量子科技中心_量科网

近期量子设备仅能提供有限次数的测量，并制备存在瑕疵的污染态。这促使研究者开发无需完整层析或穷举测量、就能将采样数据转化为可靠低能态估计算法的方法。该研究团队提出基于主动采样的样本量子对角化方法(AS-SQD)，将SQD构建为主动学习问题：在给定测量比特串后，应纳入哪些额外基态才能高效重构基态能量？SQD方法将哈密顿量限制在选定基态集合内并进行经典对角化。然而，仅使用采样态的朴素SQD在有限次测量下存在偏差且易受激发态污染，而盲目随机扩展会随系统规模增大而效率低下。 研究者引入基于Epstein-Nesbet二阶能量修正的微扰理论获取函数，对与当前子空间关联的候选基态进行排序。AS-SQD在每次迭代中执行三个步骤：对角化受限哈密顿量、生成关联候选态、根据评分纳入最具价值的基态。该工作分别在16量子比特的无序海森堡模型和横向场伊辛模型(TFIM)中验证方法，测试环境包含80%基态与20%第一激发态的混合制备态。此外，通过IBM量子处理器的物理样本，证实了该方法对实际制备与测量(SPAM)误差的鲁棒性。 模拟与硬件实验表明，AS-SQD在所有测试场景下均显著优于标准SQD和随机扩展方法，绝对能量误差持续更低。详尽的消融研究证实，基于物理原理的基态获取机制能有效将计算资源集中于能量相关方向，从而规避指数级组合爆炸问题。