量子科技中心_量科网

复杂量子态的生成与抗环境噪声保存是推进连续变量（CV）量子信息处理发展的核心挑战。本工作提出了一种基于连续变量量子扩散原理的创新框架，通过与连续变量量子神经网络（CVQNNs）的协同作用，以应对上述双重挑战。针对量子态生成任务，研究人员开发的“连续变量量子扩散生成模型”（CVQD-G）采用热损耗通道驱动的物理前向扩散过程，随后通过基于时间嵌入CVQNN的可学习、参数高效的后向去噪过程实现逆转。该框架能力进一步扩展至量子态恢复领域——“连续变量量子扩散修复模型”（CVQD-R）作为专用变体，能够从热退降中恢复量子态，特别是参数未知的相干态。大量数值模拟验证了该模型的双重能力：既实现了高斯态（相干态、压缩态）与非高斯态（Fock态、猫态）的高保真度生成（典型保真度超过99%），也证实了对受损态进行稳健恢复的性能。此外，复杂度综合分析表明该框架具有优异的训练与推理成本优势，突显其作为现实CV量子系统中量子态工程与噪声抑制工具的效能性、可扩展性及应用潜力。