量子科技中心_量科网

该研究团队提出了一种基于监督式机器学习的方法，利用卷积神经网络来估计存在热噪声时高斯量子态的协方差矩阵。与计算密集的密度矩阵重构不同，这种基于机器学习的方法只需通过稀疏测量正交分量序列，就能重构由热态与压缩热态混合而成的双组分模型所描述的非纯压缩真空态。该方法实现了高保真度与高精度——尤其在强压缩水平下，同时能有效表征物理量并精确估计协方差矩阵。 研究人员采用单模压缩真空态的实验数据对该算法进行基准测试，结果表明其能准确量化实验环境对压缩度和纯度的衰减影响。实验验证表明，该协方差矩阵估计方法对热态混合导致的量子态退化具有鲁棒性。该工作提供了轻量化、紧凑且完整的实验室生成高斯态表征方法，为将热多组分高斯态的实时量子态层析技术扩展到多模系统奠定了基础。