基于神经网络的量子态保真度估计研究综述.docVIP

基于神经网络的量子态保真度估计研究综述

一、量子态保真度估计的基础背景与核心价值

量子态保真度是衡量两个量子态之间相似程度的核心度量，其定义为对于量子态$\rho$和$\sigma$，保真度$F(\rho,\sigma)=\text{Tr}(\sqrt{\sqrt{\rho}\sigma\sqrt{\rho}})^2$，取值范围在0到1之间，越接近1代表两个量子态的重合度越高。在量子计算、量子通信、量子精密测量等领域，保真度是验证量子器件性能、评估量子门操作误差、检测量子信道传输质量的关键指标，其估计精度直接决定了量子技术系统的可靠性。

传统量子态保真度估计方法主要分为两类：量子态层析法和直接测量法。量子态层析法通过对量子态进行一系列不同基矢的投影测量，重构出量子态的密度矩阵，再计算保真度，但该方法的测量次数随量子比特数呈指数增长，当量子系统规模达到数十比特时，层析所需的资源开销超出了现有实验平台的承载能力。直接测量法如交换检验、保真度见证等，虽然避免了全态重构，但通常需要已知参考态的完整信息，且对测量装置的校准精度要求极高，在噪声环境下的鲁棒性较差。随着量子计算系统向数百甚至数千比特规模发展，传统方法的瓶颈日益凸显，亟需更高效、鲁棒的保真度估计方案。

二、神经网络应用于量子态保真度估计的技术路径

神经网络的非线性拟合能力、高维数据处理优势为解决大规模量子系统保真度估计问题提供了新