量子机器学习（QML）在加速模式识别、优化和数据分析方面具有潜力，但其真正超越经典方法的条件仍不明确。现有研究多聚焦于算法和硬件，而数据本身在决定量子优势中的作用却较少受到关注。该研究团队提出，数据复杂性——包括数据集的结构性、统计性、算法性及拓扑学丰富度——是界定这些条件的核心要素。相较于量子比特数量或电路深度，真正的瓶颈在于数据嵌入、表征和泛化的成本。本…

局部纯化密度算子（LPDOs）是当前最先进的张量网络候选拟设，能够高效表示大规模混合量子态。然而，由于其非唯一性，这类算子在实用计算中的表示复杂度通常非最优。该工作针对实验中噪声将密度算子退极化至最大混合态的关键场景，通过综合数值与理论分析解决了这一难题。研究团队提出了两种数值工具和一种解析方法，并阐明了其关联性：数值工具基于保真度截断技术和利用黎曼优化的等…

量子技术的核心在于对量子系统的精确控制。实现动态校正量子门（DCQG）至关重要，该方法既能补偿单个量子门的误差，又能与量子纠错协同增强容错能力。其中，由量子比特共振频率波动和校准偏差引发的失谐误差（ORE）是最需补偿的关键误差类型之一。目前已有诸多研究构建了针对一阶ORE的鲁棒性DCQG，但关于二阶ORE鲁棒性DCQG的显式构造讨论较少。近期研究揭示了二阶O…

在量子纠缠和量子涨落压缩的背景下，该研究团队讨论了三模玻色子系统在受限希尔伯特空间中的态。研究聚焦于展现非零三方纠缠的量子态，揭示了双模与三模纠缠（通过相应负性度量化）与压缩效应（通过主压缩方差描述）之间的相互关系。同时，该工作识别出兼具压缩特性的纠缠三量子比特态。

在这篇论文中，该研究团队提出了一种结合动量加速梯度法与薛定谔化技术的量子算法（参见S. Jin、N. Liu和Y. Yu在《物理评论快报》2024年第133卷230602页，以及《物理评论A》2023年第108卷032603页的研究），实现了求解线性方程组时相对于经典方法的多项式级加速。该算法的查询复杂度与基于薛定谔化的阻尼动力系统法同阶，即与矩阵条件数呈线…

量子计算能够高效解决复杂问题，在诸多应用场景中往往优于经典方法。2009年，Harrow、Hassidim和Lloyd提出了一种求解线性方程组的算法，在理想条件下展现出指数级加速优势——其复杂度为poly(logN)，而经典算法在一般情况下复杂度为O(N³)（尽管对于稀疏矩阵等特定情况可达到O(N)）。该算法在机器学习、微分方程求解、线性回归及密码分析等领域…

量子近似优化算法（QAOA）是为近量子设备解决组合优化问题的前沿框架，其中最小支配集（MDS）问题作为图论中的NP难问题备受关注。现有针对MDS问题的QAOA研究通常需要大量辅助量子比特，这增加了硬件需求并阻碍了含噪声中等规模量子（NISQ）设备的可扩展性。该研究团队提出了一种无需辅助量子比特的QAOA改进方案：不同于以往通过引入辅助变量将不等式约束转化为等…

该研究团队提出并理论分析了一种𝒫𝒯对称双腔分子光力（McOM）系统，为构建兼具鲁棒性和高度可调性的多体量子纠缠提供了理论框架。该系统通过分子集体增强效应、非互易定向耦合和𝒫𝒯对称耗散工程的协同作用，展现出卓越的热稳定性——所生成的量子纠缠在室温乃至更高温度（受材料稳定性限制约700K）下仍能稳定存在。这种由超高频分子振动和集体数N增强效应驱动的独特热稳定性，…

在量子网络的性能分析中，研究人员通常将二分纠缠态近似为贝尔对角态或维尔纳态。该团队称此为扭转近似，因为通过扭转映射可将任意态转化为该形式。尽管扭转近似能简化计算，但会导致性能评估出现偏差。该工作旨在量化这种偏差。 研究考察了通过链式中继器逐级执行纠缠交换实现端到端纠缠的场景，具体分为两种情形：基于中继器贝尔态测量结果进行后选择（postselected…

分布式量子机器学习面临异构客户端数据和本地模型结构差异带来的重大挑战，这些因素阻碍了全局模型聚合。为解决这些问题，该研究团队提出了一种面向异构数据的变分量子卷积神经网络知识蒸馏框架。该框架具有基于客户端数据的量子门数量估计机制，可指导构建资源自适应的VQCNN电路，并采用粒子群优化技术高效生成适应本地数据特征的个性化量子模型。在聚合阶段，通过融合软标签与硬标…