量子科技中心_量科网

利用量子奇异值变换估计未知量子态的性质时，通常需要高次多项式来处理密度矩阵的小特征值。具体而言，现有方法依赖于基于密度矩阵最小非零特征值或秩的过于保守的最坏情况界限来确定多项式次数。在该工作中，该团队提出了一种谱截断方法，根据任务、目标精度和量子态截断可忽略的特征值尾部，从而能够使用显著更低次的多项式。为实现这一方法，该研究开发了一个两阶段算法来估计非线性性质，特别是冯·诺依曼熵和R{é}nyi熵。在第一阶段，该团队执行一个搜索算法，直接从未知量子态中识别谱截断。在第二阶段，该工作利用量子奇异值变换估计非线性性质，其中多项式次数由截断自适应确定。即使不知道最小特征值或秩，该两阶段算法相较于已知界限显著提升了整体估计成本。