‫روﺷﻬﺎی ﻣﺎﺗﺮﯾﺴ‬

‫ﻣﻌﻤﻮﻻ در ﮐﺎرﺑﺮدﻫﺎی ﻓﯿﺰﯾ ﻋﻤﻞﮔﺮی ﻣﺎﻧﻨﺪ ̂‪ H‬در اﺧﺘﯿﺎر دارﯾﻢ ﮐﻪ ﻻزم اﺳﺖ ﻧﻤﺎﯾﺶ ﻣﺎﺗﺮﯾﺴ آن را در ﭘﺎﯾﻪ ﻣﻨﺎﺳﺒﯽ‬
‫ﺑﺴﺎزﯾﻢ و آن را ﻗﻄﺮی ﻧﻤﺎﯾﯿﻢ‪ .‬در ﻋﻤﺪه ﮐﺎرﺑﺮدﻫﺎی ﻣﻮرد ﻧﻈﺮ ﻣﺎ ̂‪ H‬ﻫﺎﻣﯿﻠﺘﻮﻧ ﺳﯿﺴﺘﻢ اﺳﺖ ﮐﻪ ﺣﺘ ﻧﯿﺎزی ﺑﻪ ﺳﺎﺧﺘﻦ ﻧﻤﺎﯾﺶ‬
‫ﻣﺎﺗﺮﯾﺴ آن ﺑﺮای ﺑﺴﯿﺎری از ﻣﻘﺎﺻﺪ ﻧﯿﺴﺖ‪ .‬ﮐﺎﻓ اﺳﺖ ﮐﻪ در ﻧﻤﺎﯾﺸ ﻣﺜﻞ ﮐﻮاﻧﺘﺶ دوم ﯾﺎ ﺑﻪ ﻫﺮ ﻃﺮﯾﻖ دﯾ ﺮ اﺛﺮ ﻋﻤﻠ ﺮ روی‬
‫ﯾ ﺑﺮدار ﺣﺎﻟﺖ دلﺧﻮاه ﺳﯿﺴﺘﻢ را ﺑﺪاﻧﯿﻢ‪ .‬در اﯾﻦ ﻓﺼﻞ ﺑﻪ ﻣﻌﺮﻓ روشﻫﺎﯾﯽ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ ﮐﻪ ﺑﺎ اﻟ ﻮرﯾﺘﻢﻫﺎی ﻣﺒﺘﻨ ﺑﺮ‬
‫ﺗﮑﺮار‪ ،‬ﺣﺎﻟﺖ ﭘﺎﯾﻪ و ﺣﺎﻟﺖﻫﺎی ﺑﺮاﻧﮕﯿﺨﺘﻪ ﻧﺰدﯾ ﺑﻪ ﺣﺎﻟﺖ ﭘﺎﯾﻪ را ﻣ ﺗﻮان ﺑﻪ آﺳﺎﻧ ﺑﻪ دﺳﺖ آورد‪.‬‬
‫اﻟ ﻮرﯾﺘﻢﻫﺎﯾﯽ ﻣﻮﺳﻮم ﺑﻪ ‪ Lanczos‬ﺑﺮای ﺑﻪ دﺳﺖ آوردن ﺣﺎﻟﺖ ﭘﺎﯾﻪ و ﺣﺎﻟﺖﻫﺎی ﺑﺮاﻧﮕﯿﺨﺘﻪ ﻧﺰدﯾ ﺑﻪ ﺣﺎﻟﺖ ﭘﺎﯾﻪ ﻣﻨﺎﺳﺐ‬
‫ﻣ ﺑﺎﺷﻨﺪ‪ .‬ﺑﺴﺘﻪ ﺑﻪ اﯾﻨﮑﻪ اﻣ ﺎﻧﺎت ﻣﺎ از ﻧﻈﺮ زﻣﺎن و ﺣﺎﻓﻈﻪ ﮐﺎﻣﭙﯿﻮﺗﺮی ﺑﻪ ﭼﻪ ﺷ ﻞ ﺑﺎﺷﺪ ﻣ ﺗﻮاﻧﯿﻢ ﻣﺎﺗﺮﯾﺲﻫﺎی ﺑﺰرگﺗﺮ را ﺑﺎ‬
‫وﯾﮋهﺑﺮدارﻫﺎی ﮐﻤﺘﺮی ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﻢ‪ ،‬ﯾﺎ وﯾﮋهﺑﺮدارﻫﺎی ﺑﯿﺸﺘﺮی را ﺑﺮای ﻣﺎﺗﺮﯾﺲﻫﺎی ﮐﻮﭼ ﺘﺮی ﺣﺴﺎب ﮐﻨﯿﻢ‪ .‬ﻣﺎﺗﺮﯾﺲﻫﺎی‬
‫ﮐﻮﭼ ﺗﺮ ﻻﺟﺮم ﺑﻪ ﻣﻌﻨ ﺳﯿﺴﺘﻢﻫﺎی ﮐﻮﭼ ﺗﺮ ﻣ ﺑﺎﺷﻨﺪ‪.‬‬

‫اﻟ ﻮرﯾﺘﻢ ‪ Lanczos‬اﺻﻼح ﺷﺪه‬ ‫‪١.٠‬‬

‫اﯾﻦ ﯾ روش اﺳﺖ ﺑﺮای ﻣﺤﺎﺳﺒﻪ ﺣﺎﻟﺖ ﭘﺎﯾﻪ ﯾ ﻣﺎﺗﺮﯾﺲ ﮐﻪ ﺑﺴﯿﺎر ﺳﺎده و ﺷﻬﻮدی اﺳﺖ‪ .‬اﺑﺘﺪا ﯾ ﺣﺎﻟﺖ دﻟﺨﻮاه ⟩ ‪|ϕ١‬‬
‫را ﺑﻪ ﻋﻨﻮان »ﺣﺪس« ﺧﻮد ﺑﺮای ﺣﺎﻟﺖ ﭘﺎﯾﻪ در ﻧﻈﺮ ﺑ ﯿﺮﯾﻢ‪ .‬ﺑﻬﻨﺠﺎر ﺷﺪهی آن را ﺑﺎ ⟩ ‪ |ϕ̃١‬ﻧﺸﺎن ﻣ دﻫﯿﻢ‪ .‬اﮔﺮ ﺧﻮش ﺷﺎﻧﺲ‬
‫ﺑﺎﺷﯿﻢ )ﮐﻪ اﯾﻦاﻧﺪازه از ﺧﻮش ﺷﺎﻧﺴ ﻣﺤﺎل اﺳﺖ( ﮐﻪ ﺑﺮدار ﺣﺪس ﻣﺎ ﻫﻤﺎن ﺑﺮدار ﺣﺎﻟﺖ ﭘﺎﯾﻪ ﺑﺎﺷﺪ در آن ﺻﻮرت اﺛﺮ ﻣﺎﺗﺮﯾﺲ‬
‫‪ H‬روی آن ﻣﻀﺮﺑﯽ از ﺧﻮد اﯾﻦ ﺣﺎﻟﺖ را ﺧﻮاﻫﺪ داد ﮐﻪ اﯾﻦ ﻣﻀﺮب ﻧﯿﺰ اﻧﺮژی دﻗﯿﻖ ﺣﺎﻟﺖ ﭘﺎﯾﻪ اﺳﺖ‪ .‬اﻣﺎ اﮔﺮ ﺧﻮش ﺷﺎﻧﺲ‬
‫ﻧﺒﺎﺷﯿﻢ‪ ،‬ﯾ ﺟﻤﻠﻪ اﺿﺎﻓﻪ ﻧﯿﺰ ﺑﻪ دﺳﺖ ﻣ آورﯾﻢ‪:‬‬

‫⟩ ‪Ĥ|ϕ̃١ ⟩ = ε٠ |ϕ̃١ ⟩ + b|ϕ̃٢‬‬ ‫)‪(١‬‬

‫ﮐﻪ در آن ﺑﺰرﮔ ‪ b‬ﻣﻌﯿﺎری از ﺑﺪ ﺑﻮدن ﺣﺪس اوﻟﯿﻪ ⟩ ‪ |ϕ̃١‬اﺳﺖ‪ .‬ﻫﻤﭽﻨﯿﻦ ‪ ε٠‬ﺗﺨﻤﯿﻨ اﺳﺖ ﮐﻪ اﯾﻦ ﺣﺪس ⟩ ‪ |ϕ١‬ﺑﺮای اﻧﺮژی‬
‫ﺣﺎﻟﺖ ﭘﺎﯾﻪ ﺑﻪ دﺳﺖ ﻣ دﻫﺪ‪ .‬در اﯾﻦﺟﺎ ⟩ ‪ |ϕ̃١ ⟩, |ϕ̃٢‬ﯾ ﭘﺎﯾﻪ راﺳﺖ ﻫﻨﺠﺎر ﺗﺸ ﯿﻞ ﻣ دﻫﻨﺪ ﮐﻪ زﯾﺮﻓﻀﺎی دو ﺑﻌﺪی ﺗﻮﻟﺪ ﺷﺪه‬
‫ﺗﻮﺳﻂ }⟩ ‪ {|ϕ١ ⟩, H|ϕ١‬را ﺗﻮﺻﯿﻒ ﻣ ﮐﻨﻨﺪ‪ .‬ﺑﺮای اﯾﻦﮐﻪ ﺣﺪس اوﻟﯿﻪ ⟩ ‪ |ϕ̃١‬را ﺑﻬﺒﻮد ﺑﺒﺨﺸﯿﻢ ﭼﻪ ﮐﺎر ﻣ ﺗﻮان ﮐﺮد؟ ﺳﺎدهﺗﺮﯾﻦ‬
‫ﮐﺎری ﮐﻪ ﺑﻪ ذﻫﻦ ﻣ رﺳﺪ و در ﺳﺎل ‪ ١٩٨۵‬ﺑﻪ ذﻫﻦ ‪ E. Dagoo‬ﻧﯿﺰ رﺳﯿﺪ]؟[ آن اﺳﺖ ﮐﻪ در اﯾﻦ زﯾﺮﻓﻀﺎی دو ﺑﻌﺪی ﯾ‬
‫ﻧﻤﺎﯾﺶ دو ﺑﻌﺪی از ﻋﻤﻠ ﺮ ̂‪ H‬را ﺳﺎﺧﺘﻪ و ﻗﻄﺮی ﮐﻨﯿﻢ‪ .‬ﻗﻄﺮی ﮐﺮدن ﻣﺎﺗﺮﯾﺲ‬

‫‪⟨ϕ̃i |Ĥ|ϕ̃j ⟩, i, j = ١, ٢‬‬ ‫)‪(٢‬‬

‫دو وﯾﮋه ﺑﺮدار ﺑﻪ دﺳﺖ ﻣ دﻫﺪ ﮐﻪ ﯾ از آﻧﻬﺎ ﻣﺘﻨﺎﻇﺮ ﺑﺎ وﯾﮋهﻣﻘﺪار ﮐﻮﭼ ﺗﺮ ﻣ ﺑﺎﺷﺪ‪ .‬اﮔﺮ اﯾﻦ وﯾﮋهﺑﺮدار را ﺑﻪ ﻋﻨﻮان ﺣﺪس‬
‫ﺑﻌﺪی ﺑﺮای ⟩ ‪ |ϕ١‬اﻧﺘﺨﺎب ﮐﻨﯿﻢ و ﻣﺠﺪدا در ﻓﻀﺎی دو ﺑﻌﺪی ﺗﻮﻟﯿﺪ ﺷﺪه ﺗﻮﺳﻂ اﯾﻦ ﺑﺮدار و ﺑﺮدار دﯾ ﺮی ﮐﻪ از اﺛﺮ ﻫﺎﻣﯿﻠﺘﻮﻧ‬
‫روی آن ﺑﻪ دﺳﺖ ﻣ آﯾﺪ‪ ،‬اﯾﻦ ﻓﺮآﯾﻨﺪ ﺑﻬﺒﻮد ﺑﺨﺸﯿﺪن را ﺗﮑﺮار ﮐﻨﯿﻢ‪ ،‬ﺑﻪ ﻣﻔﻬﻮم وردﺷ ﺣﺪس اوﻟﯿﻪ ﺧﻮد ﺑﺮای ﺣﺎﻟﺖ ﭘﺎﯾﻪ را‬
‫ﺑﻬﺒﻮد ﺑﺨﺸﯿﺪهاﯾﻢ‪.‬‬
‫ﮐﺪ زﯾﺮ ﺑﺎ ‪NP=10‬‬
‫& ‪double precision, dimension(NP,NP) :: H = reshape( (/‬‬
‫&‪5.0d0,4.3d0,3.0d0,2.0d0,1.0d0,‬‬
‫&‪0.0d0,-1.0d0,-2.0d0,-3.0d0,-4.0d0,‬‬
‫&‪4.3d0,5.1d0,4.0d0,3.0d0,2.0d0,‬‬
‫&‪1.0d0,0.0d0,-1.0d0,-2.0d0,-3.0d0,‬‬

‫‪١‬‬
‫‪٢‬‬

‫&‪3.0d0,4.0d0,5.0d0,4.0d0,3.0d0,‬‬
‫&‪2.0d0,1.0d0,0.0d0,-1.0d0,-2.0d0,‬‬
‫&‪2.0d0,3.0d0,4.0d0,5.0d0,4.0d0,‬‬
‫&‪3.0d0,2.0d0,1.0d0,0.0d0,-1.0d0,‬‬
‫&‪1.0d0,2.0d0,3.0d0,4.0d0,5.0d0,‬‬
‫&‪4.0d0,3.0d0,2.0d0,1.0d0,0.0d0,‬‬
‫&‪0.0d0,1.0d0,2.0d0,3.0d0,4.0d0,‬‬
‫&‪5.0d0,4.0d0,3.0d0,2.0d0,1.0d0,‬‬
‫&‪-1.0d0,0.0d0,1.0d0,2.0d0,3.0d0,‬‬
‫&‪4.0d0,5.0d0,4.0d0,3.0d0,2.0d0,‬‬
‫&‪-2.0d0,-1.0d0,0.0d0,1.0d0,2.0d0,‬‬
‫&‪3.0d0,4.0d0,5.0d0,4.0d0,3.0d0,‬‬
‫&‪-3.0d0,-2.0d0,-1.0d0,0.0d0,1.0d0,‬‬
‫&‪2.0d0,3.0d0,4.0d0,5.0d0,4.0d0,‬‬
‫&‪-4.0d0,-3.0d0,-2.0d0,-1.0d0,0.0d0,‬‬
‫&‪1.0d0,2.0d0,3.0d0,4.0d0,5.0d0 /),‬‬
‫) )‪(/ NP,NP /‬‬
‫ﻣﺎﺗﺮﯾﺲ زﯾﺮ را ﺗﻮﻟﯿﺪ ﻣ ﮐﻨﺪ‪.‬‬
‫‪5.0 4.3 3.0 2.0‬‬ ‫‪1.0‬‬ ‫‪0.0 -1.0 -2.0 -3.0 -4.0‬‬
‫‪4.3 5.1 4.0 3.0‬‬ ‫‪2.0‬‬ ‫‪1.0 0.0 -1.0 -2.0 -3.0‬‬
‫‪3.0 4.0 5.0 4.0‬‬ ‫‪3.0‬‬ ‫‪2.0 1.0 0.0 -1.0 -2.0‬‬
‫‪2.0 3.0 4.0 5.0‬‬ ‫‪4.0‬‬ ‫‪3.0 2.0 1.0 0.0 -1.0‬‬
‫‪1.0 2.0 3.0 4.0‬‬ ‫‪5.0‬‬ ‫‪4.0 3.0 2.0 1.0 0.0‬‬
‫‪0.0 1.0 2.0 3.0‬‬ ‫‪4.0‬‬ ‫‪5.0 4.0 3.0 2.0 1.0‬‬
‫‪-1.0 0.0 1.0 2.0‬‬ ‫‪3.0‬‬ ‫‪4.0 5.0 4.0 3.0 2.0‬‬
‫‪-2.0 -1.0 0.0 1.0‬‬ ‫‪2.0‬‬ ‫‪3.0 4.0 5.0 4.0 3.0‬‬
‫‪-3.0 -2.0 -1.0 0.0‬‬ ‫‪1.0‬‬ ‫‪2.0 3.0 4.0 5.0 4.0‬‬
‫‪-4.0 -3.0 -2.0 -1.0‬‬ ‫‪0.0‬‬ ‫‪1.0 2.0 3.0 4.0 5.0‬‬
‫اﯾﻦ ﻣﺜﺎﻟ اﺳﺖ ﮐﻪ در اﯾﻦ ﻓﺼﻞ ﺑﺮای آزﻣﻮدن روشﻫﺎی ﻣﺨﺘﻠﻒ ﺑﻪ ﮐﺎر ﺧﻮاﻫﯿﻢ ﺑﺮد‪ .‬اﯾﻦ ﻣﺜﺎل ﺑﺮﮔﺮﻓﺘﻪ از ﮐﺘﺎب ﻣﺜﺎلﻫﺎی‬
‫روشﻫﺎی ﻋﺪدی اﺳﺖ]؟[‬

‫‪ ٢.٠‬اﻟ ﻮرﯾﺘﻢ ‪Lanczos‬‬

‫اﻟ ﻮرﯾﺘﻢ ﻻﻧﮑﺰوس ﻓﺮاﯾﻨﺪی ﺑﺎزﮔﺸﺘ اﺳﺖ ﮐﻪ ﭘﺎﯾﻪ راﺳﺖﻫﻨﺠﺎر ﻣﻨﺎﺳﺒﯽ ﻣﺎﻧﻨﺪ‬
‫}⟩ ‪{|f١ ⟩, |f٢ ⟩, |f٣ ⟩, . . . , |fN‬‬ ‫)‪(٣‬‬
‫را ﭼﻨﺎن اﻧﺘﺨﺎب ﻣ ﮐﻨﯿﻢ ﮐﻪ ﻫﺎﻣﯿﻠﺘﻮﻧ در اﯾﻦ ﭘﺎﯾﻪ ﺳﻪﻗﻄﺮی ﺑﺎﺷﺪ‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪a١‬‬ ‫‪b٢ ٠‬‬ ‫‪٠‬‬ ‫‪...‬‬ ‫‪٠‬‬
‫‪‬‬ ‫‪b٢‬‬ ‫‪a٢ b٣‬‬ ‫‪٠‬‬ ‫‪...‬‬ ‫‪٠ ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪٠‬‬ ‫‪b٣ a٣‬‬ ‫‪b۴‬‬ ‫‪...‬‬ ‫‪٠ ‬‬
‫‪‬‬ ‫‪‬‬ ‫)‪(۴‬‬
‫‪‬‬ ‫‪c... ... ... ...‬‬ ‫‪...‬‬ ‫‪... ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪٠‬‬ ‫‪٠‬‬ ‫‪٠ bN −١ aN −١ bN ‬‬
‫‪٠‬‬ ‫‪٠‬‬ ‫‪٠‬‬ ‫‪٠‬‬ ‫‪bN‬‬ ‫‪aN‬‬

‫ﺳﭙﺲ ﺑﺮﻧﺎﻣﻪﻫﺎی اﺳﺘﺎﻧﺪارد و ﮐﺎرآﻣﺪی ﺑﺮای ﻗﻄﺮی ﺳﺎزی ﻣﺎﺗﺮﯾﺲﻫﺎی ﺳﻪﻗﻄﺮی وﺟﻮد دارﻧﺪ‪ .‬در اﻟ ﻮرﯾﺘﻢ ﺑﺎزﮔﺸﺘ‬
‫ﻻﻧﮑﺰوس ﻫﺮ ﺑﺮدار ﭘﺎﯾﻪ ﺑﺮﺣﺴﺐ دو ﺑﺮدار ﻗﺒﻠ ﺳﺎﺧﺘﻪ ﻣ ﺷﻮد‪ .‬ﺑﺮدار اول ⟩ ‪ (seed state) |f١‬را ﺑﻪ ﺻﻮرت دلﺧﻮاه )ﻣﺜﻼ ﺑﺎ‬
‫ﻣﻮﻟﻔﺎت ﺗﺼﺎدﻓ ( اﻧﺘﺨﺎب ﻣ ﮐﻨﯿﻢ‪.‬‬
‫ﺣﺎل ﻫﺎﻣﯿﻠﺘﻮﻧ را روی اﯾﻦ ﺑﺮدار اﺛﺮ داده و ﺗﺼﻮﯾﺮ ﺑﺮدار ﺣﺎﺻﻞ در راﺳﺘﺎی ⟩ ‪ |f١‬را از آن ﻣ ﮐﺎﻫﯿﻢ ﺗﺎ ⟩ ‪ |g٢‬ﺑﻪ ﺻﻮرت‬
‫زﯾﺮ ﺑﻪ دﺳﺖ آﯾﺪ‬
‫‪|g٢ ⟩ = (١ − P١ ) Ĥ|f١ ⟩.‬‬ ‫)‪(۵‬‬
‫ﮐﻪ در آن | ‪ P١ = |f١ ⟩⟨f١‬ﻋﻤﻞﮔﺮ ﺗﺼﻮﯾﺮ در راﺳﺘﺎی ﺑﺮدار ⟩ ‪ |f١‬اﺳﺖ‪ .‬ﺣﺎل ⟩ ‪ |g٢‬را ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﻬﻨﺠﺎر ﻣ ﮐﻨﯿﻢ و ﺣﺎﺻﻞ‬
‫را ⟩ ‪ |f٢‬ﻣ ﻧﺎﻣﯿﻢ‪.‬‬
‫√‬ ‫⟩ ‪|g٢‬‬
‫= ‪b٢‬‬ ‫‪⟨g٢ |g٢ ⟩,‬‬ ‫= ⟩ ‪|f٢‬‬ ‫)‪(۶‬‬
‫‪b٢‬‬
‫‪٣‬‬ ‫‪ .٢.٠‬اﻟ ﻮرﯾﺘﻢ ‪LANCZOS‬‬

‫ﺑﺮدار ⟩ ‪ |f٢‬ﮐﻪ ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ ﺑﻪ دﺳﺖ ﻣ آﯾﺪ دوﻣﯿﻦ ﻋﻀﻮ ﭘﺎﯾﻪ ﻣﻮرد ﻧﻈﺮ ﻣﺎ ﻣ ﺑﺎﺷﺪ‪ .‬ﺑﺮای ﺑﻪ دﺳﺖ آوردن ﻋﻀﻮ ﺳﻮم ﻣﺠﻤﻮﻋﻪ‬
‫ﭘﺎﯾﻪ )‪ (٣‬ﺑﺎ ﻋﻤﻞﮔﺮ ̂‪ H‬روی ⟩ ‪ |f٢‬اﺛﺮ ﮐﺮده و ﺣﺎﺻﻞ را ﺑﻪ دو ﺑﺮدار ﭘﺎﯾﻪ ﻗﺒﻠ ⟩ ‪ |f١‬و ⟩ ‪ |f٢‬ﻣﺘﻌﺎﻣﺪ ﻣ ﮐﻨﯿﻢ و ﺣﺎﺻﻞ را ⟩ ‪|g٣‬‬
‫ﻣ ﻧﺎﻣﯿﻢ‪:‬‬

‫⟩ ‪|g٣ ⟩ = (١ − P١ − P٢ ) Ĥ|f٢‬‬ ‫)‪(٧‬‬

‫ﻋﻀﻮ ﺳﻮم ﭘﺎﯾﻪ‪ |f٣ ⟩ ،‬از ﺑﻬﻨﺠﺎر ﮐﺮدن ⟩ ‪ |g٣‬ﺑﻪ ﺷ ﻞ زﯾﺮ ﺑﻪ دﺳﺖ ﻣ آﯾﺪ‪:‬‬

‫√‬ ‫⟩ ‪|g٣‬‬
‫= ‪b٣‬‬ ‫‪⟨g٣ |g٣ ⟩,‬‬ ‫= ⟩ ‪|f٣‬‬ ‫)‪(٨‬‬
‫‪b٣‬‬

‫ﭘﺎﯾﻪای ﮐﻪ ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ ﺗﻮﻟﯿﺪ ﻣ ﺷﻮد‪ ،‬ﭘﺎﯾﻪای اﺳﺖ ﮐﻪ ﻋﻤﻞﮔﺮ ̂‪ H‬در آن ﺳﻪﻗﻄﺮی ﺑﻮده و ﺑﻪ ﻋﻼوه دراﯾﻪﻫﺎی ﺑﺎﻻی ﻗﻄﺮ‬
‫اﺻﻠ ﻫﻤﺎن ‪ b٢ , b٣ , . . .‬ﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در ﻣﻌﺎدﻻت ﺑﺎﻻ داده ﺷﺪهاﻧﺪ‪ .‬ﺑﻪ ﻋﻼوه ﻣﻘﺎدﯾﺮ دراﯾﻪﻫﺎی ﻗﻄﺮی در ﻫﺮ ﻣﺮﺣﻠﻪ از‬
‫ﺗﮑﺮار ﺑﺎ ﻣﺤﺎﺳﺒﻪ ﻋﻨﺼﺮ ﻣﺎﺗﺮﯾﺴ ⟩ ‪ ai = ⟨fi |Ĥ|fi‬داده ﻣ ﺷﻮﻧﺪ‪.‬‬
‫ﺣﺎل ﺗﺼﻮر ﮐﻨﯿﻢ ﮐﻪ ﻣ ﺧﻮاﻫﯿﻢ ﻋﻀﻮ ﭼﻬﺎرم اﯾﻦ ﻣﺠﻤﻮﻋﻪ را ﺑﺴﺎزﯾﻢ و ﺑﺮدار ⟩ ‪ |g۴‬را ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣ ﮐﻨﯿﻢ‪:‬‬

‫⟩ ‪|g۴ ⟩ = (١ − P١ − P٢ − P٣ ) Ĥ|f٣‬‬ ‫)‪(٩‬‬

‫اوﻟﯿﻦ ادﻋﺎ اﯾﻦ اﺳﺖ ﮐﻪ اﯾﻦ راﺑﻄﻪ ﺑﺎزﮔﺸﺘ دو ﺟﻤﻠﻪای اﺳﺖ‪ :‬ﯾﻌﻨ ﻫﺮ ﺑﺮدار ﺑﺮ ﺣﺴﺐ دو ﺑﺮدار ﻗﺒﻠ ﻣﻌﯿﻦ ﻣ ﺷﻮد‪ .‬ﺑﻪ‬
‫ﻋﺒﺎرت دﯾ ﺮ ﺑﺎﯾﺴﺘ ﻧﺸﺎن دﻫﯿﻢ ﮐﻪ‬

‫‪P١ Ĥ|f٣ ⟩ ≡ |f١ ⟩⟨f١ |Ĥ|f٣ ⟩ = ٠‬‬ ‫)‪(١٠‬‬

‫ﮐﻪ در آن از ﺗﻌﺮﯾﻒ | ‪ P١ = |f١ ⟩⟨f١‬اﺳﺘﻔﺎده ﮐﺮدهاﯾﻢ‪ .‬ﺑﺮای ﺑﺮﻗﺮار ﺑﻮدن اﯾﻦ راﺑﻄﻪ ﻻزم و ﮐﺎﻓ اﺳﺖ داﺷﺘﻪ ﺑﺎﺷﯿﻢ‪،‬‬
‫ﻗﺮار دارﻧﺪ ﺻﻔﺮ ﻣ ﺑﺎﺷﻨﺪ‪.‬‬
‫(‬ ‫‪ ⟨f١ |Ĥ|f٣ ⟩ = ٠‬ﮐﻪ اﯾﻦ ﺧﻮد ﺑﻪ ﻣﻌﻨﺎی آن اﺳﺖ ﮐﻪ دراﯾﻪﻫﺎﯾﯽ ﮐﻪ ﺑﺎﻻﺗﺮ از)ﺑﺎﻻی ﻗﻄﺮ اﺻﻠ‬
‫⟩ ‪⟨f٣ |Ĥ|f١ ⟩ = ⟨f٣ | |g٢ ⟩ + P١ Ĥ|f١‬‬ ‫ﺑﺮای اﺛﺒﺎت اﯾﻦ راﺑﻄﻪ ﮐﺎﻓ اﺳﺖ ﺗﻮﺟﻪ ﮐﻨﯿﻢ ﮐﻪ‬
‫⟩ ‪= b٢ ⟨f٣ |f٢ ⟩ +⟨f٣ | P١ Ĥ|f١‬‬
‫} ‪| {z‬‬ ‫}‪|{z‬‬
‫‪=٠‬‬ ‫| ‪|f١ ⟩⟨f١‬‬
‫)‪ ١ P= ⟨f٣ |f١ ⟩⟨f١ |Ĥ|f١ ⟩ = ٠(۵)(۶‬و در ﺧﻂ ﺳﻮم از ﺗﻌﺎﻣﺪ اﺳﺘﻔﺎده ﻧﻤﻮدهاﯾﻢ‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ ﻋﻤﻞﮔﺮ ̂‪ H‬در ﭘﺎﯾﻪ )‪(٣‬‬
‫} ‪| {z‬‬
‫‪=٠‬‬
‫ﺳﻪﻗﻄﺮی اﺳﺖ‪.‬‬
‫ﺣﺎل ﺑﺮای اﯾﻦﮐﻪ ﻧﺸﺎن دﻫﯿﻢ ﻋﻨﺎﺻﺮ ﺑﺎﻻی ﻗﻄﺮ اﺻﻠ ﺗﻮﺳﻂ ﺑﺰرﮔ ﺑﺮدارﻫﺎی ⟩ ‪ |gi‬داده ﻣ ﺷﻮﻧﺪ‪ ،‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺗﻮﺟﻪ‬
‫⟩ ‪٢ = ⟨f٢ |g٢‬‬ ‫ﻣ ﮐﻨﯿﻢ ﮐﻪ ‪b‬‬
‫(‬ ‫)‬
‫⟩ ‪= ⟨f٢ | Ĥ|f١ ⟩ − P١ Ĥ|f١‬‬
‫⟩ ‪= ⟨f٢ |Ĥ|f١ ⟩ − ⟨f٢ |f١ ⟩⟨f١ |Ĥ|f١‬‬
‫} ‪| {z‬‬
‫‪=٠‬‬
‫⟩ ‪ ٢ ⟩|g= ⟨f٢ |Ĥ|f١‬و در ﺧﻂ ﺳﻮم از ﺗﻌﺮﯾﻒ ‪ P١‬و ﺧﺎﺻﯿﺖ ﺗﻌﺎﻣﺪ اﺳﺘﻔﺎده ﮐﺮدهاﯾﻢ‪ .‬ﻋﺒﺎرت ⟩ ‪ b٢ = ⟨f٢ |Ĥ|f١‬ﺑﺪان‬
‫ﻣﻌﻨﺎ اﺳﺖ ﮐﻪ ‪ b٢‬در ﺣﻘﯿﻘﺖ دراﯾﻪ ﺑﺎﻻی ﻗﻄﺮ اﺻﻠ ﻋﻤﻞﮔﺮ ̂‪ H‬ﻣ ﺑﺎﺷﺪ‪ .‬دراﯾﻪﻫﺎی ﻗﻄﺮ اﺻﻠ ﻧﯿﺰ ﺑﻪ وﺿﻮح ﺑﺎ راﺑﻄﻪ‬
‫⟩ ‪ ai = ⟨fi |Ĥ|fi‬داده ﻣ ﺷﻮﻧﺪ‪.‬‬
‫ﺑﻨﺎﺑﺮاﯾﻦ ﭘﺎﯾﻪ } ‪ {|fi ⟩, i = ١, ٢, . . . , N‬ﮐﻪ ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ ﺑﻪ ﺻﻮرت ﺑﺎزﮔﺸﺘ ﺗﻮﻟﯿﺪ ﻣ ﺷﻮد‪ ،‬در ﻫﺮ ﻣﺮﺣﻠﻪ ﻋﻨﺎﺻﺮ ﻣﺎﺗﺮﯾﺴ‬
‫ﻗﻄﺮی ‪ ai‬و ﻋﻨﺎﺻﺮ ﺑﺎﻻی ﻗﻄﺮ اﺻﻠ ‪ bi‬ﺑﻪ دﺳﺖ ﻣ دﻫﺪ‪.‬‬