量子科技中心_量科网

近期研究结果表明，当量子计算机可用于处理或联合测量未知量子态的多个副本时，学习量子态的特性具有显著优势。与每次仅测量单个副本的优化经典学习策略相比，学习任务所需的状态副本数量呈指数级减少。尽管这些结论是在抽象环境和人工学习任务中得出的，但它们推动了量子计算机在弱电磁场成像与传感领域的应用，因为这些场景本质上涉及未知量子态的学习。在本工作中，该团队将这些量子学习领域的新成果应用于电磁场高斯态的学习问题——由于高斯态描述了成像和传感中使用的大多数场，因此该问题具有高度相关性。为连接量子学习理论，该团队考虑将n模高斯态转导至量子计算机上的量子比特寄存器，随后对这些量子比特进行优化测量以提取原始高斯态的定义参数。该团队严格界定了实现参数估计最坏情况加性误差所需的高斯态副本数量。该界限随n的缩放比例比朴素的高斯态表征策略呈指数级改进，且与近期基于连续变量经典阴影的高斯态表征研究结果相匹配。此外，与连续变量阴影协议相比，该团队的界限对多模高斯态能量的依赖度呈多项式级优化。