连续变量系统的非高斯量子态的非参数学习
连续变量量子系统是量子计算、通信和传感的基础。虽然传统采用波函数或密度矩阵的表示方法往往不切实际,但量子力学的层析成像图景通过将量子态与称为层析图的经典概率分布函数相关联,提供了一种可行的替代方案。尽管该方法具有兼容经典统计方法等优势,但由于缺乏鲁棒的估计技术,层析成像方法仍未得到充分利用。该工作通过引入非参数核量子态估计(KQSE)框架填补了这一空白,该框架可从噪声数据中重构量子态及其迹特征,而无需预先了解量子态信息。与现有方法相比,KQSE能以接近最优收敛速率Õ(T⁻¹)(其中T为总测量次数)估计不同基下的密度矩阵,以及纯度、高阶矩、态重叠度和迹距离等迹量。该技术对多模态非高斯态具有强鲁棒性,特别适用于表征量子科学中的关键量子态。
