量子科技中心_量科网

量子计算的最新进展凸显出，为了确保稳健的量子信息处理，需要将经典数据高效编码为量子态。传统的编码方案通常对量子态的知识提出不切实际的要求，并且缺乏对噪声量子信道及更广泛任务的适应性。针对这些局限，该团队提出了一种新颖的端到端可学习量子转码方案，该方案专门针对噪声量子通信场景下的紧凑性和鲁棒性进行了优化。该研究将基于神经网络的数据压缩与基于Cholesky分解的量子编码相结合，并绕过了全密度矩阵重构。通过归一化的量子可观测值，该方法实现了高效层析成像，即使在极端噪声条件下也能实现高重构和分类性能。