主讲人：尤亦庄

开始时间：2024-06-24 10:00:

地点：思源厅

报告人简介：

尤亦庄教授2013年博士毕业于清华大学，之后在加州大学圣芭芭分校和哈佛大学做博士后。2018年加入加州大学圣地亚哥分校任助理教授。尤教授主要关心凝聚态物理多个方向，包括强关联量子多体系统，拓扑物态与量子相变，量子多体纠缠和量子混沌，机器学习在物理学中的应用。

报告内容简介：

从量子系统中高效提取信息是量子信息处理任务的一个重要组成部分。随机测量或经典影层析可以通过少量测量预测任意量子态的许多性质。尽管随机单量子比特测量在实验中操作方便且适用于学习低权重的泡利可观测量，但对于非局域可观测量的表现较差。在测量之前添加一个浅层随机量子电路，既保持了实验的便利性，又在低权重泡利可观测量之外，包括高权重泡利可观测量和全局低秩性质（如保真度），具有良好的样本复杂性。然而，在实际情况中，浅层电路的每一层都会累积量子噪声，导致结果出现偏差。为了面对这些挑战，我们提出了稳定的影层层析成像方案。我们的方案使用贝叶斯推理来学习实验中相关的噪声模型，并在后处理中对其进行校正。这种校正引入了偏差-方差权衡：纠正噪声引起的偏差会导致估计方差增加。尽管方差增加，但我们在超导量子处理器上的实验表明，我们的协议能够正确恢复状态性质，如期望值、保真度和纠缠熵，同时相比随机单量子比特测量方案保持更低的样本复杂度。我们还在理论上分析了噪声对样本复杂度的影响，并展示了如何根据噪声强度选择最佳的浅层影子深度。通过理论和实验的综合分析，稳健浅层影子协议成为在当前量子计算平台上表征量子态的一种可扩展、稳定且具有高效样本的方案。