面向量子态表征的置换等变深度学习模型

量子态表征是量子技术应用的基本步骤。当前已有多种方法致力于解决此问题，亦包括基于机器和深度学习技术的方法。然而，这些方法通常需要随系统构成部件数量呈指数级增长的测量数。阈值量子态断层(tQST)可在某些情况下显著降低测量数。本文研究如何将置换等变深度学习模型与tQST协议相结合。我们在量子态断层和纯度估计方面对该模型进行测试。最终，我们验证了该模型对噪声的鲁棒性。我们展示了最高可达4量子比特的结果。