量子科技中心_量科网

量子信息处理有潜力显著提升该团队从物理实验中学习的能力，但将量子处理器与实验样本耦合会引入噪声，即使处理器本身具备容错能力，这种噪声仍可能指数级地削弱学习效果。在本工作中，该团队证明通过将未知系统嵌入到任意高距离的量子码中（仅需恒定错误开销），并运行容错学习算法，容错性仍可被利用来恢复指数级加速。利用这一“量子上传”过程，该团队证明经典阴影层析成像和三次观测量的估计，其执行速度可比任何不立即将状态上传至编码内存的自适应策略快指数级。即便上传阶段的噪声远高于原始实验接口，这种分离仍然成立。为证明这些结论，该团队引入了海森堡学习树方法——一种灵活的工具，用于在资源限制并非量子副本而是实验驱动的约束（如噪声）时，推导学习下界。该团队通过天文成像应用数值展示了这种加速：对单个上传光子进行量子处理，能以比未编码基线少数个数量级的测量次数，定位被亮星遮蔽的系外行星。该结果确立了容错量子计算作为从量子实验中学习的重要工具。