面向量子测量设计的生成式学习

从量子态中提取量子信息是量子计算的一项基本任务，通常需要在有限的测量预算下估计许多非对易可观测量。对于近期和早期容错设置，测量协议必须在统计效率与实现资源（如线路深度、连通性和纠缠门数量）之间取得平衡。许多现有策略聚焦于两个极端：具有高采样成本的硬件友好型乘积测量，以及具有深线路的完全对易测量。在此，我们将资源受限的测量设计重新表述为生成式学习问题。我们引入了FlowMeas，它使用生成流网络直接采样浅Clifford测量线路的有限集合，受限于预设的shot预算和硬件约束。在零纠缠深度下，FlowMeas学习逐量子比特对易的测量方案，并在几乎所有分子基准上已经匹配或改进了领先的乘积测量方法。允许一到两层纠缠门，相对于最强的状态无关乘积测量基线，能量估计误差进一步降低高达$27\%$。学习到的策略还可以在相关哈密顿量之间复用，显著加速了沿分子势能面的重训练。我们进一步获得了多达20个量子比特的分子哈密顿量结果，并将该框架应用于紧致编码的54量子比特相互作用费米子模型，将已展示的规模扩展到先前的分子基准之外。这些结果确立了生成式学习作为在实用资源约束下量子测量设计的灵活且统一的框架。