量子科技中心_量科网

该研究团队重新审视了信息不完备场景下的量子层析成像技术，并提出利用深度神经网络改进量子态重构的方法。在第一种方法中，训练后的神经网络可预测仅依赖于（已获取的）测量算子集合的最优线性或二次重构算子系数，这实质性地改进了基于伪逆运算的非完备层析重构方法。第二种方法基于LSTM循环神经网络，实现可扩展的顺序态重构，同时还能优化测量序列——这暗示了层析成像领域的“无免费午餐”定理：通过压缩态空间维度，研究人员可通过学习最优测量序列实现更高效的层析。针对2量子比特系统的数值实验表明，两种方法的性能均超越标准最大似然估计法，并能拓展至更大的3量子比特系统。该工作证明，神经网络能够有效学习多量子比特态的底层几何结构，并将其运用于态重构过程。