量子通道预测突破！64比特模拟+噪声硬件实测，QGP回归稳如老狗
Quantum Gaussian processes for prediction of channel observations
👨💼 主理人解读 · 为什么值得关注
扩展量子高斯过程回归，预测未知量子演化下泡利观测值，减少测量次数并适用于多种酉演化。
📖 AI 总结
该研究将量子高斯过程（QGP）回归框架从单一酉演化扩展至一般量子信道，用于在有限测量下预测未知量子演化输出端Pauli观测量的期望值。作者证明了信道输出在均匀（Lebesgue测度）先验下收敛于QGP，并推导了闭式核函数。然而，核的维度因子要求观测精度随子系统规模指数级增长，限制了其在大规模系统上的适用性。为此，他们提出经验贝叶斯启发式方法，用可学习尺度参数替代维度因子，保留核的状态重叠相关结构。在多达64量子比特的数值模拟中，Lebesgue核展现出对局部信道的强归纳偏置，支持可靠外推；对全局信道，重缩放核恢复了可学习性，预测精度随测量预算系统提升。噪声量子计算机实验验证了该方法的鲁棒性，并进一步展示了QGP作为贝叶斯优化代理在噪声XXZ动力学下态制备任务中的有效性。
🔑 关键词速览
| Quantum Gaussian process (QGP) | 量子高斯过程，一种将经典高斯过程回归扩展到量子系统输出预测的统计方法。 |
| Pauli observable | 泡利可观测量，由泡利矩阵张量积构成的量子力学算符，常用于量子测量。 |
| Lebesgue measure prior | 勒贝格测度先验，一种在量子通道空间上均匀分布的先验假设，表示无偏好。 |
| Empirical Bayes heuristic | 经验贝叶斯启发式，一种利用数据估计先验参数的方法，此处用于调整核的尺度因子。 |
| Inductive bias | 归纳偏置，模型对特定类型函数的偏好，此处指QGP对局部通道的倾向性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅