近期，南方科技大学量子科学与工程研究院辛涛副研究员课题组，在大规模量子态表征方向取得重要研究进展。研究人员基于Transformer深度神经网络学习技术，构建了高效率的量子态保真度估计器并进行了实验验证使用，为未来大规模量子计算表征提供了重要技术支撑。相关成果以“Experimental direct quantum fidelity learning via a data-driven approach”为题发表在《物理评论快报》上。

当前，量子处理器的快速发展已使其能够操控上百个量子比特，但量子系统表征能力仍停留在十几个量子比特。量子比特构建能力与量子系统表征能力之间存在巨大的鸿沟。以量子保真度估计为代表的表征技术是评估量子态质量和表征量子比特的重要手段。在容错通用量子计算机实现之前，估计制备的量子态保真度将是常规且不可或缺的实验流程。然而，当前量子保真度估计方法仍然依赖于繁琐的传统量子态层析或复杂的测控和后处理资源，已无法满足快速扩展的量子系统的表征需求。

为此，研究人员针对量子化学模拟等量子多体模型基态，利用Transformer深度神经网络学习技术的强表达能力以及量子重叠层析的强测量能力，构建并实验验证了多项式测量复杂度的高效量子态保真度估计器，可大幅度降低了实验测控成本。这项研究成果所开发的保真度估计器具有以下几个特点。第一，低测量复杂度：测量设置在当前量子处理器上易于实现，且测量复杂度低，可连续预测量子态保真度。第二，强概括能力：不仅可以估计量子保真度，还能推广到量子纠缠等其他量子态特征的表征（图1）。第三，强泛化能力：对训练集中未见的量子模型仍具有准确的预测能力。第四，良好扩展性：借助张量网络模拟技术，可轻易扩展到近100比特的量子态保真度估计（图2）。该研究成果为大尺度量子态的全面刻画提供了重要技术支持，有助于未来大规模量子优势探索研究。

该工作是南方科技大学量子科学与工程研究院硕士研究生秦海洋（第一作者）在量子研究院开设的【量子英才攀登计划】本科生研究项目中所取得的研究成果，南科大量子研究院博士生魏超和物理系博士生车良宇为并列第一作者；量子研究院辛涛副研究员为论文唯一通讯作者，南科大量子研究院为第一单位。该工作得到了广东省杰出青年项目、国家自然科学基金委项目、南科大量子研究院以及南科大超算中心的大力支持。