量子科技中心_量科网

该研究团队开发了一个从噪声量子实验中学习的框架，重点关注通过噪声耦合访问未表征系统的容错设备。其研究起点是复杂度类NBQP（“噪声BQP”），该模型模拟了通常无法对查询的预言机系统进行纠错的噪声容错量子计算机。利用这个类别，研究人员证明对于自然预言问题，噪声可以消除理想无噪声学习者的指数级量子学习优势，同时保持NISQ设备与容错设备之间的超多项式差距。 在预言分离研究之外，该工作还研究了具体的噪声学习任务。在纯度测试中，局部退极化噪声的单一应用就会使双拷贝的指数优势崩溃。然而，研究人员发现了一个受AdS/CFT启发的场景，其中抗噪声结构在噪声环境中恢复了量子学习优势。随后该团队分析了噪声泡利阴影层析技术，通过下界刻画实例规模、量子存储与噪声控制对样本复杂度的影响，并设计了参数缩放特性相似的算法。 这些结果表明：除非实验系统具有潜在的抗噪声结构，否则支撑大多数指数级量子学习优势的贝尔基元和SWAP测试原语对噪声具有根本性脆弱。因此，要在未来实验中实现有意义的量子优势，需要理解抗噪声物理特性如何与现有算法技术相互结合。