量子科技中心_量科网

贝叶斯推断是量子系统实时表征中广泛应用的技术。该方法在低数据量条件下的实验表征及自由度测量场景中表现优异，其性能关键取决于贝叶斯概率分布的数值表示方式。该研究团队探索了用于此目的的先进统计方法，并通过数值分析比较了这些方法在量子参数学习领域与现有技术的性能差异。具体而言，研究人员考察了以下算法：序列重要性重采样、退火似然估计、马尔科夫链蒙特卡洛、随机游走Metropolis（RWM）、哈密顿蒙特卡洛（HMC）及其变体（含摩擦与无摩擦的随机梯度、能量守恒子采样）、基于子采样的块伪边际Metropolis-Hastings、混合HMC-RWM方法以及高斯拒绝滤波。实验证明这些方法在多模态性和高维场景中具有超越现有方案的鲁棒性优势。 该工作将算法应用于IBMQ超导量子比特的校准任务，不仅突破了标准量子极限，还取得了优于Qiskit默认工具的结果。在Hahn回波和Ramsey实验中：1）在不增加测量次数的情况下，将不确定性分别降低至原先的1/10和1/3；2）使用减少高达99.5%的实验数据时，仍可匹配Qiskit工具的精度。研究人员还深入研究了自适应机制、数据集排序策略和启发式方法在量子表征中的作用。相关成果可应用于开放量子系统动力学学习等具有挑战性的量子表征任务。