.png){kind=icon}
返回
Quantum machine learning for state tomography using classical data
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-026-00345-0.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从测量数据中重构量子态是量子信息科学中的一个重大挑战，尤其是在系统规模超过传统层析方法可及范围时。尽管近期研究已探索将量子机器学习（QML）用于量子态层析（QST），但几乎所有方法都依赖理想化假设，例如直接将未知量子态作为量子数据输入，这与当前硬件限制不兼容。在本工作中，我们提出了一种基于QML的层析协议，该协议完全基于经典测量数据运行，并且可在嘈杂中等尺度量子（NISQ）设备上完全执行。我们的方法采用变分量子电路，该电路经过训练以仅基于测量结果重构量子态。我们在仿真中测试了该方法，实现了对多种量子态的高保真重构，包括GHZ态、自旋链基态以及由随机电路生成的态。随后在IBM和IonQ的量子硬件上验证了该协议。此外，我们还证明使用不完整的测量基也可以实现准确的层析，这是扩展我们协议的关键一步。在各种场景下的结果表明，实现了成功的状态重构，保真度达到90%或更高。据我们所知，这是首个完全依赖经典测量并在真实量子处理器上实现的基于QML的层析方案。这项工作确立了在当前量子平台上基于QML的层析的可行性，并为实际量子态重构提供了一条可扩展的途径。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
.png){kind=icon}
查看更多内容