利用经典阴影进行高维子空间扩展

我们引入了一种用于经典阴影测量数据的后处理技术，该技术通过高维子空间扩展提高了基态估计的精度；其维度仅受经典后处理资源量的限制，而非量子资源。我们方法的关键步骤是从阴影数据中高效识别有用的可观测量，随后进行正则化子空间扩展，该扩展设计为即使在使用噪声数据时也能保持数值稳定。我们解析地研究了方法中的噪声传播，并给出了由于经典阴影中快照数量有限而导致的统计波动的上界。在数值模拟中，我们的方法在许多情况下能够降低能量估计误差，有时降低幅度超过一个数量级。我们还证明了我们的性能改进对于态制备电路中的相干误差（不良初始态）和门噪声都具有鲁棒性。此外，其性能保证至少与直接能量估计一样好——在许多情况下更好——且无需使用额外的量子资源，因此该方法是从经典阴影数据直接估计基态能量的一个非常自然的替代方案。