在量子信息领域,几乎所有的量子信息处理都需要制备量子态。然而,由于噪声以及设备不完美等原因,制备的量子态总是与理想态存在差异。因此,评估制备态相对于理想态的保真度是几乎所有量子信息处理任务中的一个关键步骤。量子态层析技术是测量量子态以获得其密度矩阵的标准方法,可用于计算量子态相对于理想态的保真度。然而,对于多比特量子态来说,量子态层析所耗费的测量资源是随着量子态比特数的增加而指数增长的。
(a) (b)
图1:(a) 用于量子态保真度评估的人工神经网络。输入层神经元加载Pauli算子的测量值,输出层神经元对应不同的保真度区间,输入层和输出层通过几个隐藏层完全连接。经过数百轮训练,获得了一个可以评估量子态保真度的神经网络模型。(b)基于神经网络的量子态评估方法所需的测量装置数目k不随量子比特数目n的增加而增长。
周晓祺教授团队提出了一种用神经网络来评估未知量子态保真度的新方法,与量子态层析方法相比,这种基于机器学习的方法只需要很少的测量资源,并且所需的测量资源不随量子态比特数的增加而增大。例如,对于一个七比特量子态来说,采用机器学习的方法只需要切换3次测量装置,就可以实现对量子态的保真度评估(精度为±1%,置信度为95%),而使用量子态层析方法则需要切换2187次测量装置。这种评估量子态保真度的新方法有望广泛应用于各种量子信息应用,大幅减少评估量子态所耗费的资源与时间。
bat365在线平台网站为本研究工作唯一的通讯单位。bet亚洲登录官方网站张晓倩博士后和罗茂林博士生为共同第一作者,周晓祺教授为通讯作者,bat365在线平台网站庞盛世教授、硕士生封琴以及暨南大学罗伟其教授、本科生温钊迪参与了该项工作。该研究工作得到了科技部重点研发计划、国家自然科学基金委、广东省重点研发计划的大力支持。该研究成果于2021年9月24日以“Direct Fidelity Estimation of Quantum States Using Machine Learning”为题在线发表在《Physical Review Letters》上。
论文链接:https://journals.aps.org/prl/pdf/10.1103/PhysRevLett.127.130503