关于在量子信道学习中实现指数级优势的基础资源

这对未来量子计算机为何重要

随着量子计算机规模增大，最难的问题之一是精确了解这些脆弱装置的行为以及错误的来源。本文提出了一个看似简单的问题：当我们用量子手段去学习一个未知设备时，究竟是什么特殊资源带来了相对于任何经典方法的指数级加速？答案比“多加纠缠”要微妙得多，这对下一代量子硬件和实验设计有实际影响。

两种不同的量子辅助

长期以来，科学家们已经认识到，给实验者访问量子存储可以显著减少探测未知量子过程（例如量子芯片的有噪行为）所需的次数。在这种情形下，“量子存储”这一模糊表述中隐含着两类不同的资源。一类是可与被测系统一同存放的额外量子比特，称为辅助（ancilla）比特；另一类是这些辅助比特与系统之间的纠缠，即那种独特的量子关联。以往的工作常把两者混为一谈：使用大规模纠缠态，这自然需要许多辅助比特。本文将它们区分开来，探讨每种资源单独存在时，如何影响实验所需的次数。

学习一个有噪声的量子信道

作者将注意力集中在一个核心测试用例：学习所谓的泡利信道，这是一种对 n 个量子比特器件噪声的标准模型，其中误差由熟悉的 X、Y 和 Z 量子作用的组合构成。学习任务是以给定的精度和置信度估计该噪声信道的某些参数，而关键代价是信道必须被应用和测量的次数。在没有任何量子存储的情况下，先前结果表明，这一代价通常随 n 指数增长。相反，如果能够制备将 n 个系统比特与 n 个辅助比特相连的大型贝尔对态，则相同任务所需的信道使用次数只随 n 多项式地增长，这是巨大的改进。

小量纠缠仍能带来指数级提升

一个自然的猜想是，这种指数级提升依赖于每个输入态中存在大量纠缠。令人惊讶的是，作者表明情况并非如此。他们构造了一类输入态，其系统与辅助之间的每比特纠缠可以趋于零，但只要有完整的 n 个辅助比特可用，就仍然可以用仅多项式数量的信道调用来学习泡利信道。降低每次探针中纠缠的代价是需要更多的探针次数，但增长仍保持为多项式而非指数。换言之，总的“纠缠预算”可以在实验次数之间进行权衡，而不会丧失核心的量子优势。

辅助比特才是真正的瓶颈

当可用的辅助比特数量受限时，情况则发生显著变化。作者证明，如果你的量子存储中没有足够的辅助比特，那么即便只是学习信道一部分低细节参数也会再次变得指数困难，无论你如何巧妙地利用有限的纠缠。他们描绘了这种困难如何同时依赖于辅助比特的数量以及你期望得到的信道描述的丰富程度。特别地，他们表明：要使随着系统规模增长而标度的任务保持样本成本为多项式，辅助比特数量本质上必须与系统比特数同步增长。

这对构建和测试量子器件意味着什么

对非专业读者而言，主要结论是：在量子噪声学习中实现指数级增益的“秘密成分”并不是每次态中大量纠缠，而是量子存储的维度——即足够多的辅助比特——随被测装置规模一同扩展。纠缠仍然重要，但只需适度，并且可以在多次运行中稀释。这一见解为实验人员在稀缺资源上的投入提供了指引：构建更大且稳定的量子存储可能比完善高度纠缠的探针更为关键。研究结果也为未来在现实、有噪量子机器上进行误差诊断和基准测试的目标与局限设定了界限。

引用: Kim, M., Oh, C. On the fundamental resource for exponential advantage in quantum channel learning. Nat Commun 17, 1822 (2026). https://doi.org/10.1038/s41467-026-68532-y

关键词: 量子学习, 泡利信道, 量子存储, 纠缠, 量子噪声表征