基于 Set Transformer 的可扩展贝叶斯影子层析用于量子性质估计

引入了一种可扩展的贝叶斯机器学习框架，用于从测量数据中估计未知量子态的标量性质，从而绕过完整的密度矩阵重构。本工作首次将经典影子协议与置换不变集 Transformer 架构相结合，使该方法能够预测并校正现有估计器中的偏差，以逼近真实的贝叶斯后验均值。测量结果被编码为固定维度的特征向量，网络输出对基线估计器的残差校正。由于输入规模对系统大小和测量数量的多项式依赖，确保了其向大型量子系统的可扩展性。在 Greenberger-Horne-Zeilinger 态保真度和二阶 Rényi 熵估计任务中——使用随机 Pauli 和随机 Clifford 测量——该贝叶斯估计器的均方误差始终低于单独使用经典影子的均方误差，在少副本机制下减少了 99% 以上。