具有保形预测不确定性的固定协议摊销MPS层析成像

量子态层析成像样本匮乏，并且人们制备的态位于一个狭窄、可学习的流形上。一个$k{=}0$的仅先验对照表明，在集中族上，先验估计已经接近最优，因此“少量测量下的高保真度”可能是族记忆而非层析成像；真正的测量效率需要一个以测量为条件并证明使用它们的模型。在共享的矩阵乘积态（MPS）核心参数化上，我们研究了两种途径。途径A学习一个关于MPS核心的生成先验，并进行测量引导的后验推断（经黄金标准验证，但其少量测量精度，对照表明主要来自先验）。途径B，我们的主要提议，是一个\emph{固定协议摊销}MPS估计器，使用规范不变的保真度损失训练一次；我们特意不将其建立在置换不变集合编码器上（一个普通MLP即可匹配）。决定性的杠杆是测量设计：受局部约化密度矩阵决定$\chi$-MPS这一事实的启发，以\emph{信息丰富的局部}Pauli集合而非随机字符串为条件，将一个普通的、易记忆的估计器转变为高保真度的估计器（$\approx\!0.95$，比仅先验高出$+0.59$，决定性地通过了混洗测量对照）。一个dropout集成，经过保形重新校准，给出$\approx\!90\%$覆盖率的区间——包括对于从未测量过的可观测量的区间，而基于shot的区间不存在。质量随系统增长而保持（$n{=}10$时保真度$0.90$，增益随$n$ \emph{增长}；键维$\chi{=}4$时$0.88$），参数化是多项式的（原生收缩到20个量子比特），并且我们在IBM硬件上闭环（从硬件测量的Pauli得到$5$个态，保真度$0.97$）。