量子科技中心_量科网

量子态层析技术面临系统规模指数级增长的挑战，而近期神经网络方法虽实现多项式级复杂度，却以损失量子态空间几何结构为代价。该研究团队提出几何潜空间层析技术，通过结合经典神经编码器与参数化量子电路解码器，并采用保持度规的损失函数进行训练，强制潜空间欧氏距离与量子Bures测地线成比例关系。在表征NISQ时代退相干现象、纯度0.85-0.95的两比特混合态实验中，该方法实现了高保真重构（平均保真度F=0.942±0.03），并形成可解释的20维潜结构。关键突破在于：潜空间测地线与Bures距离呈现强线性相关性（皮尔逊系数r=0.88，决定系数R²=0.78），完整保留了78%的量子度规结构。几何分析揭示该流形本征维度为6.35（环境维度20），测得局部曲率κ=0.011±0.006，证实其具有非平庸黎曼几何特性，相较密度矩阵操作的O(4ⁿ)复杂度获得O(d²)量级计算优势。与现有神经层析技术不同，该几何感知潜空间可直接用于：量子态判别、基于欧氏距离的保真度估计、以及无需重复全层析的量子误差缓解可解释误差流形分析，为相干时间有限的NISQ器件提供了关键技术支持。