报告人：吴步娇 副研究员（深圳国际量子研究院）

题目：量子态性质的测量和学习

时间：2026年10月10日（周六）上午10：30

地点：理工楼1226

联系人：安钧鸿、吴威

报告摘要：

高效获取量子态的性质是量子计算、量子模拟和量子学习的共同基础，但测量开销、器件噪声与线路深度限制使大规模量子系统的表征面临挑战。本报告将介绍我们围绕量子态高效测量与性质学习的一系列研究。首先，从重叠分组测量出发，介绍融合可观测量兼容性、重要性采样与经典阴影的统一测量框架，以及面向玻色子系统的高效测量方案。进一步，讨论含噪器件上的费米子经典阴影误差缓解、浅层参数化线路的期望值估计和自适应深度的费米子随机测量，说明如何结合目标可观测量与硬件约束优化测量资源。同时，介绍利用量子态对称性降低样本复杂度的方法及其在光量子平台上的实验验证。

在应用方面，报告将介绍超导量子处理器上多达51个量子比特的真多体纠缠制备与验证，讨论如何利用量子机器学习从测量数据中预测弱噪声量子态的制备复杂度，并展示仅依赖经典通信的模块化超导量子处理器间量子态相似度估计及其在联邦量子核学习中的应用。这些工作共同探索了从高效测量到性质学习的路径，为资源受限条件下的量子态表征、量子计算验证与量子机器学习提供方法。

References

[1]B. Wu, J. Sun, Q. Huang, and X. Yuan.Overlapped grouping measurement: A unified framework for measuring quantum states.Quantum7, 896 (2023).

[2]T. Gu, X. Yuan, and B. Wu.Efficient measurement schemes for bosonic systems.Quantum Science and Technology8, 045008 (2023).

[3]B. Wu and D. E. Koh.Error-mitigated fermionic classical shadows on noisy quantum devices.npj Quantum Information10, 39 (2024).

[4]B. Wu, Y. Yan, F. Wei, and Z. Liu.Optimization for expectation value estimation with shallow quantum circuits.arXiv:2407.19499v1(2024).

[5]K. Bian and B. Wu.Adaptive-depth randomized measurement for fermionic observables.Quantum Science and Technology10, 035063 (2025).

[6]H. Chen, B. Wu, Q.-X. Zhang, et al.Symmetry speeds up quantum measurements.Physical Review Letters137, 120201 (2026).

[7]S. Cao, B. Wu, F. Chen, et al.Generation of genuine entanglement up to 51 superconducting qubits.Nature619, 738–742 (2023).

[8]Y. Wu, B. Wu, Y. Song, X. Yuan, and J. B. Wang.Complexity analysis of weakly noisy quantum states via quantum machine learning.International Conference on Learning Representations (ICLR)(2025).

[9]B. Wu, C. Xie, P. Mi, et al.State similarity in modular superconducting quantum processors with classical communications.arXiv:2506.01657(2025).

个人简介：

吴步娇，深圳国际量子研究院副研究员。2021年获中国科学院计算技术研究所计算机科学与技术博士学位，曾在北京大学和德国柏林自由大学从事博士后研究，并在南方科技大学任副研究员。主要研究方向为量子随机测量、量子学习理论、量子优越性算法设计与量子线路优化。