, also ungleich Null sind. Um einen Vergleich mit der Concurrence<br />
zu bekommen, kann man die Nullinie der Kovarianz verschieben. Der Wert für γ = 0<br />
entspricht genau einem Faktor ˜c 2 1 . Man kann also folgende Größe betrachten:<br />
∣ ∣<br />
∣<br />
∣ ∣∣ ∣∣Cov(xi<br />
∣Cov(x i ,x j ) − [Cov(x i ,x j )] γ=0 =<br />
2 ,x j ) − ˜c 1 ∣ (5.259)<br />
und mit der Concurrence vergleichen. In Abb. 5.12b ist diese Größe als Funktion von γ<br />
aufgetragen. Vergleicht man diese Abbildung mit dem Plot der Concurrence, siehe Abb.<br />
2.7a, so erkennt man eine sehr gute Übereinstimmung. Die analytische Auswertung im<br />
Limes großer Zeiten liefert:<br />
∣<br />
∣ ⎧<br />
⎨<br />
2 ˜c 2 1 4γ(α − γ) if 0 ≤ γ ≤ √ 1<br />
∣Cov(x i ,x j ) − ˜c 1 ∣ = 8<br />
(5.260)<br />
⎩<br />
−˜c 2 1<br />
1 4γ(α − γ) if √8 < γ ≤ √ 1 6