Sep, 2023

关于 Pauli 通道学习的几个辅助量子比特的无用性和有用性

PDF
TL;DR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。
quantum deviceseigenvalues estimationquantum memoryhypothesis testingchannel concatenation
发现论文，激发创造
  • Pauli 通道估计的量子优势

    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

  • 无纠缠下的 Pauli 通道学习的严格界限

    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

  • 通过经典影子高效恢复 Pauli 噪声中的信息

    该研究提出了一种有效的算法，它能够在 Pauli 噪声下从量子态中恢复信息，具有多项式时间复杂度和样本效率优势，并可作为 Clifford 电路的一个样本高效的错误缓解方案。

    May, 2023

  • 测试和学习局部哈密顿量的简单算法

    通过对 Pauli 谱的 2 - 范数或归一化 Frobenius 范数的演化算符进行查询，构建了 “n” 量子比特 “k” 局域哈密顿的测试和学习问题。通过我们的研究，解决了在 Bluhm，Caro 和 Oufkir 最近的工作中提出的两个问题，并展示了简洁、基于 Pauli 分析技术的证明。

    Apr, 2024

  • 可扩展的贝叶斯哈密顿学习

    本文提出了一种 Bayesian 的 Hamiltonian 学习 (BHL) 方法，可以在线适应性地评估量子系统的 Hamiltonian，通过实验数据更新预测结果，从而解决量子设备噪声诊断和量子 Hamiltonian 学习的问题，在高达 100 个量子位的数值模拟中验证了方法的可扩展性和准确性。

    Dec, 2019

  • 学习低次量子对象

    通过量子对象、量子通道、多项式、可学性和量子酉矩阵的查询，我们展示了学习低阶量子对象的问题的解决方法。

    May, 2024

  • 时变量子噪声的自适应缓解

    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

  • 基于浅影的稳健高效量子属性学习演示

    我们提出了鲁棒的浅阴影协议，在实验中正确恢复了状态属性，如期望值、保真度和纠缠熵，同时维持了比随机单量子比特测量方案更低的样本复杂性。

    Feb, 2024

  • 量子记忆与非量子记忆学习之间的指数差距

    通过研究量子记忆在学习量子系统和动力学属性方面的作用，我们展示了不使用量子记忆的学习算法需要更多的数据，提出了量子记忆与样本复杂度的权衡，并针对测试、判别演化以及估计纯度等方面的学习算法展示了量子记忆与非量子记忆算法之间的指数差距。

    Nov, 2021

  • 一种改进的去极化方法用于高效的量子机器学习

    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