量子科技中心_量科网

该研究团队在量子学习理论的一般参数框架内证明，样本复杂度（等效于所需测量次数）从根本上受逆费希尔信息矩阵支配。具体而言，研究人员推导出在最大似然估计下，为以规定的小加性误差和高成功概率估计量子系统参数所需的样本量上下界：上界由逆费希尔信息矩阵最大对角元素的上确界决定，而下界则由任意参数点处对角元素表征。通过将这些普适界限应用于泡利信道学习和渐近小误差区域的泡利期望值估计，该工作以显著简化的推导重现了先前确立的样本复杂度结果，并揭示了无纠缠泡利信道学习与无量子存储泡利期望值估计中样本复杂度呈指数增长的结构性根源。 进一步地，该团队将分析拓展至基于真实参数与估计值间欧氏距离的误差准则，推导出同样由逆费希尔信息矩阵表征的对应样本复杂度界限。作为应用案例，研究人员考察了纠缠探针下的泡利期望值估计。该研究对量子学习理论做出两项根本性贡献：其一，建立了确定最大似然估计中任务无关样本复杂度的系统化框架；其二，揭示了在小误差区域下，学习样本复杂度由逆费希尔信息矩阵主导的内在规律。