通过经典影子高效恢复 Pauli 噪声中的信息
在本文中，我们重新思考了用于表征量子设备中噪声结构的典型任务之一，即估计 n 量子比特 Pauli 噪声通道的特征值。我们改进了之前的工作，给出了更好的下界，并且证明了具有限定量子内存的算法在估计每个特征值的误差为 ε 时必须进行 Ω(2^n/ε^2) 个测量。此外，我们还研究了具有 k 个量子内存的算法以及任意自适应控制和通道串联情况下的查询个数下界。此外，我们的下界适用于假设检验问题，并且展示了当只有 2 个辅助比特量子内存时，可以使用单个测量高概率解决这个假设检验任务。这个结果揭示了通道串联和 O (1) 量子内存如何结合以实现量子过程学习的显著加速的新机制。
Sep, 2023
利用纠缠测量可以在 Pauli 通道估计中提供指数优势，我们提出了一个带有 $n$- 量子比特辅助量子状态的估计协议，仅使用 $O (n/ε^{2})$ 个 Pauli 通道副本即可高概率成功，这为学习中的量子优势提供了实用的例子，也为量子基准测试带来了新的见解。
Aug, 2021
通过在线学习和阴影层析成像程序，我们研究了适用于量子过程的在线学习任务，尤其着重于具有有界门复杂性和 Pauli 通道的在线学习模型。我们还提供了一种有效的阴影层析成像程序用于 Pauli 通道，并对在线学习的上界和计算下界进行了补充。
Jun, 2024
提出基于贝叶斯推断的自适应算法来学习和减轻量子噪声以应对不断变化的信道条件，强调动态推断关键信道参数以提高编程准确性，并展示了贝叶斯概率误差消除在噪声变化时的优越性，结果显示贝叶斯概率误差消除在理想分布的 Hellinger 距离度量下胜过非自适应方法约 4.5 倍。
Aug, 2023
在噪声中间量子（NISQ）时代的量子计算在机器学习、优化和密码学等领域展示出了有前景的应用。然而，由于系统噪声、错误和退相干，这些挑战使得量子系统的模拟变得复杂。本文提出了一种改进的单比特去极化通道表示法，使用了仅基于 X 和 Z Pauli 矩阵的两个 Kraus 算子，从而将计算复杂度从每次通道执行的六个矩阵乘法降低为四个。在各种电路深度和去极化速率的条件下，对鸢尾花数据集上的量子机器学习（QML）模型进行的实验证实了我们的方法在提高效率的同时保持了模型的准确性。这种简化的噪声模型使得在去极化下更具可扩展性的量子电路模拟成为可能，推动了 NISQ 时代的技术发展。
Apr, 2024
本文提出了一种新颖的、可扩展的误差缓解方法，旨在实现在存在硬件噪声的情况下准确估计量子观测值，该方法基于 Clifford 门，通过产生训练数据和使用线性 ansatz，使得可以预测任意电路的无噪声的观测值，运行在 16 个 qubit 的 IBMQ 量子计算机和 64 个 qubit 的噪声模拟器上，使用该方法可以将能量估计误差降至数量级。
May, 2020
该论文研究噪声量子信息通道的特性，定义了一种称为 ' 相干信息 ' 的新量来衡量在噪声通道中传递的量子信息。这种量无法通过量子信息处理增加，它提供了一个简单的必要和充分条件来证明完美的量子纠错存在。
Apr, 1996
展示了不利用纠缠态的学习算法需要 Theta (2^nε^-2) 轮测量来估计 n-qubit 保利（Pauli）通道的每个特征值到 ε 误差，并对不使用纠缠态的学习算法的紧密下界进行了证明。
Sep, 2023