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

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

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

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

通过利用 Transformer 模型来捕捉不同测量结果之间的相关性，本研究提出了一种基于注意力机制的量子状态重构方法，能够高效地恢复纯态和混合态的密度矩阵。

May, 2023

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

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

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

这项研究检查了不同的量子状态重构技术的性能，并证明了可以通过应用方差减少技术来系统地减少算法的量子资源需求。作者比较了两种主要的神经量子态编码方法，即神经密度算符和正算子值测量表示，并阐述了它们在混杂度不同的情况下表现出不同的性能。

Jul, 2023

本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨，其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化，本方法能够较好地应用于混合状态的编码，可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态，达到了与标准技术相当的保真度。

Jan, 2018