量子科技中心_量科网

“非稳定化程度”是衡量量子优势的关键资源，它量化了量子态与经典计算机可高效模拟的稳定态之间的差异程度。稳定子雷尼熵（SRE）因其计算特性和适用于量子处理器的实验测量，成为该领域最受关注的非稳定化度量指标之一。由于计算任意量子态的SRE是计算难题，该团队提出采用监督式机器学习方法进行估计。此项工作将SRE估算构建为回归任务，并在综合数据集上训练了随机森林回归器和支持向量回归器（SVR），数据集既包含非结构化随机量子电路，也包含基于物理启发的二维横向伊辛模型（TIM）的结构化电路。研究人员比较了两种量子电路表征下的模型性能：一种基于经典阴影，另一种基于电路层级特征。此外，团队评估了模型在分布外实例中的泛化能力。实验结果表明，基于电路层级特征训练的SVR综合表现最佳。在随机电路数据集上，该方法能收敛到精确的SRE估计值，但难以实现分布外泛化；而在结构化TIM数据集上，即使面对更深层、更大规模的电路，该方法仍展现出良好的泛化性能。该研究印证了机器学习为非稳定化程度估算提供了一条有效路径。