量子科技中心_量科网

量子态层析（QST）作为表征和验证量子系统的关键技术，其实际应用长期受限于希尔伯特空间的指数级增长与信息完备性所需测量次数的制约。既往众多性能声明往往基于架构假设而非系统性验证。该研究团队通过基准测试对比多种神经网络架构，系统评估了其在量子比特数增加时的扩展效能，并识别出哪些架构能保持高保真度而哪些会失效。 针对该问题，研究人员采用两种量子测量策略对多种神经架构进行综合基准测试，以评估其重构纯态与混态量子态的有效性。结果表明：卷积神经网络（CNN）和条件生成对抗网络（CGAN）具有更强的扩展鲁棒性且保真度最高，而脉冲变分自编码器（SVAE）虽保真度中等，却因其适合嵌入式低功耗硬件实现而成为有力候选方案。 考虑到实用化量子诊断需要嵌入式能效计算，该工作进一步探讨了基于忆阻器的存内计算（CiM）平台如何通过硬件加速这些模型，从而缓解内存瓶颈并降低能耗，实现可扩展的原位量子态层析。该研究不仅明确了适用于未来量子系统的优势架构，更为计算与物理双重可扩展的量子-经典协同设计奠定了理论基础。