局域泡利噪声信道的构型与参数的高效学习

噪声的不可避免存在是大规模量子计算机发展的关键障碍，而以高精度可靠且高效地表征量子噪声的能力，对于进一步扩展量子技术至关重要。尽管估计任意量子信道需要指数级资源，但人们预期物理相关的噪声具有某些底层局域结构，例如不同量子比特上的错误具有条件独立结构。先前工作展示了如何以高效样本数估计泡利噪声信道，且对态制备与测量误差具有鲁棒性，但前提是已知条件独立结构。我们提出了一种学习 $n$ 量子比特上泡利噪声信道的新方法，解决了这一不足。与以往关注于在已知条件独立结构下学习系数的工作不同，我们的方法同时学习系数与底层结构。我们通过利用 Bresler 关于高效学习吉布斯测度的突破性结果达成该目标，并获得学习作用于 $n$ 量子比特噪声的未知结构的最优样本复杂度 O(log(n))。随后可利用该信息从 O(poly(n)) 个样本得到在金刚石距离上接近的信道描述。此外，我们的方法在样本数与后处理上均高效，且不放弃其他理想特性如 SPAM 鲁棒性，且仅需实现单量子比特 Clifford 门。鉴于此，我们的新方法能够在最小实验需求与假设下实现量子设备中泡利噪声的大规模表征。