基于位移-随机全息变换的连续变量哈密顿量学习：达到海森堡极限
量子物理
2025-10-10 v1
摘要
表征连续变量(CV)量子系统的哈密顿量是一项充满挑战的基本任务，其困难之处在于无限维希尔伯特空间和无界算子。现有实现海森堡极限精度的协议往往受限于特定的哈密顿结构，或需要实验上具有挑战性的资源。本文引入一种高效且易于实验的协议，即位移-随机全息变换(D-RUT)，用于学习具有目标精度下总演化时间为的一般任意有限阶玻色型哈密顿量系数。对于多模系统，我们发展了具有优异统计效率的层次系数恢复策略。此外，我们将该协议扩展到第一量子化，使其能够在以位置和动量算子表达式的哈密顿量中，以海森堡极限学习基本物理参数。
引用
@article{arxiv.2510.08419,
title = {Continuous Variable Hamiltonian Learning at Heisenberg Limit via Displacement-Random Unitary Transformation},
author = {Xi Huang and Lixing Zhang and Di Luo},
journal= {arXiv preprint arXiv:2510.08419},
year = {2025}
}