量子科技中心_量科网

量子Wasserstein距离（W-distance）是量化量子操作可区分性的基本度量指标，在量子纠错领域具有关键应用。然而，由于多量子比特系统中存在的指数级计算复杂度，该距离的计算仍具有挑战性。本研究提出了一种机器学习框架，通过从量子态对中提取具有物理意义的特征（包括泡利测量、统计矩、量子保真度和纠缠度量），实现了对量子W-distance的高效预测。该工作同时采用了经典神经网络与传统机器学习模型。在三量子比特系统上，表现最佳的随机森林模型实现了近乎完美的准确度（R²=0.9999），平均绝对误差量级达10⁻⁵。通过成功验证量子信息理论中的两个基础性命题——酉操作间测量概率差值的界限与W₁门错误率界限，该团队进一步验证了该框架的实际应用价值。研究结果表明，机器学习可作为传统数值方法的可行且可扩展的替代方案，尤其为NISQ设备中的实时量子电路评估与纠错协议设计提供了新途径。