面向混合量子系统的海森堡极限哈密顿学习

具有不同粒子种类的混合量子系统是量子材料和量子信息科学的基础。本文建立了严格的理论框架，证明给定未知自旋-玻色型哈密顿量后，我们的算法能够以 Heisenberg 极限精度估计所有耦合参数，误差为 $\epsilon$，仅使用 $O(\epsilon^{-1})$ 的总演化时间和 $O({\rm polylog}({\epsilon^{-1}}))$ 个测量。它还能抵抗小的状态准备和测量误差。此外，我们提供了一种基于分布式量子感知的备用算法，显著减少每个测量的演化时间。为验证我们的方法，演示了其在混合哈密顿学习和光谱学习中的效率，适用于 AMO、凝聚态和高能物理。我们的结果提供了面向混合量子平台的精密哈密顿表征的可扩展且稳健的框架。