Nov, 2017

量子态的实验学习

PDF
TL;DR本研究着重于探讨 “计算学习理论” 在探究量子信息中的应用，发现在概率性的前提下，仅通过线性数量的测量即可近似学习量子态，实验结果在光学系统中展示了线性比例的特点，为量子状态探究开辟了新的大规模可能性。
quantum mechanicsquantum statetomographycomputational learning theoryoptical systems
发现论文，激发创造
  • 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

  • 学习量子态复杂度调查

    本文综述了学习量子状态的复杂性及其研究，包括量子测量，物理量子状态的学习，替代量子测量模型以及作为量子状态编码的经典函数的学习。总结了这些研究带来的 25 个激动人心的开放性问题，展示了它们为高度成功的理论铺平了道路。

    May, 2023

  • 有界门复杂度下的量子态和酉算符学习

    学习量子态和幺正算子的复杂度与创建这些态和算子的复杂度相关，量子状态重构和学习存在困难，但学习量子电路生成的态和幺正算子表明采样复杂度与门复杂度线性相关，查询复杂度与门数线性相关，而计算复杂度根据可信的加密猜想呈指数爆炸增长，这些结果限制了量子机器学习模型的表达能力，且对幺正算子学习中的 no-free-lunch 定理提供新的视角。

    Oct, 2023

  • 有效 PAC 学习稳定态

    本文探讨了量子系统的波函数指数级放缩对于量子信息处理的重要性，提出了一种计算学习理论的方法，通过对稳定子状态的研究，解决了 Aaronson 博士提出的量子状态学习难问题，并探讨了其在量子计算中的应用。

    Apr, 2017

  • 高效量子态重构

    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。

    Jan, 2011

  • 量子态的在线学习

    该研究论文研究了如何通过量子状态的测量来生成假设，以指导下一次测量的选取，即减少答案预测失误率。

    Feb, 2018

  • 量子状态的实验机器学习

    本研究通过机器学习方法，实验性地构造了一个量子态分类器，能够识别量子态可分离性，此方法能有效地学习和分类量子态，并不需要获取完整的量子态信息。同时本研究表明，通过添加神经网络的隐藏层，可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路，并代表了机器学习在量子信息处理领域的应用进展。

    Dec, 2017

  • 量子数据学习的信息论泛化界限

    我们提出了一个描述量子学习的数学形式，并利用几种量子学习场景进行直观且可访问的推广边界。

    Nov, 2023

  • 实验学习的量子优势

    利用量子技术进行物理实验可以比经典实验在各个方面都具备优势，包括预测物理系统的属性、处理噪声态的量子主成分分析以及学习物理动力学的近似模型。通过实验，研究人员证明了量子机器要比经典机器学习、预测等任务所需的实验次数少得多，并且量子处理的数量级可以适当控制。

    Dec, 2021

  • 关于线性光学量子复杂性的实验验证

    利用线性光学电路采样算法和观察 “波色云” 现象成功验证量子技术，为所有架构的量子技术提供了可行的验证方法。

    Nov, 2013