Jan, 2011

高效量子态重构

PDF
TL;DR通过矩阵乘积态假设，提出了两种在一维量子系统中进行量子状态重构的方案，一种方案需要对恒定数量的子系统进行幺正操作，而另一种方案只需要进行局部测量及更复杂的后处理，两种方案仅依赖于线性数量的实验操作和多项式级别的经典后处理，可以无需任何先验假设地严格证明重构状态的准确性。
quantum state tomographymatrix product state ansatz1-d quantum systemsunitary operationslocal measurements
发现论文，激发创造
  • 量子多体系统的高效成像

    本文介绍了一种新的多体量子系统特征提取技术 Matrix Product State tomography，它可以使用有效的方法来准确地估计一个广泛类别的量子系统状态，这对于研究大量子体系和验证量子仿真器和计算机非常有用。

    Dec, 2016

  • 压缩感知量子态重构

    本论文基于压缩感知建立了量子态重构的方法，该方法仅需使用 Pauli 测量、快速的凸优化，稳健抗噪，适用于仅近似低秩的系统。在没有先验假设下，重构出的状态接近纯态。

    Sep, 2009

  • 利用神经网络进行自适应量子态重构

    本文提出 ‘ NA-QST’ 算法，使用机器学习、粒子群优化和贝叶斯粒子滤波方法，降低了从 O（poly（n））到 O（log（n））的复杂度，使量子态重构的速度快了数百万倍，精度不受影响。同时讨论了在各类射影测量值的情况下的适应性。

    Dec, 2018

  • 实验性神经网络增强量子测量

    通过训练神经网络来减少 SPAM 错误，可以提高量子态重建的保真度。

    Apr, 2019

  • 量子状态的可学习性

    利用计算学习理论，本文证明：对于大多数实际目的，传统的量子态重构只需测量数量呈线性增长关系，而非指数函数关系；同时，该定理可应用于量子计算的模拟和验证领域。

    Aug, 2006

  • 量子态重构的量子机器学习方法

    我们提出将量子机器学习技术与量子态测量 (QST) 相结合，以提高 QST 的效率，通过综合研究了 QST 的多种方法，并实现了不同的量子机器学习方法，并在各种模拟和实验量子系统上展示了其有效性，包括多量子比特网络，结果表明，我们基于量子机器学习的 QST 方法可以以较少的测量次数实现高保真度 (98%)，为实际量子信息处理应用提供了有希望的工具。

    Aug, 2023

  • 不需用态演化重构实现的量子设备实用表征

    本篇论文提出基于更直接与目的相关的方法，以估算实验测得数据与理论模型的接近程度，与确定实验数据匹配的理论模型，避免了量子系统规模上限问题，从而为更大规模量子信息处理单元的实验研究提供了便利。

    Apr, 2011

  • 量子态重构的投影梯度下降算法

    本研究使用投影梯度下降法提出了三种新的量子态重构算法，并将它们与现有的算法进行了比较，结果表明投影梯度下降法适用于大规模复杂状态的重构，速度快且表现优异。

    Dec, 2016

  • 固态量子比特的量子过程重构和林布拉德估计

    以钻石中的氮 - 空位缺陷的三重态能级作为单个固态量子比特，进行了量子过程重构的实例研究。在不同的失相时间内，分别用卡希矩阵和仿射映射表示，提取出系统的误差产生算子，比较实验估计的量子过程矩阵与最接近的物理有效矩阵之间的偏差。

    Jan, 2006

  • 学习量子态重建的信息化潜变量表示

    我们提出了一种基于变压器的自编码器架构，针对含有不完美测量数据的量子态重构问题进行了优化，通过提取信息丰富的潜在表示来预测量子态。通过在预训练中使用重构高质量频率的预设任务，我们的方法在量子态重构中表现出了显著的能力。

    Sep, 2023