量子科技中心_量科网

通过学习底层量子分布来生成量子数据在理论和实际场景中均面临挑战，但这是理解量子系统的关键任务。量子机器学习（QML）中的一个核心问题是逼近普适性：参数化QML模型能否逼近任意量子分布。该研究团队通过证明多体投影系综（MPE）框架的普适性定理回应了这一问题——该量子态设计方法利用单个多体波函数制备随机态。结果表明，MPE能以1-瓦瑟斯坦距离误差逼近任意纯态分布。该定理为QML提供了严格的表达能力普适性保证，解决了关键理论空白。在实用性方面，研究人员提出具有分层训练功能的增量式MPE变体以提升可训练性。对团簇量子态和量子化学数据集的数值实验证实了MPE在学习复杂量子数据分布方面的有效性。