神经阴影量子态层析

量子态层析（QST）是通过测量重建未知量子态的艺术，是开发量子技术的关键原语。神经网络量子态层析（NNQST）旨在借助神经网络拟设重建量子态，通常经由基于基的依赖交叉熵损失函数实现。NNQST 的先进实现常限于刻画特定子类态，以避免所需测量设置数量的指数增长。为提供更广泛适用的高效态重建方法，我们提出“神经阴影量子态层析”（NSQST）——一种替代的基于神经网络的 QST 协议，使用保真度损失（infidelity）作为损失函数。该保真度损失由目标态的经典阴影估计。保真度损失是训练损失的天然选择，受益于经典阴影形式已被证明的测量样本高效性。此外，NSQST 对各种噪声具有鲁棒性，且无需任何误差缓解。我们通过数值演示了 NSQST 在学习三个具实际意义的目标量子态的相对相位上相对于 NNQST 的优势，以及相对于直接阴影估计的优势。NSQST 极大拓展了 NNQST 的实用范围，并为有效量子态层析提供了新途径。