量子上下文景观上的认证最优测量缩减

量子测量缩减包含两个不同的全局优化层：一个是在固定测量字典内分割可观测量并分配测量次数的连续问题，另一个是设计字典并校准其数据驱动不确定性模型的非凸外部问题。我们将内层问题作为二阶锥规划（SOCP）全局且可认证地求解，并使用 RANGE（一种鲁棒的自适应自然启发式全局优化器）来处理组合和统计外层问题。对于任何声明的上下文集、每次测量成本、评分函数和协方差模型，SOCP 都会在无偏线性分层估计器中返回最小领先测量成本。锥对偶提供了一个可独立检查的下界见证；在可行性修复后，外部验证器根据存储的数据重新计算 $L \le \Phi \le U$，而无需信任优化器。初步测量产生同时的有限样本协方差括号，对偶成为省略上下文的定价预言机。离散 RANGE 搜索覆盖子字典、Pareto 压缩前沿和候选上下文；连续 RANGE 执行显式经验、覆盖约束的协方差半径模型校准，而严格的证书保留了已证明的有限样本半径。RANGE 将分子上下文字典压缩了 4.3-6.1 倍，认证前沿超额为 0.2-2.1%。标准策略对于 H2 恰好是最优的，但对于 H2O，在其自身设置内，测量次数却留下了 2.1-7.7 倍的因子。添加完全对易上下文可将认证最优值降低高达 56%；在声明的 Hartree-Fock 代理协方差模型下，对于 29-35 量子比特的生产级 f 元素哈密顿量，封顶字典扩充节省了 31-70% 的测量次数，而减少块编码成本的变换不一定能降低采样成本。