利用打破均匀性分布提升隐形传态性能

输入状态的先验信息可用于提高量子隐形传态的效率，我们使用保真度的前两个矩来量化。通过放松输入状态分布中的均匀性假设并考虑非均匀分布（即极帽分布和von Mises-Fisher分布）来引入输入知识。对于这些分布，我们证明平均保真度随着输入集合信息含量的增加而增加，而偏差则减小，从而确立了其作为资源的作用。我们对这两种分布的比较研究表明，对于相同数量的输入信息含量，尽管两者的平均保真度相同，但极帽分布“更好”，因为它提供了更小的偏差。此外，我们将先验信息资源与协议中涉及的其他资源（如共享纠缠和经典通信）进行对比。具体来说，我们观察到，与均匀分布不同，完成任务所需的经典通信量随着输入可用信息的增加而减少。我们还研究了先验信息在高维（三维）隐形传态中的作用，并报告了基于先验信息的隐形传态中维度优势的特征。