连续变量量子扩散模型用于状态生成与恢复
量子物理
2025-06-25 v1 机器学习
摘要
复杂量子态的生成与保护抗环境噪声是推进连续变量(CV)量子信息处理的关键挑战。本文引入一种新框架，将连续变量量子扩散原理与CV量子神经网络(CVQNN)融合，以解决这两个挑战。对于状态生成，我们提出的连续变量量子扩散生成模型(CVQD-G)采用基于热损耗通道的物理驱动前向扩散过程，然后通过基于CVQNN的时间嵌入的可学习、参数高效的后向去噪过程进行逆转。该框架的能力进一步通过连续变量量子扩散恢复模型(CVQD-R)得到扩展，这是一种专为恢复量子态、特别是来自热退化的相干态（具有未知参数）而设计的专业变体。广泛的数值仿真验证了这些双重能力，证明了多样化高保真度的生成，包括高斯态(相干态、压缩态)和非高斯态(Fock态、猫态)，通常保真度超过99%，并确认该模型能够稳健地恢复受损态。此外，全面的复杂度分析揭示了训练和推理成本 favorable，突出了该框架的效率、可扩展性以及其作为现实CV量子系统中量子态工程和噪声缓解的稳健工具的潜力。
引用
@article{arxiv.2506.19270,
title = {Continuous-variable Quantum Diffusion Model for State Generation and Restoration},
author = {Haitao Huang and Chuangtao Chen and Qinglin Zhao},
journal= {arXiv preprint arXiv:2506.19270},
year = {2025}
}
备注
15+3 pages, 14 figures, 7 tables